論文の概要: Optimizing Fairness in Production Planning: A Human-Centric Approach to Machine and Workforce Allocation

• arxiv url: http://arxiv.org/abs/2510.01094v1
• Date: Wed, 01 Oct 2025 16:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.671046
• Title: Optimizing Fairness in Production Planning: A Human-Centric Approach to Machine and Workforce Allocation
• Title（参考訳）: 生産計画におけるフェアネスの最適化--機械と作業員の配置への人間中心的アプローチ
• Authors: Alexander Nasuta, Alessandro Cisi, Sylwia Olbrych, Gustavo Vieira, Rui Fernandes, Lucas Paletta, Marlene Mayr, Rishyank Chevuri, Robert Woitsch, Hans Aoyang Zhou, Anas Abdelrazeq, Robert H. Schmitt,
• Abstract要約: 提案システムは,自動車業界のドメインエキスパートによる16のテストセッションを通じて検証される。 その結果,CPをベースとしたスケジューリング手法は,信頼性の低いコンパクトで実現可能な生産計画を生成することが示唆された。
• 参考スコア（独自算出の注目度）: 55.71151342699622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a two-layer, human-centric production planning framework designed to optimize both operational efficiency and workforce fairness in industrial manufacturing. The first layer formulates the Order-Line allocation as a Constraint Programming (CP) problem, generating high-utilization production schedules that respect machine capacities, processing times, and due dates. The second layer models Worker-Line allocation as a Markov Decision Process (MDP), integrating human factors such as worker preference, experience, resilience, and medical constraints into the assignment process. Three solution strategies, greedy allocation, MCTS, and RL, are implemented and compared across multiple evaluation scenarios. The proposed system is validated through 16 test sessions with domain experts from the automotive industry, combining quantitative key performance indicators (KPIs) with expert ratings. Results indicate that the CP-based scheduling approach produces compact, feasible production plans with low tardiness, while the MDP-based worker allocation significantly improves fairness and preference alignment compared to baseline approaches. Domain experts rated both the Order-Line and Worker-Line components as effective and highlighted opportunities to further refine the objective function to penalize excessive earliness and improve continuity in worker assignments. Overall, the findings demonstrate that combining CP with learning-based decision-making provides a robust approach for human-centric production planning. The approach enables simultaneous optimization of throughput and workforce well-being, offering a practical foundation for fair and efficient manufacturing scheduling in industrial settings.
• Abstract（参考訳）: 本研究は,産業生産における作業効率と労働公正性の両方を最適化するために設計された,2層型人中心生産計画フレームワークを提案する。 第1のレイヤは、制約プログラミング(CP)問題としてオーダーライン割り当てを定式化し、マシン能力、処理時間、スケジュールを尊重する高可用性生産スケジュールを生成する。 第2のレイヤでは、Markov Decision Process(MDP)としてWorker-Lineアロケーションをモデル化し、作業者の好みや経験、レジリエンス、医療的制約といったヒューマンファクタを割り当てプロセスに統合する。 グリーディアロケーション、MCTS、RLの3つのソリューション戦略が実装され、複数の評価シナリオで比較される。 提案システムは,自動車業界の専門家16名を対象に,定量的キーパフォーマンス指標(KPI)と専門家評価を併用して評価を行った。 その結果,CPをベースとしたスケジューリング手法は,コンパクトで実現可能な生産計画を生成するとともに,MDPをベースとした作業員の割り当ては,ベースラインアプローチに比べて公正さと嗜好の整合性を大幅に向上させることがわかった。 ドメインの専門家は、オーダーラインとワークラインの両方のコンポーネントを効果的に評価し、過剰なイヤーラインを罰し、労働者の割り当ての継続性を改善する客観的機能をさらに洗練する機会を強調した。 全体として、CPと学習に基づく意思決定を組み合わせることは、人間中心の生産計画に堅牢なアプローチをもたらすことが示されている。 このアプローチはスループットと従業員の幸福を同時に最適化し、工業環境での公正かつ効率的な製造スケジュールのための実践的な基盤を提供する。

関連論文リスト

• Control and Automation for Industrial Production Storage Zone: Generation of Optimal Route Using Image Processing [49.1574468325115]
  本稿では,DIPを用いた生産ラインモデルのゾーンに対する産業自動化手法の開発に焦点をあてる。 新カスケード法は、それぞれの段階を適切な方法で定義し、関連する手法を開発に含めることを可能にした。 システムはOpenCVライブラリをベースとしており、Java言語に基づいたオブジェクト指向プログラミング(OOP)プラットフォーム上に実装された人工視覚に焦点を当てたツールである。
  論文  参考訳（メタデータ） (2024-03-15T06:50:19Z)
• Accelerate Presolve in Large-Scale Linear Programming via Reinforcement Learning [92.31528918811007]
  本稿では,P1)-(P3) を同時に扱うための簡易かつ効率的な強化学習フレームワーク,すなわち,事前解決のための強化学習(RL4Presolve)を提案する。 2つの解法と8つのベンチマーク(実世界と合成)の実験により、RL4Presolveは大規模LPの解法効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-10-18T09:51:59Z)
• Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning [73.19312285906891]
  フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。 近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。 本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T01:35:48Z)
• A Memetic Algorithm with Reinforcement Learning for Sociotechnical Production Scheduling [0.0]
  本稿では、フレキシブルジョブショップスケジューリング問題(DRC-FJSSP)に深層強化学習(DRL)を適用したメメティックアルゴリズムを提案する。 産業における研究プロジェクトから、フレキシブルマシン、フレキシブルなヒューマンワーカー、作業能力、セットアップと処理操作、材料到着時間、材料製造の請求書の並列タスク、シーケンス依存のセットアップ時間、人間と機械のコラボレーションにおける(一部)自動化タスクを検討する必要性を認識します。
  論文  参考訳（メタデータ） (2022-12-21T11:24:32Z)
• Distributional Reinforcement Learning for Scheduling of (Bio)chemical Production Processes [0.0]
  強化学習(Reinforcement Learning, RL)は、最近、プロセスシステム工学と制御コミュニティから大きな注目を集めている。 本稿では,生産スケジューリング問題に共通して課される優先的制約と解離的制約に対処するRL手法を提案する。
  論文  参考訳（メタデータ） (2022-03-01T17:25:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。