L' Apprentissage individuel et collectif des agents d'ordonnancement pour l'atelier flexible
Author | : Rachel Lau |
Publisher | : |
Total Pages | : 151 |
Release | : 1997 |
ISBN-10 | : OCLC:492812053 |
ISBN-13 | : |
Rating | : 4/5 (53 Downloads) |
Book excerpt: Une des plus grandes difficultés du problème de la planification et de l'ordonnancement des Systèmes Flexibles de Production (SFP) est la commande en temps réel des opérations dynamiques de ces systèmes. Normalement l'ordonnancement à ce niveau suit, soit un ordonnancement prédictif calculé avant le début de la production, soit des décisions réactives élaborées en temps réel. L'ordonnancement prédictif nécessite des données précises, ce qui est souvent difficile à obtenir. L'ordonnancement réactif doit fournir une solution avec des contraintes de temps importantes. L'idée générale de notre recherche est de trouver des principes et des outils permettant d'améliorer conjointement l'ordonnancement prédictif et l'ordonnancement réactif par apprentissage mutuel. Nous commençons notre recherche par la réduction de la compexité du problème, le décomposant en plusieurs problèmes d'affectation des ressources, correspondant à chaque situation de prise de décision dans un SFP. Ensuite, nous introduisons la notion d'agents intelligents, entraînés par apprentissage supervisé, à l'aide d'exemples fournis par simulation. Chaque agent doit être capable de décider individuellement, sans l'assistance des autres agents. Bien que chaque agent soit "myope", étant limité à son propre problème d'ordonnancement, il est capable de proposer une solution réalisable dans un environnement de processus distribué. le point central de notre recherche est d'étudier le comportement collectif de ces agents. Lorsqu'ils sont ensembles, ils rencontrent des problèmes comme l'adaptation, la résolution des conflits, la compétition, et d'autres problèmes "sociaux". Chaque agent doit être jugé selon l'efficacité de sa contribution à l'objectif global de production. Utilisant ses retours d'informations, chaque agent peut améliorer sa performance, par l'apprentissage renforcé, comme membre d'une équipe. La mise en oeuvre de cette approche est testée sur un exemple