ترجمه فارسی مقاله الگوریتم عملی-بهینه برای زمان‌بندی تولید: یک تغییر پارادایم که منجر به پیشرفت‌هایی در مقیاس و عملکرد می‌شود

چکیده

The Practimum-Optimum (P-O) algorithm represents a paradigm shift in developing automatic optimization products for complex real-life business problems such as large-scale manufacturing scheduling. It leverages deep business domain expertise to create a group of virtual human expert (VHE) agents with different “schools of thought” on how to create high-quality schedules. By computerizing them into algorithms, P-O generates many valid schedules at far higher speeds than human schedulers are capable of. Initially, these schedules can also be local optimum peaks far away from high-quality schedules. By submitting these schedules to a reinforced machine learning algorithm (RL), P-O learns the weaknesses and strengths of each VHE schedule, and accordingly derives reward and punishment changes in the Demand Set that will modify the relative priorities for time and resource allocation that jobs received in the prior iteration that led to the current state of the schedule. These cause the core logic of the VHE algorithms to explore, in the subsequent iteration, substantially different parts of the schedules universe and potentially find higher-quality schedules. Using the hill climbing analogy, this may be viewed as a big jump, shifting from a given local peak to a faraway promising start point equipped with knowledge embedded in the demand set for future iterations. This is a fundamental difference from most contemporary algorithms, which spend considerable time on local micro-steps restricted to the neighbourhoods of local peaks they visit. This difference enables a breakthrough in scale and performance for fully automatic manufacturing scheduling in complex organizations. The P-O algorithm is at the heart of Plataine Scheduler that, in one click, routinely schedules 30,000-50,000 tasks for real-life complex manufacturing operations.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم Practimum-Optimum (P-O) نشان دهنده تغییر پارادایم در توسعه محصولات بهینه سازی اتوماتیک برای مشکلات پیچیده تجاری در زندگی واقعی مانند برنامه ریزی تولید در مقیاس بزرگ است.این تخصص دامنه تجاری عمیق را برای ایجاد گروهی از مأمورین متخصص انسانی مجازی (VHE) با “مدارس فکری” مختلف در مورد چگونگی ایجاد برنامه های با کیفیت بالا به کار می برد.P-O با رایانه سازی آنها به الگوریتم ها ، بسیاری از برنامه های معتبر را با سرعت بسیار بالاتری تولید می کند تا برنامه ریزان انسانی قادر باشند.در ابتدا ، این برنامه ها همچنین می توانند قله های بهینه محلی دور از برنامه های با کیفیت بالا باشند.P-O با ارسال این برنامه ها به یک الگوریتم یادگیری ماشین تقویت شده (RL) ، نقاط ضعف و نقاط قوت هر برنامه VHE را می آموزد ، و بر این اساس تغییرات پاداش و مجازات را در مجموعه تقاضا که اولویت های نسبی را برای زمان و تخصیص منابع دریافت می کند ، به دست می آورد.در تکرار قبلی که منجر به وضعیت فعلی برنامه شد.اینها باعث می شود منطق اصلی الگوریتم های VHE ، در تکرار بعدی ، بخش های قابل ملاحظه ای از جهان برنامه ها را کشف کنند و به طور بالقوه برنامه های با کیفیت بالاتر پیدا کنند.با استفاده از قیاس کوهنوردی تپه ، این ممکن است به عنوان یک پرش بزرگ تلقی شود و از یک اوج محلی معین به یک نقطه شروع امیدوارکننده دور و مجهز به دانش تعبیه شده در تقاضا برای تکرارهای آینده منتقل شود.این یک تفاوت اساسی از اکثر الگوریتم های معاصر است ، که زمان قابل توجهی را برای میکرو مراحل محلی محدود شده به محلات قله های محلی که از آنها بازدید می کنند ، می گذرانند.این تفاوت باعث دستیابی به موفقیت در مقیاس و عملکرد برای برنامه ریزی کاملاً اتوماتیک در سازمانهای پیچیده می شود.الگوریتم P-O در قلب Plataine Scheduler قرار دارد که با یک کلیک ، به طور معمول 30،000-50،000 وظیفه را برای عملیات تولید پیچیده در زندگی واقعی برنامه ریزی می کند.