Salvato in:
| Autore principale: | |
|---|---|
| Natura: | Artículo científico |
| Lingua: | es |
| Pubblicazione: |
Universidad Tecnológica de La Habana "José Antonio Echeverría" (CUJAE)
2018
|
| Soggetti: | |
| Accesso online: | https://www.redalyc.org/articulo.oa?id=360458872005 https://www.redalyc.org/journal/3604/360458872005/ https://www.redalyc.org/journal/3604/360458872005/html/ https://www.redalyc.org/journal/3604/360458872005/360458872005.epub https://www.redalyc.org/journal/3604/360458872005/movil |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
| _version_ | 1866816075628281856 |
|---|---|
| author | Yunior César Fonseca-Reyna |
| author_facet | Yunior César Fonseca-Reyna |
| contents | Aprendizaje reforzado aplicado a la programación de tareas bajo condiciones reales Yunior César Fonseca-Reyna Yailen Martínez-Jiménez Ann Nowé Ingeniería learning flow shop scheduling Aprendizajere forzado optimización combinatoria La variante de flujo regular o flow shop scheduling es un problema clásico de programación de la producción. Las primeras publicaciones científicas sobre este problema aparecieron hace más de medio siglo. Sin embargo, muchos autores han reconocido una brecha entre la literatura especializada y la problemática en entornos reales. En este trabajo se modeló el flow shop considerando los tiempos de configuración inicial de las máquinas, tiempos de montaje dependientes de la secuencia, precedencia entre trabajos, omisión de etapas por los trabajos y como función objetivo minimización del tiempo total de procesamiento o makespan. Hasta el momento no existen métodos computacionales que solucionen este problema teniendo en cuenta todas las características mencionadas. Para la solución se adaptó un enfoque del Aprendizaje Reforzado conocido como Q-Learning. Finalmente, se usaron instancias de problemas de diferentes tamaños y complejidad demostrando la efectividad de este método en cuanto a la calidad de las soluciones. 2018 artículo científico 0258-5960 https://www.redalyc.org/articulo.oa?id=360458872005 https://www.redalyc.org/journal/3604/360458872005/ https://www.redalyc.org/journal/3604/360458872005/html/ https://www.redalyc.org/journal/3604/360458872005/360458872005.epub https://www.redalyc.org/journal/3604/360458872005/movil es http://www.redalyc.org/revista.oa?id=3604 Ingeniería Industrial application/pdf Universidad Tecnológica de La Habana "José Antonio Echeverría" (CUJAE) Ingeniería Industrial (Cuba) Num.1 Vol.XXXIX |
| format | Artículo científico |
| id | redalyc_360458872005 |
| language | es |
| publishDate | 2018 |
| publisher | Universidad Tecnológica de La Habana "José Antonio Echeverría" (CUJAE) |
| spellingShingle | Aprendizaje reforzado aplicado a la programación de tareas bajo condiciones reales Yunior César Fonseca-Reyna Ingeniería learning flow shop scheduling Aprendizajere forzado optimización combinatoria Aprendizaje reforzado aplicado a la programación de tareas bajo condiciones reales Yunior César Fonseca-Reyna Yailen Martínez-Jiménez Ann Nowé Ingeniería learning flow shop scheduling Aprendizajere forzado optimización combinatoria La variante de flujo regular o flow shop scheduling es un problema clásico de programación de la producción. Las primeras publicaciones científicas sobre este problema aparecieron hace más de medio siglo. Sin embargo, muchos autores han reconocido una brecha entre la literatura especializada y la problemática en entornos reales. En este trabajo se modeló el flow shop considerando los tiempos de configuración inicial de las máquinas, tiempos de montaje dependientes de la secuencia, precedencia entre trabajos, omisión de etapas por los trabajos y como función objetivo minimización del tiempo total de procesamiento o makespan. Hasta el momento no existen métodos computacionales que solucionen este problema teniendo en cuenta todas las características mencionadas. Para la solución se adaptó un enfoque del Aprendizaje Reforzado conocido como Q-Learning. Finalmente, se usaron instancias de problemas de diferentes tamaños y complejidad demostrando la efectividad de este método en cuanto a la calidad de las soluciones. 2018 artículo científico 0258-5960 https://www.redalyc.org/articulo.oa?id=360458872005 https://www.redalyc.org/journal/3604/360458872005/ https://www.redalyc.org/journal/3604/360458872005/html/ https://www.redalyc.org/journal/3604/360458872005/360458872005.epub https://www.redalyc.org/journal/3604/360458872005/movil es http://www.redalyc.org/revista.oa?id=3604 Ingeniería Industrial application/pdf Universidad Tecnológica de La Habana "José Antonio Echeverría" (CUJAE) Ingeniería Industrial (Cuba) Num.1 Vol.XXXIX |
| title | Aprendizaje reforzado aplicado a la programación de tareas bajo condiciones reales |
| topic | Ingeniería learning flow shop scheduling Aprendizajere forzado optimización combinatoria |
| url | https://www.redalyc.org/articulo.oa?id=360458872005 https://www.redalyc.org/journal/3604/360458872005/ https://www.redalyc.org/journal/3604/360458872005/html/ https://www.redalyc.org/journal/3604/360458872005/360458872005.epub https://www.redalyc.org/journal/3604/360458872005/movil |