References
- 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.
- 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.
- 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.
- Akyol, D., Bayha,. G. (2007). A Review on Evolution of Production Scheduling with Neural Networks. Computers & Industrial Engineering 53(1): 95–122.
- 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.
- Bożejko, W., Uchroński, M., Wodecki, M. (2009). Równoległa metaheurystyka dla problemu gniazdowego z równoległymi maszynami. Zeszyty Naukowe AGH. Automatyka 13(2): 207–213.
- Demir, Y. Yilmaz, H. (2021). An Efficient Priority Rule for Flexible Job Shop Scheduling Problem. Journal of Engineering Research and Applied Science, 1906–1918.
- Grześ, A. (2014). Wykres Gantta a metoda ścieżki krytycznej (CPM). Optimum. Studia Ekonomiczne 6(72): 195–216.
- 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.
- Hangjoo, N. (2023). Optimal Operator Assignment in a Real-life Environment. Master’s thesis, Polytechnique Montréal.
- 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.
- 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
- 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
- Hureira, D., Vartanian, C. (2019). Machine Learning and Neural Networks for Real-Time Scheduling. University of Central Florida STARS, Florida.
- Jeffrey, H. (2005). A History of Decision-Making Tools for Production Scheduling. Multidisciplinary Conference on Scheduling: Theory and Applications, New York.
- Johnson, S.M. (1954). Optimal two- and three-stage production schedules. Naval Research Logistics Quarterly 1(1): 61–68.
- Khare, V., Khare, Ch., Nema, S., Baredar, P. (2019). Tidal Energy Systems. Design, Optimization and Control. Elsevier.
- Klimek, M. (2010). Predyktywno-reaktywne harmonogramowanie produkcji z ograniczoną dostępnością zasobów. PhD Thesis, Kraków.
- Klimek, M., Łebkowski, P. (2015). Harmonogramowanie projektu rozliczanego etapowo. Kraków: Wydawnictwa AGH.
- 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.
- Kosieradzka, A. (2018). Karola Adamieckiego wykreślna metoda racjonalnego organizowania procesu wytwarzania i jej współczesne kontynuacje. Przegląd Organizacji, May, 20–28.
- Kowalska, K., Sikora, L., Hadaś, Ł. (2017). Analiza zakłóceń procesu produkcyjnego na wybranym przykładzie. Zeszyty Naukowe Politechniki Poznańskiej. Organizacja i Zarządzanie 73: 145–158.
- Kudelina, K.T. et al. (2021). Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning. Applied Sciences 11: 2761.
- 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.
- 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.
- Lipski, J., Świć, A., Bojanowska, A. (2014). Innowacyjne metody w inżynierii produkcji. Lublin: Politechnika Lubelska.
- Lorencowicz, E. and Żak I. E.. (2012). Współczesne problemy zarządzania i inżynierii produkcji. Lublin: Towarzystwo Wydawnictw Naukowych LIBROPOLIS.
- Ławrynowicz, A. (2006). Zarządzanie produkcją w ogniwie sieci dostaw z zastosowaniem systemu eksperckiego i algorytmu genetycznego. Rozprawa habilitacyjna, Wydawnictwa Uczelniane Akademii Techniczno-Rolniczej, Bydgoszcz.
- 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.
- 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.
- 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).
- Pająk, E. (2006). Zarządzanie produkcją – produkt, technologia, organizacja. Warszawa: Wydawnictwo Naukowe PWN.
- Pawlak, M. (1999). Algorytmy ewolucyjne jako narzędzie harmonogramowania produkcji. Warszawa: Wydawnictwo Naukowe PWN.
- Purta, M., et al. (2017). Rewolucja AI: Jak sztuczna inteligencja zmieni biznes w Polsce. Warszawa: McKinsey & Company, Forbes Polska.
- 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.
- Rivera, G.L. et al. (2020). Genetic Algorithm for Scheduling Optimization Considering Heterogeneous Containers: A Real-World Case Study. Axioms 9: 27.
- Serrano-Ruiz, J., Mula, J., Poler, R. (2024). Job Shop Smart Manufacturing Scheduling by Deep Reinforcement Learning. Journal of Industrial Information Integration 38.
- Skoczypiec, S., Małopolski, W. (2024). Importance of Industry 4.0 Technologies for Development of Electrical Discharge Machining. AIP Conference Proceedings 3130: 020037.
- 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.
- Sobaszek, Ł., Świć, A., Gola, A. (2016). Koncepcja zastosowania narzędzi predykcji w projektowaniu harmonogramów odpornych. Zarządzanie Produkcją 2: 20–26.
- Sobaszek, Ł., Świć, A. Gola, A. (2021). Projektowanie harmonogramów odpornych w środowisku Job-Shop z wykorzystaniem narzędzi predykcji. Lublin: Wydawnictwo Politechniki Lubelskiej.
- Spence, I. (2006). William Playfair and the Psychology of Graphs. Annual Meeting, American Statistical Association; Papers Presented at the Joint Statistical Meetings, Seattle.
- 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.
- 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).
- Weaver, P. (2006). A Brief History of Scheduling – Back to the Future. Paper presented at myPrimavera Conference, Canberra, April 4–6.
- Wilson, J. (2003). Gantt Charts: A Centenary Appreciation. European Journal of Operational Research 149: 430–437.
- Winczaszek, M. (2006). Wybrane problemy szeregowania z optymalnym doborem przedziałów zakończenia wykonywania zadań. PhD Thesis, Wrocław.
- Wojakowski, P. (2012). Metoda projektowania przepływu produkcji w warunkach zmiennego zapotrzebowania. PhD Thesis Kraków.
- Woźniak, K. (2002). Charakterystyka zastosowań zintegrowanych systemów zarządzania przedsiębiorstwem klasy MRP, MRP II, ERP. Zeszyty Naukowe Akademii Ekonomicznej w Krakowie 574: 201–215.
- Zawadzka, L. (2007). Współczesne problemy i kierunki rozwoju elastycznych systemów produkcyjnych. Gdańsk: Wydawnictwo Politechniki Gdańskiej.
- Zawadzka, L., Badurek, J., Łopatowska, J. (2012). Inteligentne systemy produkcyjne: Algorytmy, koncepcje, zastosowania. Gdańsk: Wydawnictwo Politechniki Gdańskiej.
- 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.