Aplicación de algoritmos de aprendizaje automático a la programación de órdenes de producción en talleres de trabajo: una revisión de la literatura reciente

• Efraín Pérez-Cubero ^[1] ; Raúl Poler ^[2]
  1. [1] Universidad de Costa Rica

     Universidad de Costa Rica

     Hospital, Costa Rica

     
  2. [2] Universidad Politécnica de Valencia

     Universidad Politécnica de Valencia

     Valencia, España

     
• Localización: Dirección y organización: Revista de dirección, organización y administración de empresas, ISSN 1132-175X, Nº 72, 2020, págs. 82-94
• Idioma: español
• DOI: 10.37610/dyo.v0i72.588
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen

  • El propósito de este artículo es identificar y analizar los algoritmos de aprendizaje automático propuestos recientemente, para dar solución al problema de programación y secuenciación de órdenes de producción en talleres de trabajo, a través de una revisión sistemática de las últimas publicaciones realizadas en este campo. Este estudio pretende proporcionar a los investigadores un punto de partida para la selección de los algoritmos de aprendizaje automático más prometedores para la solución de este tipo de problema, identificar las áreas de investigación más interesantes en la actualidad y proponer líneas de investigación futuras.

• Referencias bibliográficas
  • 1. Aydin, M. E., & Öztemel, E. (2000). Dynamic jobshop scheduling using reinforcement learning agents. Robotics and Autonomous Systems,...
  • 2. Błazewicz, J., Domschke, W., y Pesch, E. (1996). The job shop scheduling problem: Conventional and new solution techniques. European Journal...
  • 3. Bouška, M., Novák, A., Šůcha, P., Módos, I., y Hanzálek, Z. (2020). Data-driven algorithm for scheduling with total tardiness. ICORES 2020...
  • 4. Cunha, B., Madureira, A. M., Fonseca, B., y Coelho, D. (2020). Deep Reinforcement Learning as a Job Shop Scheduling Solver: A Literature...
  • 5. Dong, T., Xue, F., Xiao, C., y Li, J. (2020). Task scheduling based on deep reinforcement learning in a cloud manufacturing environment....
  • 6. González-Neira, E. M., Montoya-Torres, J. R., y Barrera, D. (2017). Flow-shop scheduling problem under uncertainties: Review and trends....
  • 7. Kim, H., Lim, D. E., y Lee, S. (2020). Deep Learning- Based Dynamic Scheduling for Semiconductor Manufacturing with High Uncertainty of...
  • 8. Lecun, Y., Bengio, Y., y Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi. org/10.1038/nature14539
  • 9. Lee, T. S., y Loong, Y. T. (2019). A review of scheduling problem and resolution methods in flexible flow shop. International Journal of...
  • 10. Lin, C. C., Deng, D. J., Chih, Y. L., y Chiu, H. T. (2019). Smart Manufacturing Scheduling with Edge Computing Using Multiclass Deep Q...
  • 11. Luo, S. (2020). Dynamic scheduling for flexible job shop with new job insertions by deep reinforcement learning. Applied Soft Computing...
  • 12. Martens, J., & Sutskever, I. (2011). Learning recurrent neural networks with Hessian-free optimization. Proceedings of the 28th International...
  • 13. Orhean, A. I., Pop, F., & Raicu, I. (2018). New scheduling approach using reinforcement learning for heterogeneous distributed systems....
  • 14. Ottoni, A. L. C., Nepomuceno, E. G., de Oliveira, M. S., y de Oliveira, D. C. R. (2020). Tuning of reinforcement learning parameters applied...
  • 15. Shahrabi, J., Adibi, M. A., & Mahootchi, M. (2017). A reinforcement learning approach to parameter estimation in dynamic job shop...
  • 16. Sharma, P., y Jain, A. (2016). A review on job shop scheduling with setup times. Proceedings of the Institution of Mechanical Engineers,...
  • 17. Shiue, Y. R., Lee, K. C., y Su, C. T. (2018). Real-time scheduling for a smart factory using a reinforcement learning approach. Computers...
  • 18. Stricker, N., Kuhnle, A., Sturm, R., y Friess, S. (2018). Reinforcement learning for adaptive order dispatching in the semiconductor industry....
  • 19. Uhlmann, I. R., y Frazzon, E. M. (2018). Production rescheduling review: Opportunities for industrial integration and practical applications....
  • 20. Wang, Y. C., y Usher, J. M. (2005). Application of reinforcement learning for agent-based production scheduling. Engineering Applications...
  • 21. Wang, Y. F. (2020). Adaptive job shop scheduling strategy based on weighted Q-learning algorithm. Journal of Intelligent Manufacturing,...
  • 22. Wang, Y., Liu, H., Zheng, W., Xia, Y., Li, Y., Chen, P., Guo, K., & Xie, H. (2019). Multi-objective workflow scheduling with deep-Q-network-based...
  • 23. Waschneck, B., Reichstaller, A., Belzner, L., Altenmüller, T., Bauernhansl, T., Knapp, A., & Kyek, A. (2018). Optimization of global...
  • 24. Wei, Y., Pan, L., Liu, S., Wu, L., y Meng, X. (2018). DRL-Scheduling: An intelligent QoS-Aware job scheduling framework for applications...
  • 25. Zang, Z., Wang, W., Song, Y., Lu, L., Li, W., Wang, Y., y Zhao, Y. (2019). Hybrid Deep Neural Network Scheduler for Job-Shop Problem Based...
  • 26. Zhang, J., Ding, G., Zou, Y., Qin, S., y Fu, J. (2019). Review of job shop scheduling research and its new perspectives under Industry...