| Título : |
Genetic Programming for Production Scheduling : An Evolutionary Learning Approach |
| Tipo de documento: |
documento electrónico |
| Autores: |
Zhang, Fangfang, Autor ; Nguyen, Su, Autor ; Mei, Yi, Autor ; Zhang, Mengjie, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XXXIII, 336 p. 154 ilustraciones, 105 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1648595-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Aprendizaje automático Sistemas expertos (Informática) Ingeniería Industrial Ingeniería de Producción La investigación de operaciones Sistemas basados en el conocimiento Ingeniería Industrial y de Producción Investigación de Operaciones y Teoría de la Decisión |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Este libro presenta a los lectores un enfoque de aprendizaje evolutivo, específicamente la programación genética (GP), para la programación de la producción. El libro esta dividido en seis partes. En la Parte I, proporciona una introducción a la programación de la producción, los métodos de solución existentes y el enfoque GP para la programación de la producción. También se presentan las características de los entornos de producción, la formulación de problemas, un marco de GP abstracto para la programación de la producción y los criterios de evaluación. La Parte II muestra varias formas en que se puede emplear GP para resolver problemas de programación de producción estática y sus conexiones con métodos convencionales de investigación operativa. A su vez, la Parte III muestra cómo diseñar algoritmos GP para problemas de programación de producción dinámica y describe técnicas avanzadas para mejorar el rendimiento de GP, incluida la selección de características, modelado sustituto y operadores genéticos especializados. En la Parte IV, el libro aborda cómo utilizar la heurística para abordar objetivos múltiples y potencialmente conflictivos en problemas de programación de producción, y presenta un enfoque multiobjetivo avanzado con técnicas de coevolución cooperativa o representaciones de múltiples árboles. La Parte V demuestra cómo utilizar técnicas de aprendizaje multitarea en el espacio hiperheurístico para la programación de producción. También muestra cómo las técnicas sustitutas y las estrategias de selección asistida de tareas pueden beneficiar el aprendizaje multitarea con GP para aprender heurísticas en el contexto de la programación de producción. La Parte VI completa el texto con una visión del futuro. Dado su alcance, el libro beneficia a científicos, ingenieros, investigadores, profesionales, posgraduados y estudiantes universitarios en las áreas de aprendizaje automático, inteligencia artificial, computación evolutiva, investigación de operaciones e ingeniería industrial. |
| Nota de contenido: |
Part I Introduction -- 1 Introduction -- 2 Preliminaries -- Part II Genetic Programming for Static Production Scheduling Problems -- 3 Learning Schedule Construction Heuristics -- 4 Learning Schedule Improvement Heuristics -- 5 Learning to Augment Operations Research Algorithms -- Part III Genetic Programming for Dynamic Production Scheduling Problems -- 6 Representations with Multi-tree and Cooperative Coevolution -- 7 Efficiency Improvement with Multi-fidelity Surrogates -- 8 Search Space Reduction with Feature Selection -- 9 Search Mechanism with Specialised Genetic Operators -- Part IV Genetic Programming for Multi-objective Production Scheduling Problems -- 10 Learning Heuristics for Multi-objective Dynamic Production Scheduling Problems -- 11 Cooperative Coevolutionary for Multi-objective Production Scheduling Problems -- 12 Learning Scheduling Heuristics for Multi-objective Dynamic Flexible Job Shop Scheduling -- Part V Multitask Genetic Programming for Production Scheduling Problems -- 13 Multitask Learning in Hyper-heuristic Domain with Dynamic Production Scheduling -- 14 Adaptive Multitask Genetic Programming for Dynamic Job Shop Scheduling -- 15 Surrogate-Assisted Multitask Genetic Programming for Learning Scheduling Heuristics -- Part VI Conclusions and Prospects -- 16 Conclusions and Prospects. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Genetic Programming for Production Scheduling : An Evolutionary Learning Approach [documento electrónico] / Zhang, Fangfang, Autor ; Nguyen, Su, Autor ; Mei, Yi, Autor ; Zhang, Mengjie, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2021 . - XXXIII, 336 p. 154 ilustraciones, 105 ilustraciones en color. ISBN : 978-981-1648595-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Aprendizaje automático Sistemas expertos (Informática) Ingeniería Industrial Ingeniería de Producción La investigación de operaciones Sistemas basados en el conocimiento Ingeniería Industrial y de Producción Investigación de Operaciones y Teoría de la Decisión |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Este libro presenta a los lectores un enfoque de aprendizaje evolutivo, específicamente la programación genética (GP), para la programación de la producción. El libro esta dividido en seis partes. En la Parte I, proporciona una introducción a la programación de la producción, los métodos de solución existentes y el enfoque GP para la programación de la producción. También se presentan las características de los entornos de producción, la formulación de problemas, un marco de GP abstracto para la programación de la producción y los criterios de evaluación. La Parte II muestra varias formas en que se puede emplear GP para resolver problemas de programación de producción estática y sus conexiones con métodos convencionales de investigación operativa. A su vez, la Parte III muestra cómo diseñar algoritmos GP para problemas de programación de producción dinámica y describe técnicas avanzadas para mejorar el rendimiento de GP, incluida la selección de características, modelado sustituto y operadores genéticos especializados. En la Parte IV, el libro aborda cómo utilizar la heurística para abordar objetivos múltiples y potencialmente conflictivos en problemas de programación de producción, y presenta un enfoque multiobjetivo avanzado con técnicas de coevolución cooperativa o representaciones de múltiples árboles. La Parte V demuestra cómo utilizar técnicas de aprendizaje multitarea en el espacio hiperheurístico para la programación de producción. También muestra cómo las técnicas sustitutas y las estrategias de selección asistida de tareas pueden beneficiar el aprendizaje multitarea con GP para aprender heurísticas en el contexto de la programación de producción. La Parte VI completa el texto con una visión del futuro. Dado su alcance, el libro beneficia a científicos, ingenieros, investigadores, profesionales, posgraduados y estudiantes universitarios en las áreas de aprendizaje automático, inteligencia artificial, computación evolutiva, investigación de operaciones e ingeniería industrial. |
| Nota de contenido: |
Part I Introduction -- 1 Introduction -- 2 Preliminaries -- Part II Genetic Programming for Static Production Scheduling Problems -- 3 Learning Schedule Construction Heuristics -- 4 Learning Schedule Improvement Heuristics -- 5 Learning to Augment Operations Research Algorithms -- Part III Genetic Programming for Dynamic Production Scheduling Problems -- 6 Representations with Multi-tree and Cooperative Coevolution -- 7 Efficiency Improvement with Multi-fidelity Surrogates -- 8 Search Space Reduction with Feature Selection -- 9 Search Mechanism with Specialised Genetic Operators -- Part IV Genetic Programming for Multi-objective Production Scheduling Problems -- 10 Learning Heuristics for Multi-objective Dynamic Production Scheduling Problems -- 11 Cooperative Coevolutionary for Multi-objective Production Scheduling Problems -- 12 Learning Scheduling Heuristics for Multi-objective Dynamic Flexible Job Shop Scheduling -- Part V Multitask Genetic Programming for Production Scheduling Problems -- 13 Multitask Learning in Hyper-heuristic Domain with Dynamic Production Scheduling -- 14 Adaptive Multitask Genetic Programming for Dynamic Job Shop Scheduling -- 15 Surrogate-Assisted Multitask Genetic Programming for Learning Scheduling Heuristics -- Part VI Conclusions and Prospects -- 16 Conclusions and Prospects. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
