Herramienta para la ejecución de algoritmos de Aprendizaje reforzado APLICADOS A la solución de problemas de secuenciación

Autores/as

  • Juliett M. Suárez Ferreira Universidad Central “Marta Abreu” de Las Villas, Cuba.
  • Víctor M. García Martínez Universidad Central “Marta Abreu” de Las Villas, Cuba
  • Yailén Martínez Jiménez Universidad Central “Marta Abreu” de Las Villas, Cuba
  • Rafael Bello Pérez Universidad Central “Marta Abreu” de Las Villas, Cuba

Palabras clave:

Aprendizaje Reforzado, Q-Learning, Secuenciación

Resumen

Este artículo presenta un software que utiliza el Aprendizaje Reforzado (AR) como vía de solución a problemas de secuenciación. Estos problemas de optimización, en los que se tienen que asignar operaciones a un conjunto de máquinas paralelas de diferentes tipos, son difíciles de resolver por lo que se tratan con este enfoque basado en AR. El objetivo es minimizar el tiempo final de procesamiento (makespam) considerando que los recursos son agentes inteligentes que tienen que elegir cuál operación van a realizar. Se utilizó el Q-Learning como método del AR y se implementaron dos variantes de este algoritmo, facilidad que muestra el software realizado para ejecutar ambos. Los resultados obtenidos por la ejecución de los algoritmos son comparativamente superiores a los obtenidos por otros enfoques recientes publicados en la literatura. El software fue implementado en Java.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Suárez Ferreira, J.. “Solución al problema de secuenciación en máquinas paralelas utilizando Aprendizaje Reforzado”, Tesis de Maestría. Dept. de Computación. Facultad de Matemática Física y Computación. Universidad Central “Marta Abreu” de Las Villas, Santa Clara, Cubba, 2010.

Jiménez, Y.M., “A Multi-Agent Learning Approach for the Job Shop Scheduling Problem”, Master thesis, Department of Computer Science, Computational Modeling Lab, Vrije Universiteit Brussel, Bruselas, 2008.

Gabel, T. and M. Riedmiller. (2007). On a Successful Application of Multi-Agent Reinforcement Learning to Operations Research Benchmarks. Presentada en: IEEE International Symposium on Approximate Dynamic Programming and Reinforcement Learning. 2007.

Puris, A., et al. (2007) Two-Stage ACO to solve the Job Shop Scheduling Problem. Lectures and Notes in Computer Science, 4756(2008): p. 447-456.

Rossi, A. and E. Boschi (2009). A hybrid heuristic to solve the parallel machines job-shop scheduling problem. Advances in Engineering Software, 2009. 40(2009): p. 118-127.

Sutton, R. and A. Barto. Reinforcement Learning: An introduction, ed. M. Press. 1998, Cambridge, MA.

OR-Library, http: //people.brunel.ac.uk/ ~ mastjjb/jeb/orlib/jobshopinfo.html.

Descargas

Publicado

2012-12-05

Cómo citar

[1]
Suárez Ferreira, J.M. et al. 2012. Herramienta para la ejecución de algoritmos de Aprendizaje reforzado APLICADOS A la solución de problemas de secuenciación. Ciencias matemáticas. 26, 2 (dic. 2012), 11–20.

Número

Vol. 26 Núm. 2: Diciembre, 2012

Sección

Artículo Original

Licencia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.