Implementation of Case-Based Reasoning and Reinforcement Learning in Job Shop Scheduling with multiagent system

Translate to : by

---

FINAL ASSESSMENT ABSTRACT

NIM : 13504158
Name : Yohanes
Mentor : Nur Ulfa Maulidevi, S. T., M.Sc.
Title : Implementation of Case-Based Reasoning and Reinforcement Learning in Job Shop Scheduling with multiagent system

Job shop scheduling is a manufacturing-proses scheduling problem model which aims to minimize total elapsed time to finish given jobs (makespan) . This model is able to cover many scheduling problems in real world, such as vehicles assembly, electronic equipments manufacturing, food productions .etc. This problem is NP-hard. It means that it will be difficult to find optimal solution for this problem as its complexity increasing.

Solution of job shop scheduling problems can be found by using scheduler with certain computational ability : mathematic formulas, branch and bound or approximations. But nowadays, using only one scheduler to find the solution is considered ineficient. Distributed system (using multiple scheduler) is introduced as a promising solution for this computational problem.

In this assessment, multiagent system is designed and built to implement distibuted scheduling (with multiple scheduler) to solve job shop scheduling problem. Multiagent system uses reasoning and learning abilities to find optimal solution for each job shop scheduling problems. This system uses case-based reasoning to keep and use its knowledge and uses reinforcement learning to develop its knowledge.

After building and testing this multiagent system, which uses case-based reasoning and reinforcement learning, writer concludes that this system is able to solve job shop scheduling problems and able to learn to produce optimal solution for each job shop scheduling problems.

==========================================

ABSTRAK TUGAS AKHIR PROGRAM SARJANA

NIM : 13504158
Nama : Yohanes
Pembimbing : Nur Ulfa Maulidevi, S. T., M.Sc.
Judul : Penerapan Case-Based Reasoning dan Reinforcement Learning pada Job Shop Scheduling dengan sistem multiagent

Job shop scheduling adalah model permasalahan penjadwalan pekerjaan manufaktur yang bertujuan memperoleh total waktu pengerjaan (makespan) minimum. Model permasalahan ini dapat digunakan untuk memodelkan banyak permasalahan penjadwalan di dunia nyata, seperti perakitan kendaraan, pembuatan alat elektronik , produksi makanan .dll. Permasalahan ini bersifat NP-hard sehingga untuk tingkat kesulitan yang semakin tinggi, sangat sulit untuk menemukan solusi optimal dari sebuah kasus job shop scheduling.

Solusi dari permasalahan job shop scheduling ini dapat ditemukan dengan menggunakan sebuah penjadwal (scheduler) dengan kemampuan komputasi tertentu (formula matematika, branch and bound atau aproksimasi). Tapi seiring dengan kebutuhan komputasi yang semakin besar, penggunaan sebuah penjadwal tidak lagi efisien. Perkembangan sistem komputasi dewasa ini bergerak ke arah komputasi terdistribusi sehingga penjadwal pun berkembang mengikutinya.

Dalam tugas akhir ini, penulis membangun sistem multiagent untuk mengimplementasikan penjadwalan terdistribusi pada permasalahan job shop scheduling. Sistem multiagent ini memiliki kemampuan penalaran dan pembelajaran untuk dapat menentukan solusi terbaik untuk permasalahan yang berbeda secara otomatis. Sistem ini menggunakan case-based reasoning sebagai penalarannya dan reinforcement learning sebagai pembelajarannya.

Setelah membangun dan menguji sistem multiagent dengan case-based reasoning dan reinforcement learning ini, penulis menyimpulkan bahwa sistem multiagent dapat menyelesaikan permasalahan job shop scheduling dan dapat belajar untuk menghasilkan solusi yang optimal untuk setiap jenis permasalahan.