Artificial Intelligence overview for optimizing production scheduling in a picture framing company

Abreu, L., Tavares-Neto, R., Nagano, M. (2021). A New Efficient Biased Random Key Genetic Algorithm for Open Shop Scheduling with Routing by Capacitated Single Vehicle and Makespan Minimization. Engineering Applications of Artificial Intelligence 104. Search in Google Scholar

Abubakar, A., Almeida, C.F.M., Gemignani, M. (2021). Review of Artificial Intelligence-Based Failure Detection and Diagnosis Methods for Solar Photovoltaic Systems. Machines 9: 328. Search in Google Scholar

Agrawal, A., Gans, J., Goldfarb, A. (2022). Prediction Machines, Insurance, and Protection: An Alternative Perspective on AI’s Role in Production. National Bureau of Economic Research 30177. Search in Google Scholar

Akyol, D., Bayha,. G. (2007). A Review on Evolution of Production Scheduling with Neural Networks. Computers & Industrial Engineering 53(1): 95–122. Search in Google Scholar

Bachman, A., Janiak, A., Kozik, A., Winczaszek, M. (2002). Przybliżone algorytmy rozwiązywania jednomaszynowego problemu szeregowania zadań o zmiennych wartościach. Zeszyty Naukowe Politechniki Śląskiej. Seria: Automatyka 1554(134): 23–32. Search in Google Scholar

Bożejko, W., Uchroński, M., Wodecki, M. (2009). Równoległa metaheurystyka dla problemu gniazdowego z równoległymi maszynami. Zeszyty Naukowe AGH. Automatyka 13(2): 207–213. Search in Google Scholar

Demir, Y. Yilmaz, H. (2021). An Efficient Priority Rule for Flexible Job Shop Scheduling Problem. Journal of Engineering Research and Applied Science, 1906–1918. Search in Google Scholar

Grześ, A. (2014). Wykres Gantta a metoda ścieżki krytycznej (CPM). Optimum. Studia Ekonomiczne 6(72): 195–216. Search in Google Scholar

Han, X. et al. (2024). A Dual Population Collaborative Genetic Algorithm for Solving Flexible Job Shop Scheduling Problem with AGV. Swarm and Evolutionary Computation 86. Search in Google Scholar

Hangjoo, N. (2023). Optimal Operator Assignment in a Real-life Environment. Master’s thesis, Polytechnique Montréal. Search in Google Scholar

Huang, K., Gong, W., Lu, C. (2024). An Enhanced Memetic Algorithm with Hierarchical Heuristic Neighborhood Search for Type-2 Green Fuzzy Flexible Job Shop Scheduling. Engineering Applications of Artificial Intelligence 130. Search in Google Scholar

Huang, P.-M., Lee, C.-H. (2021). Estimation of Tool Wear and Surface Roughness Development Using Deep Learning and Sensor Fusion. Sensors 21(16): 5338. https://doi.org/10.3390/s21165338 Search in Google Scholar

Huang, Z. et al. (2021). A Survey on AI-Driven Digital Twins in Industry 4.0: Smart Manufacturing and Advanced Robotics. Sensors 21(19): 6340. https://doi.org/10.3390/s21196340 Search in Google Scholar

Hureira, D., Vartanian, C. (2019). Machine Learning and Neural Networks for Real-Time Scheduling. University of Central Florida STARS, Florida. Search in Google Scholar

Jeffrey, H. (2005). A History of Decision-Making Tools for Production Scheduling. Multidisciplinary Conference on Scheduling: Theory and Applications, New York. Search in Google Scholar

Johnson, S.M. (1954). Optimal two- and three-stage production schedules. Naval Research Logistics Quarterly 1(1): 61–68. Search in Google Scholar

Khare, V., Khare, Ch., Nema, S., Baredar, P. (2019). Tidal Energy Systems. Design, Optimization and Control. Elsevier. Search in Google Scholar

Klimek, M. (2010). Predyktywno-reaktywne harmonogramowanie produkcji z ograniczoną dostępnością zasobów. PhD Thesis, Kraków. Search in Google Scholar

Klimek, M., Łebkowski, P. (2015). Harmonogramowanie projektu rozliczanego etapowo. Kraków: Wydawnictwa AGH. Search in Google Scholar

Korbiel, T., Czerwiński, S. and Kania, J. (2023). Utrzymanie ruchu oraz eksploatacja maszyn w przemyśle 4.0. Systemy Wspomagania w Inżynierii Produkcji 12(1): 137–151. Search in Google Scholar

Kosieradzka, A. (2018). Karola Adamieckiego wykreślna metoda racjonalnego organizowania procesu wytwarzania i jej współczesne kontynuacje. Przegląd Organizacji, May, 20–28. Search in Google Scholar

Kowalska, K., Sikora, L., Hadaś, Ł. (2017). Analiza zakłóceń procesu produkcyjnego na wybranym przykładzie. Zeszyty Naukowe Politechniki Poznańskiej. Organizacja i Zarządzanie 73: 145–158. Search in Google Scholar

Kudelina, K.T. et al. (2021). Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning. Applied Sciences 11: 2761. Search in Google Scholar

Li, W., Li, H., Wang, Y., Han, Y. (2024). Optimizing Flexible Job Shop Scheduling with Automated Guided Vehicles Using a Multi-Strategy-Driven Genetic Algorithm. Egyptian Informatics Journal 25. Search in Google Scholar

Liao, X., Zhang, R., Chen, Y., Song, S. (2024). A New Artificial Bee Colony Algorithm for the Flexible Job Shop Scheduling Problem with Extra Resource Constraints in Numeric Control Centers. Expert Systems with Applications 249, Part A. Search in Google Scholar

Lipski, J., Świć, A., Bojanowska, A. (2014). Innowacyjne metody w inżynierii produkcji. Lublin: Politechnika Lubelska. Search in Google Scholar

Lorencowicz, E. and Żak I. E.. (2012). Współczesne problemy zarządzania i inżynierii produkcji. Lublin: Towarzystwo Wydawnictw Naukowych LIBROPOLIS. Search in Google Scholar

Ławrynowicz, A. (2006). Zarządzanie produkcją w ogniwie sieci dostaw z zastosowaniem systemu eksperckiego i algorytmu genetycznego. Rozprawa habilitacyjna, Wydawnictwa Uczelniane Akademii Techniczno-Rolniczej, Bydgoszcz. Search in Google Scholar

Mohammadi, A. and Sheikholeslam F.. (2023). Intelligent Optimization: Literature Review and State-of-the-Art Algorithms (1965–2022). Engineering Applications of Artificial Intelligence 126, Part D. Search in Google Scholar

Odii, J., Okpalla C. and Ejem A.. (2016). Job Scheduling System Using Fuzzy Logic Approach. International Journal of Emerging Trends & Technology in Computer Science 42(2): 77–85. Search in Google Scholar

Ombati Momanyi, E., Oduol V. K. and Musyoki S.. (2014). First In First Out (FIFO) and Priority Packet Scheduling Based on Type of Service (TOS). Journal of Information Engineering and Applications 4(7). Search in Google Scholar

Pająk, E. (2006). Zarządzanie produkcją – produkt, technologia, organizacja. Warszawa: Wydawnictwo Naukowe PWN. Search in Google Scholar

Pawlak, M. (1999). Algorytmy ewolucyjne jako narzędzie harmonogramowania produkcji. Warszawa: Wydawnictwo Naukowe PWN. Search in Google Scholar

Purta, M., et al. (2017). Rewolucja AI: Jak sztuczna inteligencja zmieni biznes w Polsce. Warszawa: McKinsey & Company, Forbes Polska. Search in Google Scholar

Ren, J., Ye, C., Yang, F. (2021). Solving Flow-Shop Scheduling Problem with a Reinforcement Learning Algorithm that Generalizes the Value Function with Neural Network. Alexandria Engineering Journal 60(3): 2787–2800. Search in Google Scholar

Rivera, G.L. et al. (2020). Genetic Algorithm for Scheduling Optimization Considering Heterogeneous Containers: A Real-World Case Study. Axioms 9: 27. Search in Google Scholar

Serrano-Ruiz, J., Mula, J., Poler, R. (2024). Job Shop Smart Manufacturing Scheduling by Deep Reinforcement Learning. Journal of Industrial Information Integration 38. Search in Google Scholar

Skoczypiec, S., Małopolski, W. (2024). Importance of Industry 4.0 Technologies for Development of Electrical Discharge Machining. AIP Conference Proceedings 3130: 020037. Search in Google Scholar

Sobaszek, Ł. (2012). Metody harmonogramowania produkcji. Współczesne problemy zarządzania i inżynierii produkcji, E. Lorencowicz, I. Żak (Eds.), (pp. 79–82). Lublin: Towarzystwo Wydawnictw Naukowych Libropolis. Search in Google Scholar

Sobaszek, Ł., Świć, A., Gola, A. (2016). Koncepcja zastosowania narzędzi predykcji w projektowaniu harmonogramów odpornych. Zarządzanie Produkcją 2: 20–26. Search in Google Scholar

Sobaszek, Ł., Świć, A. Gola, A. (2021). Projektowanie harmonogramów odpornych w środowisku Job-Shop z wykorzystaniem narzędzi predykcji. Lublin: Wydawnictwo Politechniki Lubelskiej. Search in Google Scholar

Spence, I. (2006). William Playfair and the Psychology of Graphs. Annual Meeting, American Statistical Association; Papers Presented at the Joint Statistical Meetings, Seattle. Search in Google Scholar

Umam, M., Mustafid, M., Suryono, S. (2022). A Hybrid Genetic Algorithm and Tabu Search for Minimizing Makespan in Flow Shop Scheduling Problem. Journal of King Saud University – Computer and Information Sciences 34(9): 7459–7467. Search in Google Scholar

Uzorh, A., Innocent, C.N. (2014). Solving Machine Shop Scheduling Problems Using Priority Sequencing Rules Techniques. The International Journal of Engineering and Science (IJES) 3(6). Search in Google Scholar

Weaver, P. (2006). A Brief History of Scheduling – Back to the Future. Paper presented at myPrimavera Conference, Canberra, April 4–6. Search in Google Scholar

Wilson, J. (2003). Gantt Charts: A Centenary Appreciation. European Journal of Operational Research 149: 430–437. Search in Google Scholar

Winczaszek, M. (2006). Wybrane problemy szeregowania z optymalnym doborem przedziałów zakończenia wykonywania zadań. PhD Thesis, Wrocław. Search in Google Scholar

Wojakowski, P. (2012). Metoda projektowania przepływu produkcji w warunkach zmiennego zapotrzebowania. PhD Thesis Kraków. Search in Google Scholar

Woźniak, K. (2002). Charakterystyka zastosowań zintegrowanych systemów zarządzania przedsiębiorstwem klasy MRP, MRP II, ERP. Zeszyty Naukowe Akademii Ekonomicznej w Krakowie 574: 201–215. Search in Google Scholar

Zawadzka, L. (2007). Współczesne problemy i kierunki rozwoju elastycznych systemów produkcyjnych. Gdańsk: Wydawnictwo Politechniki Gdańskiej. Search in Google Scholar

Zawadzka, L., Badurek, J., Łopatowska, J. (2012). Inteligentne systemy produkcyjne: Algorytmy, koncepcje, zastosowania. Gdańsk: Wydawnictwo Politechniki Gdańskiej. Search in Google Scholar

Zhao, Y., Luo, X., Zhang, Y. (2024). The Application of Heterogeneous Graph Neural Network and Deep Reinforcement Learning in Hybrid Flow Shop Scheduling Problem. Computers & Industrial Engineering 187. Search in Google Scholar