A carregar...
Publicação
"Deep Reinforcement Learning" na Otimização de Políticas de Encaminhamento na Manufatura
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 10.88 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
O mercado encontra-se cada vez mais heterogéneo e individualizado. Com isto, existe a
necessidade de desenvolver sistemas de produção que consigam produzir de uma forma
otimizada e eficiente, produtos cada vez mais personalizados. Porém, estes sistemas estão
a tornar-se cada vez mais complexos e consequentemente, os problemas inerentes a estes.
O escalonamento da produção, de uma forma sintética, procura o fabrico de um produto,
através da execução de diferentes trabalhos sobre matéria-prima, dentro de um
prazo estipulado, visando o uso eficiente de recursos. Um problema intrínseco ao escalonamento
da produção é a otimização de políticas de encaminhamento. A otimização de
políticas de encaminhamento consiste em escolher o caminho de produção mais rápido,
consoante vários fatores, como a posição de cada produto, ou quais os trabalhos ocupados
num dado instante.
São inúmeros os métodos utilizados para tentar otimizar políticas de encaminhamento
numa linha de produção, sendo que dois dos utilizados são heurísticas e inteligência artificial,
nomeadamente Reinforcement Learning (RL). Nesta dissertação é proposta a utilização
de um algoritmo de Deep Reinforcement Learning (DRL), sendo este o algoritmo Double
Deep Q-Network (Double-DQN), adaptado a um ambiente multi-agente. É feita a comparação
de diferentes métricas, no que toca à otimização de políticas de encaminhamento,
entre este algoritmo e os anteriormente referidos, em duas simulações de ambientes de
produção distintos, com caraterísticas específicas, como duas ou mais zonas de trabalho
iguais e diferentes escolhas de caminhos para a produção do produto. Dito isto, o objetivo
é demonstrar a genericidade deste algoritmo a diferentes ambientes de produção, bem
como comprovar a facilidade de o implementar em novos ambientes. Para além disto, é
também provado que este é capaz de encontrar o caminho mais rápido de produção, nas
simulações propostas, utilizando os algoritmos supracitados como termo de comparação.
Descrição
Palavras-chave
Escalonamento na Produção Políticas de Otimização de Encaminhamento Inteligência Artificial Produção Auto-Encaminhamento