Zadání diplomové práce

Grafové neuronové sítě a hluboké posilované učení

při rozvrhování prací

Obecnou úlohou organizace práce je přiřazení jednotlivých pracovních úkonů většího množství pracovních činností dostupným zdrojům, tj. pracovníkům či strojům, takovým způsobem, aby bylo dodrženo přípustné pořadí úkonů při každé z činností, kapacita každého zdroje i specializace pracovníků a strojů na pouze některé typy pracovních úkonů. Rozvržení prací, které je optimální z hlediska doby dokončení všech plánovaných činností nebo z hlediska celkových nákladů na jejich provedení, představuje složitou úlohu kombinatorické optimalizace s omezeními. Tato úloha se původně řešívala pomocí heuristických rozhodovacích pravidel specifických pro každý problém a hledaných metodou pokusů a omylů, posledních několik desetiletí se pro ni používají různé typy evolučních optimalizačních algoritmů. Ani ty se ale nedokážou zcela vypořádat se složitými omezeními, která vyplývají z přípustného pořadí úkonů, specializace pracovníků a strojů a jejich kapacity. Tato omezení lze poměrně přirozeným způsobem reprezentovat pomocí grafů, což v posledních letech vedlo k návrhům použít k rozvrhování prací grafové neuronové sítě naučené pomocí hlubokého posilovaného učení. Někdy se v nich navíc používá koncept pozornosti, který se velmi dobře osvědčil v neuronových sítích typu transformer. Tento přístup k rozvrhování prací je ale teprve v počátečním stadiu a přináší řadu témat i pro začínající výzkum. Některým z nich by se měla zabývat navrhovaná diplomová práce.

Doporučená literatura

· K. Lei, P. Guo, Y. Wang, J. Xiong, W. Zhao. An End-to-end Hierarchical Reinforcement Learning Framework for Large-scale Dynamic Flexible Job-shop Scheduling Problem. International Joint Conference on Neural Networks, 2022.

· K. Lei, P. Guo, Y. Wang, J. Zhang, X. Meng et al. Large-Scale Dynamic Scheduling for Flexible Job-Shop with Random Arrivals of New Jobs by Hierarchical Reinforcement Learning, IEEE Transactions on Industrial Informatics, 2023.

· C.L. Liu, T.H. Huang. Dynamic Job-Shop Scheduling Problems Using Graph Neural Network and Deep Reinforcement Learning. IEEE Transactions on Systems, Man and Cybernetics: Systems, 2023.

· Z. Yang, L. Bi, X. Jiao. Combining Reinforcement Learning Algorithms with Graph Neural Networks to Solve Dynamic Job Shop Scheduling Problems, Processes, 2023.

· L. Zhang, Y. Feng, Q. Xiao, Y. Xu, D. Li et al. Deep reinforcement learning for dynamic flexible job shop scheduling problem considering variable processing times. Journal of Manufacturing Systems, 2023.