Sistema inteligente para escalonamento assistido por aprendizagem
Ficheiros
Data
2015-02-09
Autores
Título da revista
ISSN da revista
Título do Volume
Editora
Resumo
Em ambientes reais de produção, existe o problema de atribuição de tarefas a determinadas máquinas de forma eficaz e eficiente, que se designa por Escalonamento. A principal motivação deste trabalho surgiu da necessidade de desenvolvimento de abordagens que sejam capazes de controlar, coordenar e otimizar, de forma adaptativa, a resolução dos diferentes desafios existentes no problema de Escalonamento.
Este trabalho de doutoramento foi inserido no âmbito do projeto de I&D AutoDynAgents, que consiste num Sistema Multiagente para a resolução autónoma, distribuída e cooperativa de problemas de escalonamento de tarefas em sistemas de produção. Este sistema incorpora conceitos da Computação Autónoma e Meta-heurísticas para a construção de planos de escalonamento.
A afinação de parâmetros nas Meta-heurísticas pode permitir uma maior flexibilidade e robustez mas requer uma inicialização cuidadosa. Os parâmetros podem ter uma influência significativa na eficiência e eficácia do processo de pesquisa. Não se torna óbvia a definição a priori dos valores dos parâmetros, que dependem do problema, das instâncias a tratar e do tempo disponível para a resolução do problema. Além disso, não existem valores “universais” para os parâmetros das Meta-heurísticas. Existe uma opinião generalizada que a sua afinação deve resultar de um cuidadoso esforço experimental.
Surge assim a necessidade de implementação de um módulo para a seleção autónoma de uma determinada Meta-heurística, e respetiva especificação automática dos parâmetros, para a resolução de novos problemas de escalonamento de tarefas em sistemas de produção. Este módulo incorpora técnicas de aprendizagem, de modo a dotar o sistema da capacidade de aprender com a experiência adquirida na resolução de casos anteriores similares: Racing, Raciocínio baseado em Casos, e híbrida.
De modo a avaliar a contribuição deste trabalho, foi desenvolvido um estudo computacional das várias abordagens seguidas, com destaque para a abordagem híbrida que agrega Racing e Raciocínio baseado em Casos. Foi possível concluir acerca da vantagem estatisticamente significativa na utilização de aprendizagem na autoparametrização de Meta-heurísticas.
In real manufacturing environments, there is the problem of assigning tasks to specific machines, effectively and efficiently, which is known as scheduling. The main motivation of this paper came from the need to develop approaches that are able to adaptively control, coordinate and optimize the resolution of the different current challenges in the problem of scheduling. This PhD thesis was done as part of the R&D AutoDynAgents project, consisting of a Multi-Agent System for autonomous, distributed and cooperative resolution of task scheduling problems in production systems. This system incorporates concepts of Autonomic Computing and Metaheuristics for building scheduling plans. The tuning of parameters in Metaheuristics can enable greater flexibility and robustness but requires a careful initialization. The parameters can have a significant influence on the efficiency and effectiveness of the search process. A priori definition of the parameter values does not become obvious, which depends on the problem, instances and time available to solve the problem. Furthermore, there are no “universal” values for the parameters of the Metaheuristics. There is a widespread opinion that its tuning should result from careful experimental effort. Thus leads to the need of implementing a module for the autonomous selection of Metaheuristics, and automatic specification of the respective parameters, to solve new problems of task scheduling in production systems. This module incorporates learning techniques in order to provide the system the ability to learn from the experience acquired in solving previous similar cases: Racing, Case-based Reasoning, and hybrid. In order to evaluate the contribution of this work, a computational study of the different followed approaches was developed, with emphasis on the hybrid approach that combines Racing and Case-based Reasoning. It was possible to conclude about the statistically significant advantage in the use of learning in Metaheuristics self tuning.
In real manufacturing environments, there is the problem of assigning tasks to specific machines, effectively and efficiently, which is known as scheduling. The main motivation of this paper came from the need to develop approaches that are able to adaptively control, coordinate and optimize the resolution of the different current challenges in the problem of scheduling. This PhD thesis was done as part of the R&D AutoDynAgents project, consisting of a Multi-Agent System for autonomous, distributed and cooperative resolution of task scheduling problems in production systems. This system incorporates concepts of Autonomic Computing and Metaheuristics for building scheduling plans. The tuning of parameters in Metaheuristics can enable greater flexibility and robustness but requires a careful initialization. The parameters can have a significant influence on the efficiency and effectiveness of the search process. A priori definition of the parameter values does not become obvious, which depends on the problem, instances and time available to solve the problem. Furthermore, there are no “universal” values for the parameters of the Metaheuristics. There is a widespread opinion that its tuning should result from careful experimental effort. Thus leads to the need of implementing a module for the autonomous selection of Metaheuristics, and automatic specification of the respective parameters, to solve new problems of task scheduling in production systems. This module incorporates learning techniques in order to provide the system the ability to learn from the experience acquired in solving previous similar cases: Racing, Case-based Reasoning, and hybrid. In order to evaluate the contribution of this work, a computational study of the different followed approaches was developed, with emphasis on the hybrid approach that combines Racing and Case-based Reasoning. It was possible to conclude about the statistically significant advantage in the use of learning in Metaheuristics self tuning.
Descrição
Tese de Doutoramento em Engenharia Eletrotécnica e de Computadores
Palavras-chave
Escalonamento , Computação autónoma , Meta-heurística , Afinação de parâmetros , Sistemas multiagente