Neural Network to Select Dynamic Scheduling Heuristics

ABSTRACT

Frequently, several heuristic strategies are relevant to a given production scheduling problem. A choice must be made among them whenever these heuristics have different performances, and when none of them is globally better than the other ones. A neural network approach for selecting the most suited heuristic is discussed. The configuration of the shop floor, the characteristics of the manufacturing program to be carried out, and the performance criteria to optimize are presented as inputs to the first layer. The most suitable heuristic is given as output. Such a neural network is trained using a large sample of simulation results as training examples. This technique is illustrated through the dynamic scheduling problem of a simplified flow shop. A back propagation neural network finds the most appropriate dispatching rules in ninety four percent of the cases. The benefits of the neural network approach over other possible methods are discussed.

RÉSUMÉ

Pour un probléme donné, lorsque plusieurs heuristiques d'ordonnancement sont applicables, la décision concernant l'heuristique á utiliser peut être difficile, s'il n'en existe pas une globalement meilleure que les autres. Le choix dépend de la configuration de l'atelier, du programme de fabrication, et des objectifs de production. Dans ce papier, nous proposons une approche basée sur un réseaux de neurones. Ce réseau apprend, á l'aide de résultats obtenus par simulation, á choisir l'heuristique la plus adéquate. Cette technique est illustrée dans le cadre d'un ordonnancement dynamique de type flow shop.

KEY WORDS:

• neural networks
• simulation
• dynamic scheduling
• machine learning
• manufacturing
• production management
• back propagation
• dispatching rules

MOTS-CLÉS:

• réseaux de neurones
• simulation
• ordonnancement dynamique
• production
• apprentissage