Un approccio a Deep-Q Network per la programmazione di job shop con risorse di trasporto = A Deep Q-Network Approach to Job Shop Scheduling with Transport Resources

Il Job Shop Scheduling Problem (JSSP) è una sfida fondamentale nella gestione delle operazioni, caratterizzata dalla sua natura NP-hard e dalla complessità del coordinamento delle sequenze di lavoro su più macchine. Questa tesi affronta l'integrazione delle risorse di trasporto, come i veicoli a guida automatica (AGV) e i sistemi di trasporto, nel JSSP tradizionale, che aggiunge un significativo livello di complessità introducendo variabili aggiuntive come i tempi di trasporto e i vincoli di disponibilità. Per affrontare queste sfide, viene sviluppata una metodologia basata su Deep Q-Network (DQN), che sfrutta una rete neurale per approssimare i valori Q e guidare il processo decisionale in ambienti complessi e stocastici. Questo approccio è integrato da una formulazione MILP (Mixed Integer Linear Programming) per stabilire i vincoli di programmazione fondamentali. Attraverso un'ampia simulazione e un'analisi comparativa, questo studio dimostra l'efficacia di DQN nell'ottimizzazione della schedulazione in contesti JSSP che coinvolgono risorse di trasporto, contribuendo sia alla comprensione teorica che all'implementazione pratica di soluzioni di schedulazione guidate dall'apprendimento automatico in contesti produttivi.