Methodik für die selbstanpassende Lösung von Mehrzielplanungsproblemen

Planungspraktiken sind kritische Entscheidungsprozesse, die die Gesamtleistung von Cloud- und Produktionsumgebungen erheblich beeinflussen. Daher sind Planungsprobleme seit Jahrzehnten ein Hauptanliegen von Praktikern und Wissenschaftlern in diesem Bereich. Bei den meisten Planungsproblemen handelt es sich um bekannte NP-schwere Optimierungsprobleme. Daher werden üblicherweise Heuristiken und Verbesserungsmethoden eingesetzt, um Planungsprobleme zu lösen. Heuristische Methoden zeichnen sich durch eine kurze Ausführungszeit aus, sind aber nicht in der Lage, eine hohe Lösungsqualität für die Lösung komplexer Probleme zu gewährleisten. Verbesserungsmethoden liefern qualitativ hochwertige Lösungen, sind aber mit einem hohen Rechenaufwand verbunden. Daher wird eine Scheduling-Methodik vorgestellt, die den kombinierten Einsatz von heuristischen, metaheuristischen und Deep Reinforcement Learning-Methoden zur Lösung von Scheduling-Problemen in Cloud- und Produktionsumgebungen effizient ermöglicht. Da die meisten industriellen Planungsprobleme multikriteriellen Optimierungsmaßnahmen unterliegen, befasst sich die Methodik mit Planungsproblemen unter Berücksichtigung der Systemeffizienz und der Kundenzufriedenheit. Für das Design und die Entwicklung des vorgestellten Artefakts wurden Technologien zur Parallelisierung und Skalierbarkeit eingesetzt, um eine hohe Recheneffizienz zu erreichen.

Methodology for Self-Adaptively Solving Multi-Objective Scheduling Problems

Scheduling practices are critical decision-making processes that substantially influence the overall performance of cloud and manufacturing environments. Therefore, scheduling problems have been a primary concern of practitioners and scholars in this field for decades. The majority of scheduling problems are known NP-hard optimization problems. Hence, heuristic and improvement methods have been conventionally adopted to address scheduling concerns. Heuristic methods exhibit a light execution time but fail to sustain high solution quality for solving complex problems. Improvement methods deliver high-quality solutions but are associated with high computational effort. Therefore, a scheduling methodology is presented that efficiently facilitates the combined utilization of heuristic, metaheuristic, and deep reinforcement learning methods to solve scheduling problems in cloud and manufacturing environments. Since most industrial scheduling problems are subject to multi-objective optimization measures, the methodology addresses scheduling concerns considering system efficiency and customer satisfaction objective measures. Parallelization and scalability technologies have been adopted to design and develop the presented artifact to achieve computational efficiency.