مناقشة رسالة دكتوراه في الذكاء الاصطناعي للسيد Abebaw Degu

يسرّ الجامعة الأورومتوسطية بفاس (UEMF) أن تبلغ الجمهور بمناقشة رسالة دكتوراه في »الذكاء الاصطناعي’’

ستُعقد مناقشة الرسالة يوم Samedi 22 Juin 2024 à 09h30 à l’UEMF
المكان : القاعة الكبرى للحاضنة (LOC001994) 

ستُعرض الرسالة من قبل السيد Abebaw Degu WORKNEH تحت عنوان:
”التكامل بين الذكاء والتحسين الذاتي في جدولة محلات العمل للتصنيع الذكي”

ملخص

الذكاء المدعوم بمنهجيات الذكاء الاصطناعي برز خلال العقود الماضية كمحرك مهم لصناعات التصنيع، دافعًا نمو التصنيع الذكي. أُعطيت للذكاء الاصطناعي الكلاسيكي قدرات أكبر في الصناعات المعاصرة، مما أسفر عن الذكاء الصناعي، وهو الآن الأساس التكنولوجي لصناعة التصنيع الذكي. تقدم بيئات التصنيع الذكي تحديات فريدة في جدولة محلات العمل نظرًا لبيئة الآلات المعقدة، وتدفقات البيانات في الوقت الحقيقي، والطبيعة الديناميكية، الأمر الذي يتطلب مناهج جدولة ديناميكية وتكيفية لتحسين عمليات الإنتاج بفعالية. تعقد تعقيدات التصنيع الذكي، حيث تتصل الآلات ببعضها وتتغير بيئات الإنتاج بسرعة، من مهمة استخدام تقنيات الجدولة التقليدية. توفر قابلية تكيف التعلم المعزز وقدرات اتخاذ القرار القائمة على البيانات حلًا فعالًا محتملاً. تبحث هذه الرسالة في التطبيقات العملية لخوارزميات التعلم المعزز للتصدي لهذه التحديات وتحسين جدولة محلات العمل في سياق التصنيع الذكي. يقترح نموذج تعلم معزز عميق يتضمن ميزات وأحداثًا ديناميكية مختلفة، مثل عطل الماكينة وإعادة العمل، لمشكلة جدولة محلات العمل (JSSP) بهدف تقليل زمن الإنجاز الكلي. تُصاغ مشكلة الجدولة كعملية اتخاذ قرار متسلسلة لتصوير الطبيعة التفاعلية لبيئة الإنتاج الفعلية. تم تطوير نهج حل جدولة عام أيضًا لمشكلة جدولة محلات العمل المرنة (FJSSP). النهج هو شبكة Q ثلاثية عميقة (TDQN) تتميز بعطل الماكينة، إدخال الوظائف، إعداد الماكينة، ووقت معالجة عشوائي. السمة المميزة لهذا النهج هي القدرة على توليد جدول بكفاءة وبشكل مستمر مع تأخير إجمالي أقل، وقدرته على تعلم سياسة مثلى بسرعة (في تكرارات أقل) مقارنة بـ DQN وDDQN، وثباته. تم تقييم نماذج التعلم المعزز العميق لمشكلة JSSP بتطبيقها على أمثلة من مجموعات بيانات معروفة في OR-tools. من ناحية أخرى، تم تدريب نموذج TDQN وتقييمه على مثال مُولد افتراضيًا، وهو، وفق علمنا، الأول

نهج تعلم معزز عميق وحل جدولة يتضمن أحداثًا ديناميكية متعددة في بيئة FJSSP، وهو ما يصعب العثور عليه. بالنسبة للمشكلة التي تتوفر لها معايير مرجعية، تشير النتائج إلى أن حل التعلم المعزز العميق المقترح منافس مع أفضل الطرق في الأدبيات. وبالمثل، تم تقييم نتائج نهج TDQN بناءً على أداء النموذج في تعلم سياسة مستقرة وتحقيق أقل تأخير إجمالي مقارنة بنموذجي DQN وDDQN مع تكوين FJSSP مشابه. في الختام، تؤكد هذه الدراسة على المزايا الأساسية للتعلم المعزز في تحسين جدولة محلات العمل داخل بيئات التصنيع الذكي. من خلال اعتماد التعلم المعزز، يمكن للمصنّعين معالجة المشاكل الواقعية وتعظيم كفاءة الإنتاج، مما يزيد من تنافسيتهم في منظومة التصنيع الذكي.
 

Keywords— التعلم المعزز العميق، جدولة محلات العمل، التصنيع الذكي، الجدولة الذكية، التحسين، اتخاذ القرار المتسلسل

ستُعرض هذه الأطروحة أمام أعضاء لجنة المناقشة :