Solving the Hybrid Flow Shop Scheduling Problem Using Heuristic Algorithms

Madenoğlu, Fatma Selen

doi:10.15295/bmij.v7i3.1226

Cited by 2 publications

(1 citation statement)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Önerdikleri sezgisel yaklaşımların literatürde yer alan sezgisellerden bu problem için daha iyi sonuç verdiğini göstermişlerdir. Madenoğlu (2019) çalışmasında hibrit akış tipi çizelgeleme problemini ele almıştır. Ele aldığı problemde eksik operasyonlar, taşıma süreleri, hazırlık süreleri dikkate alıp toplam tamamlanma zamanının en azlanması amacını gerçekleştirecek çözümlerin oluşturulması için sezgisel yaklaşımları kullanmışlardır.…”

unclassified

Di̇nami̇k Ortamda Eksi̇k Operasyonlar Hi̇bri̇t Akiş Ti̇pi̇ Çi̇zelgeleme Problemi̇ İçi̇n Sezgi̇sel Yaklaşimlar

Madenoğlu¹

2020

Erciyes Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi

Self Cite

View full text Add to dashboard Cite

Bu çalışmada, dinamik üretim ortamında toplam tamamlanma zamanının en küçüklenmesi amacıyla hibrit akış tipi çizelgeleme problemi ele alınmıştır. Daha spesifik olarak, çalışmada taşıma zamanı, sıraya bağlı hazırlık süreleri, eksik operasyonların olması ve dinamik olarak yeni siparişlerin gelişi durumları da ele alınmıştır. Ele alınan problemin çözümüne sezgisel yaklaşımlar önerilmiştir. Deneysel çalışmalar, sezgisel yaklaşımların performanslarının eksik operasyon seviyesi değişimine bağlı olarak incelemek için gerçekleştirilmiştir.

show abstract

unclassified

Di̇nami̇k Ortamda Eksi̇k Operasyonlar Hi̇bri̇t Akiş Ti̇pi̇ Çi̇zelgeleme Problemi̇ İçi̇n Sezgi̇sel Yaklaşimlar

Madenoğlu¹

2020

Erciyes Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi

Self Cite

View full text Add to dashboard Cite

show abstract

Deep Reinforcement Learning Approach for Material Scheduling Considering High-Dimensional Environment of Hybrid Flow-Shop Problem

Gil

Lee

2022

Applied Sciences

View full text Add to dashboard Cite

Manufacturing sites encounter various scheduling problems, which must be dealt with to efficiently manufacture products and reduce costs. With the development of smart factory technology, many elements at manufacturing sites have become unmanned and more complex. Moreover, owing to the mixing of several processes in one production line, the need for efficient scheduling of materials has emerged. The aim of this study is to solve the material scheduling problem of many machines in a hybrid flow-shop environment using deep reinforcement learning. Most previous work has ignored some conditions, which were critical for solving practical problems. Such critical conditions make the scheduling more complex and difficult to solve. They expand the size of the state and large action space and make learning in an environment with many machines problematic. In this study, a reinforcement learning approach was developed considering practical factors such as the processing time and material transfer to solve realistic manufacturing scheduling problems. Additionally, a method to simplify the high-dimensional environmental space at manufacturing sites for efficient learning was established to solve the problem of learning in a high-dimensional space. Through experiments, we showed that our approach could optimally schedule material scheduling in multi-process lines, which contributes to realistic manufacturing intelligence.

show abstract

Solving the Hybrid Flow Shop Scheduling Problem Using Heuristic Algorithms

Cited by 2 publications

References 8 publications

Di̇nami̇k Ortamda Eksi̇k Operasyonlar Hi̇bri̇t Akiş Ti̇pi̇ Çi̇zelgeleme Problemi̇ İçi̇n Sezgi̇sel Yaklaşimlar

Di̇nami̇k Ortamda Eksi̇k Operasyonlar Hi̇bri̇t Akiş Ti̇pi̇ Çi̇zelgeleme Problemi̇ İçi̇n Sezgi̇sel Yaklaşimlar

Deep Reinforcement Learning Approach for Material Scheduling Considering High-Dimensional Environment of Hybrid Flow-Shop Problem

Contact Info

Product

Resources

About