A Production Scheduling Framework for Reinforcement Learning Under Real-World Constraints
Das klassische Job Shop Scheduling Problem (JSSP) konzentriert sich auf die Optimierung der Durchlaufzeit unter deterministischen Bedingungen. Reale Produktionsumgebungen bringen jedoch zusätzliche Komplexitäten mit sich, die traditionelle Planungsansätze weniger effektiv machen. Reinforcement Learning (RL) bietet hier Potenzial, da Agenten adaptive Planungsstrategien erlernen können. Es fehlt jedoch an umfassenden Frameworks, um RL-Agenten unter realen Bedingungen effektiv zu trainieren und zu evaluieren. Um diese Lücke zu schließen, stellen wir ein modulares Framework vor, das klassische JSSP-Formulierungen um wichtige reale Einschränkungen wie Transportlogistik, Puffermanagement, Maschinenausfälle, Rüstzeiten und stochastische Prozessbedingungen erweitert und auch mehrkriterielle Optimierung unterstützt. Das Framework ist anpassbar und ermöglicht die Definition verschiedener Probleminstanzen und Simulationsparameter. Eine standardisierte Schnittstelle gewährleistet die Kompatibilität mit verschiedenen RL-Ansätzen und ermöglicht so den standardisierten Vergleich verschiedener Planungsmethoden unter dynamischen und unsicheren Bedingungen. Wir veröffentlichen JobShopLab als Open-Source-Tool für Forschung und Industrie: https://github.com/proto-lab-ro/jobshoplab