Resumen

En este trabajo se propone un programador de red neuronal profunda híbrido (HDNNS) para resolver problemas de programación de talleres (JSSP). Con el fin de extraer la información de estado del procesamiento de la programación, un problema de programación de talleres se divide en varios subproblemas basados en la clasificación. Y se utiliza un marco de aprendizaje profundo para resolver estos subproblemas. HDNNS aplica el método de transformación bidimensional de convolución (CTDT) para transformar la información de programación irregular en características regulares, de modo que la operación de convolución del aprendizaje profundo pueda introducirse para tratar el JSSP. Los experimentos de simulación diseñados para probar HDNNS están en el contexto de JSSP con diferentes escalas de máquinas y trabajos, así como diferentes distribuciones de tiempo para los procedimientos de procesamiento. Los resultados muestran que el índice MAKESPAN de HDNNS es 9 etter que el de HNN y el índice es también 4 etter que el de ANN en el conjunto de datos ZLP. Con la misma estructura de red neuronal, el tiempo de entrenamiento del método HDNNS es obviamente más corto que el del método DEEPRM. Además, el programador tiene un excelente rendimiento de generalización, que puede abordar problemas de programación a gran escala con sólo datos de entrenamiento a pequeña escala.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:problema de programación de tiendas, contexto de jssps, índice de hdnns, estructura de la red neuronal, problema de programación a escala, marco de aprendizaje profundo, métodos de transformación dimensional, información de la programación, diferente distribución del tiempo, escala de la máquina
• Keywords:shop scheduling problem, context of jssps, index of hdnns, neural network structure, scale scheduling problem, deep learning framework, dimensional transformation methods, information of schedule, different time distribution, scale of machine