מבוא ל Flow Shop Scheduling ו- Multi-objective Optimization

תזמון חנות Flow הוא אבן הפינה של מחקר תפעול וניהול הייצור, הכולל את ריצוף של קבוצה סופית של משרות על פני מכונות מרובות בסדר שנקבע מראש.הבעיה הקלאסית הזו עולה בתעשיות החל מרקם למחצה ניצול הרכב, שבו ניצול משאבים יעיל משפיע ישירות על עלות, באמצעות חישוב, וסיפוק של לקוחות.

טכניקות אופטימיזציה רב-אובייקטיביות הופיעו ככלי חיוני לצמצום ההסכמים המורכבים הללו.במקום לייצר לוח זמנים "אופטימי" יחיד, שיטות אלה יוצרות מערך של פתרונות אופטימליים של Pareto – כל אחד המייצג איזון שונה בין המטרות.פתרון הוא Pareto אופטימלי אם אין שום מטרה יכולה לשפר ללא שיפור נוסף.

החשיבות של תזמון זרימה רב-אובייקטיבי משתרע מעבר לייצור.זה חל על לוגיסטיקה (למשל, צמצום זמן ההובלה וצריכת הדלק), בריאות (למשל, ניתוחים למזער זמני המתנה וצוות לאורך זמן), ושירות (למשל, קביעת חריצים עבור נוחות הלקוח ושימוש משאבים) כשרשראות אספקה הופכות דינמיות יותר ודורשות יותר, היכולת לייצר מספר תעשיות מותרות - לא לוח זמנים תחרותי יותר.

הבנה של אופטימיזציה רב-אובייקטיבית ב- Flow Shop Scheduling

בחנות זרימה טיפוסית של טיהור, FLT:0nearFLT ( 1 מקומות עבודה מעובדים על FLT:2mcioFLT 3 מכונות באותו רצף.

  • (ב) [ה]הההתערות: [ה] [ה]] [ה]]]] [ה]]][ה]]]][ה]][ה]]]][ה]]]], [הזמן הכולל מתחילת העבודה הראשונה במכונה האחרונה.
  • (ב) עיין:0) זמן זרימה מוחלט (TFT): כפל 1: 1 (סכום של השלמת כל העבודות.מדד זה משקף מלאי עבודה ותגובה.
  • (ב) ,0) זמן idle: FLT:1 הזמן המצטבר של מכונות, המציין ניצול משאבים.
  • (ב) ,0) , ניכוי: 1 (ה) , סכום העיכובים מעבר למועדים הבאים, קריטי עבור שביעות רצון הלקוחות.
  • (ב) צריכת האנרגיה:0 (הראשונה) 1FLT) חשובה יותר לייצור בר-קיימא.

מטרות אלה הן בדרך כלל סותרות.חשב שתי לוחות זמנים: אחד שממזער את תוחלת העבודה על ידי אצווה עבודה יחד עשוי להגדיל את זמן זרימת העבודה עבור עבודה אישית, בעוד לוח זמנים כי עומסי מכונה עשויים להפחית את זמן ההשתלה אבל להגדיל את תוחלת הייצור הכוללת. אופטימיזציה רב-אובייקטיבית לא מחפש לוח זמנים "טוב ביותר" יחיד, אלא מגלה את המבנה של סכסוכים אלה.

הדומיננטיות של פארטה היא הרעיון המרכזי: פתרון A שולט בפתרון B אם A אינו גרוע יותר מאשר B בכל המטרות, וטוב יותר לחלוטין לפחות אחד.ההגדרה הלא-מאומתת - אלה שאינם נשלטים על ידי כל אחד אחר - מפורמים את חזית פארטה. מקבלי ההחלטות יכולים לנתח משטחים של סחר-off, לעתים קרובות ויזואלית עם פיזור או ⁇ מקבילות, כדי לבחור לוח זמנים המציע את הטוב ביותר לפשרות בהקשר הספציפי שלהם.

טכניקות אופטימיזציה מרובות אובססיביות

מגוון של שיטות מטא-הירויות ומדויקות פותחו כדי להשוות את חזית Pareto עבור תזמון חנות זרימה. להלן הם הגישות הנפוצות ביותר ונחקר.

אלגורית'מים גנטיים (GAs)

אלגוריתמים גנטיים מעוררים השראה על ידי ברירה טבעית. בהקשר של תזמון קניות, כל כרומוזום מייצג את ההסתה של משרות (תוכנית מועמד) האלגוריתם מתפתח אוכלוסייה על פני דורות באמצעות בחירה, מעבר, ומפעילי מוטציות.כדי להתמודד עם מטרות מרובות, GAs משלבים הקצאת כושר מבוססת Pareto-based - לדוגמה, באמצעות דירוג Pareto, שבו הכושר של אדם תלוי כמה פתרונות שולטים.

יתרון מפתח של GAs הוא היכולת שלהם לשמור על מגוון רחב של פתרונות באמצעות מנגנונים כמו המרחק או שיתוף כושר.בתזמון קניות, מגוון זה חיוני כי החלל האובייקטיבי יכול להיות מאוד לא-convex והפסקתי. GAs כבר בהצלחה ליישם בעיות קטנות עד בינוני עם עד 20 מקומות עבודה ו 10 מכונות, אבל הם יכולים להיאבק עם יכולת מדרג; גדל כוח חיפוש עם ספירה, ביצוע מקרים אינטנסיביים עבור עבודה אינטנסיבית.

יישום מעשי לעתים קרובות להשתמש מפעילי צלב מותאם אישית (למשל, חלקית ממפה צלב או צו צו צו צלב) המותאמים ל- permutation ⁇ .עלית שימור - שמירה על הפתרונות הלא מזוהים הטובים ביותר - מסייע להאיץ את ההתכנסות לקראת חזית פארוטו האמיתית.

Multi-Objective Particle Swarm Optimization (MOPSO)

MOPSO מבוססת על התנהגות חברתית של צאן של ציפורים או בתי ספר של דגים.באלגוריתם PSO הסטנדרטי, כל חלקיק (פתרון פוטנציאלי) עובר דרך חלל החיפוש המושפע ממצבו הידוע ביותר שלו ואת המיקום הידוע ביותר בעולם.עבור בעיות מרובות-אובייקטיביות, MOPSO מאמת מסגרת זו על ידי שמירה על מאגר של פתרונות לא מזוהים.

בתזמון קניות זרימה, MOPSO הוכח להיות יעיל במיוחד לבעיות עם חללים אובייקטיביים רצופים או כאשר חזית Pareto היא חלק.האלגוריתם הוא יעיל חישובי, לעתים קרובות דורש פחות הערכות תפקוד מאשר GAs כדי לכסות חזית רחבה. עם זאת, זה יכול לסבול מהדבקה כאשר הארכיון הופך להיות מוגזמות או כאשר מנגנון הבחירה המוביל אינו מאזן כראוי וניצול.

יישום טיפוסי של MOPSO עבור 50-עבודה, 10 מ"ל גרר מקרה קניות קמעונאית השיג שיפור של 15% בכיסוי חזית Pareto בהשוואה ל- GA סטנדרטית, כפי שדווח במחקר ב-FLT:0a 2010 על PSO ב- Flow shopFLT:1.

Non-dominatedמיין Geneticing Genetics Algorithm II (NSGA-II)

NSGA-II הוא ככל הנראה האלגוריתם האבולוציוני הפופולרי ביותר עבור תזמון חנות זרימה.פיתוח על ידי דב et al., הוא משתמש בשתי מנגנונים ליבה: לא מחוסנים לדרג פתרונות לחזית, ומרחק המונים לשמירה על מגוון בתוך כל החזית.האלגוריתם הוא מהיר (O(NFve:02FLT:1) מורכבות עבור מטרות ו- Nitis), ופתרונות EST, והוא היה מאוד.

עבור בעיות חנות זרימה, NSGA-II מתאים בקלות: הכרומוזום הוא amutation, ומפעילי צלב כמו צו crossover או יחיד נקודה צולב עובד טוב.האלגוריתם מצטיין בהפקת חזיתות מבוזרות היטב Pareto אפילו בבעיות עם הרבה אופטימיזציה מקומית (FLT:0a מחקר מקיף של 120 מקרים של ציון 1FLT:1, NS-GA-II באופן עקבי מחוץ לטווח ארוך (הדור כולל) ו- 2D2D) במונחים אחרים (בדרך כלל) במונחים)

הגבלה אחת היא כי NSGA-II יכול להתאסף בטרם עת אם מפעילי החצוצרה והמוטציות אינם מכוונים בקפידה. הרחבות האחרונות, כגון NSGA-III (שמשתמשים בנקודות התייחסות למטרות ממדיות גבוהות), נחקרים עבור תזמון חנות זרימה עם ארבעה או יותר קריטריונים סותרים.עם זאת, עבור שלושה או פחות מטרות, NSGA-II נשאר בסיס אמין ולעתים קרובות בחירה מעשית.

אסטרטגיות אבולוציוניות (ES)

אסטרטגיות אבולוציוניות שונות מ- GAs בכך שהן מדגישות מוטציות ותפיסת עצמי של פרמטרים אסטרטגיה (למשל, גדלים מדרגות) ולא recombination. ב ES רב-אובייקטיביים, האוכלוסייה היא לעתים קרובות קטנה, והבחירה מבוססת על אי-הבחנה.ה- λ +) אסטרטגיה אלטיסית נפוצה, שבה הורים μ מייצרים λ צאצאים, ואת הμ הטוב ביותר בין האנשים המשולבים כדי לשרוד הדור הבא.

עבור תזמון קניות זרימה, ES יכול להיות יעיל כאשר הנוף הוא מחוספס מסורתי מייצרת הרבה פשטות בלתי סביר או נמוך איכות מוטציות.ההגדרה העצמית של התחייבויות מוטציות מאפשר לאלגוריתם לאזן את המחקר והניצול ללא תזמון ידני.עבודה חדשה הוכיחה כי אסטרטגיה רב-אובייקטיבית של הסתגלות (MO-CMA-S) באופן נרחב על פני גירסאות גבוהות יותר של חנות LTII (אך בעיקר עלות) עם בעיות חישוביות גבוהות יותר של ⁇ .

צילום: Flow Shop Scheduling

טכניקות אופטימיזציה רב-אובייקטיביות כבר הוצבו על פני הקשרים תעשייתיים ושירות שונים לפתרון סכסוכים בתזמון. להלן אזורי יישום בולטים עם דוגמאות קונקרטיות.

ייצור: מינימום איפור וזמן זרימה מוחלט

בחניון מודפס בינוני (PCB) מתקן הייצור כולל עד שמונה תחנות קבועות: יישום של מאפה נמכר, איסוף ומיקום, זרימה, בדיקה ובדיקה. ג'ובס (סוגים אחרים של PCB) מעובדים באותו סדר דרך כל התחנות - חנות סטנדרטית של שינוי משקל, שנועדה להפחית את משך הזמן (לעמוד בחלונות קשים) ולהגדיל את זמן קצר לאחר מכן (בטווח קצר יותר של 50 אחוזים) אך ורק לאחר מכן, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, אם כן, אם כן, טיפול ב-2% מצמצם את לוח הזמנים המהיר ביותר של לוח הזמנים של המערכת).

ארכיון תגיות: Truck Scheduling at Cross-Docks

מסופי קרוס-דוקקינג מתמודדים עם בעיה דמוית חנות זרימה שבה יש להימנע ממשאיות בשפע, פריטים ממומנות, ומשאיות מחוסנות ברצף קבוע. מטרות כוללות צמצום סך המשאיות בזמן הכוללות במגירה (הארכה) ולהפחית את זמן הדלפק של כוח העבודה. A Multi-objective חלקיקים נוצץ מודל אופטימיזציה, משולב עם סימולציה של מרכז מוצרים גדול, מותרת על ידי הפעלת משאית עד 15% לפני זמן קצר לפני הספירה לאחור, ללא לוח זמנים של עד 18 אחוזים של עבודה.

בריאות: Surgical Scheduling with Multiple Criteria

בבית חולים ציבורי, תזמון ניתוחים בחירה על פני חדרים תפעוליים מרובים (מכונות) ניתן מודל כחנות זרימה שבה ניתוחים (עבודה) חייבים לעבור דרך הכנה לפני הניתוח עצמו, ושיקום. מטרות כוללות צמצום זמן ההמתנה הארוך ביותר (פונדקאית לשביעות רצון המטופל) וצמצום האופטימיזציה של זמן ניתוח.

אתגרים וכיוונים עתידיים

למרות יעילותם המוכחת, טכניקות אופטימיזציה מרובות-אובייקטיביות לתזמון חנות הזרימה מתמודדות כמה מכשולים מעשיים.

מורכבות קולקטיבית ו Scalability

בעיות חנות זרימה הן NP-Hard עבור יותר משני מכונות, אפילו עבור מקרים חד-משמעיים.כאשר מספר מטרות מתווספים, הנטל חישובי עולה באופן משמעותי.שיטות Exact כמו ענף-and-bound יכולות רק לפתור מקרים קטנים מאוד (עד כ-15 מקומות עבודה ו-5 מכונות) בשל הגידול הנימוק במספר המוטציות האפשריות.

פתרונות Scaling Solutions

  • מודלים של FLT:0Surgate: FLT:1Build learning Models (למשל, רשתות עצביות, תהליכים גאוסיים) יכולים לייחס את התפקודים האובייקטיביים, להפחית את העלות של הערכות כושר.
  • שיטות למניעה:0 (FLT:1; Multi-Objective Evolutionary Algorithm מבוסס על Decomposition) שובר את הבעיה למספר תת-קרקעיים, כל אחד מהם פתר בנפרד, והראה הבטחה למקרים גדולים של קניות.
  • (FLT:0)Parallel ו- GPU מחשוב: ההרחבה 1 (DIRLT:1) הערכה מופחתת של אוכלוסיות על אשכולות או GPUs יכול לקצץ זמן קיר משעות עד דקות.

איכות הפתרונות הראשונים ו-Constraints

אלגוריתמים רבים מתחילים עם אוכלוסיות פתרון אקראיות, תוך הסתמכות מוקדמת על לוחות זמנים נמוכים. קר-מחדש עם פתרונות המוערכים על-ידי היסטרי (למשל, NEH עבור הגרלות, EDD עבור תאריכים מועדים) יכול לספק התחלה ראש.עם זאת, הדמיון הירריסטי עשוי להטיא את האוכלוסייה לעבר אזורים מסוימים של החלל האובייקטיבי, הגבלת מגוון היברידית, שחלק מהאוכלוסיה הראשונית עם פתרונות אקראיים עם פתרונות אלה לעתים קרובות עם פתרונות אקראיים.

דינמי ו unreality Handling

סביבות ייצור בעולם האמיתי הן לעתים נדירות סטטיות.מכונות התמוטטות, ביטולי עבודה, ופקודות העומס דורשות לוח זמנים rescheduling. Multi-objective אופטימיזציה תחת אי הוודאות הדינמית הוא אזור מחקר פעיל.שיטות כגון תזמון תזמון תזמון (באמצעות מודלים תזמון תזמון תזמון סטוצמטיים של אירועים עתידיים) ואסטרטגיות תגובתיות (למשל, אלגוריתמים מולטי-צייתנים שתיקון מהיר לאחר הפרעה) פותחים טכנולוגיות חכמות של אינטגרציה - "מספקות"מספקות" חיישנים"מספקות"מתקני אבטחה" (זמן רב-זמן רב-"מחדש"מחדש" (זמן רב-זמן-" (זמן-" חיישנים" (כגון אינטגרציה) נקראים חיישנים"מחדש" אינטגרציה"מספקטי-זמן רב-זמן רב-זמן-זמן-זמן-מחדש" (זמן-מחדש" אינטגרציה) וטכנולוגיות אבטחה"מחדש" עם חיישנים טכנולוגיים של חיישנים טכנולוגיים של חיישנים טכנולוגיים של חיישנים" חיישנים טכנולוגיים של חיישנים" (זמן רב-מחדשניים-" חיישנים" (זמן רב-זמן רב-מחדשניים-מחדשניים-מחדשניים-

אלגוריתמים היברידיים

אף אחד מטא-הירויסטרי שולט בכל המקרים הבעייתיים.גישות היברידיות המשלבות חיפוש גלובלי (למשל, NSGA-II) עם חיפוש מקומי (למשל, סימולציה של annealing או חיפוש לשוני) לעתים קרובות לייצר חזיתות פארטו גבוהות יותר.לדוגמה, NSGA היברידית-II עם טכניקת חיפוש שכונתית משתנה הוכח לשפר את ההתכנסות והמגוון על ידי עד 20% ב-cotextextextextextextationstations, הם יכולים לשלב אלגוריתם של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים, בדומה לאלגוריתם בדיקה גנטית.

אינטגרציה למידת מכונות

(הגבול המרגש הוא השימוש של למידת מכונה כדי להנחות את תהליך החיפוש.הלימוד של Reinforcement יכול להכשיר סוכנים לבחור crossover או מפעילי מוטציות באופן דינמי ליצור רשתות יריבות (גנים) יכול, בעיקרון, ליצור נקודות פתיחה מבטיחות בחזית Pareto. Surgate מודלing, כאמור, יכול להאיץ הערכות, פרמטר מבוסס למידה (למשל, באמצעות Bayreas) עם גודל חישובי מופחתת של 502F) כלומר, כלומר, 000 זמן, 000 חישובי, 000 זמן, 000.

יישום Multi-Objective Optimization in Practice

עבור מתרגלים המבקשים לאמץ את הטכניקות האלה, התהליך בדרך כלל כרוך בכמה שלבים:

  1. (FLT:0) מטרות ומגבלות: FLT:1) בעלי עניין של אנגאז' (מנהלי הפקה, מתכננים לוגיסטיקה וכו ') להקים את KPIs וטווחי סחר מקובלים.
  2. (FLT:0) בחר אלגוריתם: FLT:1 NSGA-II הוא ברירת מחדל חזקה עבור עד ארבעה מטרות; MOPSO עשוי לבחור אם תקציב חישובי הוא חזק; היברידי או MOEA / D לבעיות גדולות יותר.
  3. (ב) ,0) ,Encode את ייצוג הפתרון: FLT:1 Permutation ⁇ הוא סטנדרטי עבור חנויות זרימה, אבל יש לקחת טיפול עם צלב ומוטציות כדי להבטיח את האפשרות.
  4. (ב) ,0) ,Gate ואמת את חזית פארטו: ההרחבה: 1:1 להפעיל את האלגוריתם, דמיין את התוצאות (למשל, עם קואורדינטות מקבילות או מפת חום), ולהציג בפני מקבלי ההחלטות.
  5. (FLT:0Select לוח זמנים סופי:FLT:1ir השתמש בכלים בקבלת החלטות מרובות-ביקורתיות (למשל, TopSIS, משקל) כדי לבחור פתרון אחד מראש.
  6. (FLT:0) מוניטור והתאמה: FLT:1 כפי שמשתנים התנאים, להפעיל מחדש את האופטימיזציה או להשתמש בגרסה דינמית של האלגוריתם.

תוכנה מסחרית (למשל, OptaPlanner, Gorobi עם הרחבות מרובות objective) וספריות קוד פתוח (pymoo, DEAP) יכולות להאיץ את יישום הבחירה בין קוד מותאם אישית לבין פתרונות מחוץ ל- Shelf תלוי בגודל הבעיה וגמישות הנדרשת.

מסקנה

טכניקות אופטימיזציה רב-אובייקטיביות שינו את תזמון החנות מהתעמלות נוקשה, יחיד-ביקורת לתוך תהליך תמיכה גמישה של החלטות אלגוריתמיות, אלגוריתמים סטריליים, NSGA-II, ואסטרטגיות אבולוציוניות כל אחת מציעה נקודות חוזק ייחודיות ליצירת חזיתות שונות של פאארוטו. יישומי Real-world בייצור, לוגיסטיקה, ורפואה מפגינים שיפורים מוחשיים הן יעילות והן שביעות רצון של חומרים חישוביים, בעוד שעדיין לא בטוחים ודינמיקה, יישארו אתגרים חיוניים יותר, כמו גם אלגוריתמים חיוניים יותר, כמו גם אלגוריתמים חיוניים יותר, כמו אלגוריתמים חיוניים יותר, כמו גם אלגוריתמים של מערכות הפעלה אינטראקטיביים, כמו גם אלגוריתמים של אלגוריתמים חיוניים יותר, כמו אלגוריתמים מתקדמים יותר, כמו גם אלגוריתמים חיוניים יותר, כמו גם אלגוריתמים מתקדמים יותר, כמו גם אלגוריתמים של אלגוריתמים מתקדמים יותר, כמו אלגוריתמים של מערכות ניהוליים, להמשיך אלגוריתמים, כמו אלגוריתמים של מערכות ניהוליים, כמו גם אלגוריתמים חיוניים יותר, כדי להמשיך אלגוריתמים של אלגוריתמים של אלגוריתמים מתקדמים יותר, כמו אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים אינטראקטיביים, להמשיך אלגוריתמים אינטראקטיביים,