חנות סטרימינג Scheduling

תזמון חנות זרימה הוא בעיה בסיסית במחקר תפעול והנדסה תעשייתית הכוללת ריצוף של מקומות עבודה באמצעות סדרה של מכונות בסדר קבוע.כל עבודה חייבת לבקר כל מכונה בדיוק פעם אחת, ואת סדר העיבוד זהה לכל מקומות העבודה.המטרה היא בדרך כלל למזער את התוספת (לזמן השלמת המעבר), זמן זרימה כולל, או אמצעי ביצועים אחרים כגון tardiness או זמן idle.

היסטריסטים הם אלגוריתמים לפתרון בעיות כי הקרבת אופטימליות למהירות.הם ממנפים ידע דומיין, כללי אצבע, או חיפוש סטוצ'י כדי לחקור את מרחב הפתרון ביעילות.העתידים של חנות הזרמה נחקרו באופן נרחב מאז שנות החמישים, עם כללים מוקדמים כמו האלגוריתם של ג'ונסון עבור שתי מכונות ומאוחר יותר כלליזציה המודרנית נע בין כללים פשוטים למטאורטיקנים מתוחכמת המשלבים ניצול השוואתי זה מספק ניתוח טיפוסי של שיטות, ומקרים אופייניים, הוא משתמש יותר, הוא, הוא, שימוש במגבלות אופייניות ביותר, ומגבלותיהם.

שיטות תיירותיות נפוצות

זרמי חנויות היסטרים נופלים לשתי קטגוריות רחבות: איראנים קונסטרוקטיביים, אשר בונים לוח זמנים מאפס, ושיפור היוריסטיים, שמתחילים מתזמון אפשרי ומשפרים אותו באופן הדרגתי.חלק מהשיטות משלבות את שתי האסטרטגיות.

המונחים: Dispatching Rules

כללים מועדפים הם היוריסטים הבונים החופשיים ביותר.הם להקצות כל עבודה בעדיפות על בסיס תכונות כמו זמן עיבוד, תאריך מראש או שעת הגעה, ועבודות רצף על מנת עדיפות.

  • זמן עיבוד קצר (SPT)FIRLT:1: משרות עם זמן עיבוד קטן ביותר מתוכננים ראשון. SPT ממזער זמן זרימה ממוצע אבל יכול להגדיל את תוחלת.
  • (ב) ⁇ :0) הראשון בא ראשון (FCFS) ,(FS)cioFLT:1: משרות מעובדות על מנת להגיע.
  • (ב) [15] תאריך ה-iate (EDD)EveFLT:1: משרות עם התאריכים המוקדמים ביותר הם preitized, לעתים קרובות משמש לצמצום החששות.
  • (ב) פרק 1:0) זמן עיבוד ארוך (LPT)FIRLT:1: מול SPT, המשמש כמה תרחישים כדי לאזן עומס.

כללים מועדיים הם מהירים מאוד (ראה:0)O(n log nreave)FLT) ומורכבות 1:1) וקלה ליישום, מה שהופך אותם מתאימים לתזמון בזמן אמת.

השכן הקרוב ביותר (NEH) Heuristic

ה- NEH Heuristic (Nawaz, Enscore, & Ham) הוא אחד השיטות היעילות ביותר עבור פיזור בחנות הזרמה.זה עובד בשני שלבים:

  1. (ב) ,0) הוראת הוראת אמת: מקומות עבודה במשרה חלקית בהוראת זמן עיבוד לא-מחדש (מעל לכל המכונות).
  2. (ב) ⁇ :0 [ה]הבאה [ה]: קח את העבודה הראשונה כרצף הראשוני, ולאחר מכן להוסיף באופן רציונאלי כל עבודה לאחר מכן לעמדה הטובה ביותר (המצמציינת את הספנספן) ברצף החלקי הנוכחי.

(ה) ,הכוח של ה-NH הוא ביכולתו לייצר פתרונות איכותיים במהירות.(השימוש בו לעיתים קרובות כנקודת ציון ונקודת התחלה לשיפור היוריסטים. Complexity הוא FLT:0O(m nirFLT:13FLT:2)03FLT 3:2) עבור FLT:4mFLT:5 מכונות ו-FLT6nal 7, אך ניתן להשתמש בתכונות קטנות יותר.

אלגורית'מים גנטיים (GAs)

אלגוריתמים גנטיים הם מטא-האיראנים המבוססים על אוכלוסייה בהשראת הברירה הטבעית.הם מקודדים לוחות זמנים ככרומוזומים (למשל, הגשמה של מקומות עבודה) ומפתחים אותם לאורך דורות באמצעות מפעילי:

  • (FLT:0S-בחירתFLT:1) : בחרו הורים המבוססים על כושר (למשל, ערך ערך ערך ערך ערך) שיטות נפוצות כוללות בחירת טורניר ובחירת גלגל רולטה.
  • (FLT:0CrossoverFLT:1: שילוב שני רצפי הורה לייצר צאצאים.עבור בעיות של שינוי, מפעילי כמו חלקית ממפה חלקית צלבובר (PMX) או צו צו חוצה (OX) משמרים סדר יחסי.
  • (בלטינית:0) מוטציות: שינוי אקראי בכרומוזום (למשל החלפת שתי משרות, שינוי עבודה במיקום חדש) כדי לשמור על המגוון.
  • (ב) ⁇ :0) ⁇ ⁇ : שמור את האנשים הטובים ביותר למנוע אובדן של פתרונות באיכות גבוהה.

GAs לחקור מרחב פתרון רחב ויכולים להימלט מהאופטימה המקומית.הם גמישים ויכולים להתמודד עם מטרות מורכבות (למשל, חנויות זרימה מרובות אובססיביות) עם זאת, הם דורשים כוונון זהיר של פרמטרים (גודל פופולריות, שיעור מעבר, שיעור מוטציות) וייתכן כי יקר חישובי ערך עבור מקרים גדולים.

Simulated Annealing (SA)

(הופנה מהדף ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

היתרון העיקרי של SA הוא היכולת שלה להימלט אלאופטימה המקומית, במיוחד בטמפרטורות גבוהות.זה כבר מיושם בהצלחה על בעיות רבות של חנות זרימה. ביצועים רגישים לוח הזמנים הקירור ובחירת מפעיל השכונה.עם קצב קירור איטי, SA יכולה לגשת לאופטימום הגלובלי אבל הופך איטי.

חיפוש טאבו (TS)

החיפוש טאבו הוא עתידן משופר המשתמש במבנים זיכרון (רשימות לב) כדי להימנע משיקום פתרונות שנחקרו לאחרונה. החל מפתרון ראשוני, TS חוקר את השכונה ובוחר את הפתרון הטוב ביותר שאינו טאבו (או מקובל אם הוא פוגש קריטריון שאיפה) את רשימת ה- tabu מתעד תכונות של מהלכים אחרונים (למשל, החלפת מקומות עבודה) כדי למנוע מספר מסוים של זה (או שיפור), כאשר אין תוצאות חיפוש).

TS מציע איזון טוב בין חקר וניצול.זה לעתים קרובות מייצרת פתרונות באיכות גבוהה עם זמן חישובי מתון. Variants כוללים חיפוש לשוניות תגובתי (תיקון גודל רשימת הכרטיסייה באופן דינמי) ו TS היברידי עם זרמיים אחרים. יישום פשוט של TS עבור זרימת בדרך כלל משתמש חילופי או כניסה וכהונת 10–20.

שיטות תיירותיות אחרות

מעבר לקלאסיקה, כמה מהתיירות האחרות פותחו לתזמון חנות זרימה:

  • (FLT:0) Ant Colony Optimization (ACO)earFLT:1: מודלים התנהגות של הנמלים. Artificial ants לבנות פתרונות על ידי בחירת רצפי עבודה מבוסס על שבילים pheromone ומידע הירריסטי (למשל, עיבוד זמן).
  • (FLT:0)Particle Swarm Optimization (PSO)BuildFLT:1: השתמש באוכלוסייה של חלקיקים העוברים דרך מרחב הפתרון, התאמת עמדותיהם על בסיס עמדות אישיות וגלובליות.
  • (הופנה מהדף ⁇ :0) חיפוש מקומי (ILS)IRLT:1; Applies a Local Search (למשל, ירידה תלולה) מפתרון התחלה, ולאחר מכן מפריע לאופטימום המקומי כדי ליצור נקודת התחלה חדשה, חוזר על מספר פעמים.
  • (FLT:0) חיפוש בשכונה (VNS)IRLT:1: שינויים שיטתיים מבני השכונה במהלך החיפוש כדי להימלט מהאופטימה המקומית.

ניתוח השוואתי

בחירת היוריסטי תלויה בסולם הבעיה, דרישות איכות הפתרון, ומשאבים חישוביים זמינים. להלן השוואה סיכום המבוססת על מקרים סטנדרטיים (למשל, ערכות מבחן Taillard עבור תזמון חנות זרימה).

פתרון איכות

כללים מועדפים ו-Heists פשוט להשיג בדרך כלל פערים של 10-20% מעל הפתרון האופטימלי או הידוע ביותר. NEH מבצע הרבה יותר טוב, לעתים קרובות בתוך 3-5% של אופטימלים. Metaheuristics (GA, SA, TS) יכול להגיע לפערים של 0–1% בהתחשב מספיק זמן ריצה. בין metaheuristics, TS ו- GA היברידית נוטים להיות עקביים יותר על פני בעיות שונות, בעוד SA עשויה לדרוש ביצועים תחרותיים פחות מאשר כוונון.

זמן פיצוי

כללים מועדפים הם המהירים ביותר (מילות שנייה למאות מקומות עבודה) NEH הוא מעט איטי אך עדיין מעשי (שניות למקרים בינוניים) מטאהירויים משתנים באופן נרחב: GA טיפוסית עם אוכלוסייה 100 ו 1000 דורות עשויים לרוץ במשך דקות עבור מקרים גדולים (למשל, 100 מקומות עבודה, 20 מכונות), בעוד SA עם לוח זמנים קירור איטי יכול להיות מהיר יותר מאשר GA לכל היותר, אבל ייתכן כי יש צורך בעדיפות גבוהה (כלומר, או בעדיפות גבוהה יותר), אלא אם כן, כלומר, כלומר, אם כן, יש צורך בעדיפות גבוהה של אלפי משרות).

רובה

רובוסטנטיות מתייחסת לעקביות של איכות הפתרון בכל מקרי בעיה שונים. NEH הוא מאוד חזק עבור minimization של dospan. GA ו SA יכול להיות רגיש להגדרות פרמטר; דינגוד GA עשוי להתאסף מוקדם או לא כדי לחקור. ביצועי TS הוא פחות רגיש לפרמטרים מאשר SA, אם כי גודל רשימת הכרטיסייה שלו הוא היברידי המשלבת קונסטרוקטיבי (H) עם שיפור (TS) עם שיפור (S) נוטה להיות חזק ביותר להיות חזק יותר).

ביצועים Metrics

כאשר בוחנים את היוריסטים, משתמשים במספר מדדים:

  • (ב) ⁇ (ה-Civspan) (CivFLT:1maxcioFLT:2) ,(R) ,3: זמן מלא החל מעבודה ראשונה להשלמת העבודה האחרונה במכונה האחרונה.
  • (ב) ,0) ,Fal TimesFLT:1: Sum ofהשלמת Times of allמשרות.Minimizing Flow time מקטין את המלאי ב-Progress.
  • (ב) [15] ,[[1924]]]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]
  • (ב) מספר ה-Trive JobsFLT:1: ספירת מקומות עבודה שמסתיימת לאחר תאריך היעד שלהם.
  • (ב) ,0) ,(הזמן של מכונת idle; צמצום השימוש במכונה עולה.

ניתן להתמחות בכל מדד.לדוגמה, ה- NEH הוא עתיד עבור dospan, בעוד EDD ושאר כללים מבוססי-תאריך יעד נחיתות. Multi-objective אופטימיזציה (למשל, חזית פארטה) הוא אזור מחקר פעיל.

גישות היברידיות והתקדמות חדשה

אף אחד מהתיירותי אינו שולט בכל המקרים של בעיות, שיטות היברידיות משלבות טכניקות מרובות כדי למנף את נקודות החוזק שלהם.הכלי ההיברידיים המשותפים כוללים:

  • (ב) ,0) ,NeH + LocalBuild SearchFLT:1: השתמש ב- NEH כדי ליצור פתרון ראשוני טוב, ולאחר מכן החל סימולציה של annealing או חיפוש לשוני לשיפור.
  • (ב) ⁇ 0) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) בקרת פרדוקסים חלופיים (FLT:1: התאמת GA או SA פרמטרים במהלך הריצה המבוססת על התנהגות חיפוש (למשל, טמפרטורה מחדש של מוטציות הסתגלותיות).
  • (FLT:0) Machine LearningאינטגרציהFLT:1: מודלים של תוקפנות לרכב או סוכני למידה חיזוק לחזות מהלכים טובים או לבחור היסטרים דינמיים באופן דינמי.

מחקר עדכני חוקר גם את ה-FLT:0עננים ומחשוב מקבילה 1 (FLT:1 ), כדי להאיץ את המטא-העתידיים המבוססים על האוכלוסייה בכל שלב.שדה ממשיך להתפתח, עם מודולים חדשים ותסמיני בעיות (למשל, חנות ללא נטיעת, חנות היברידית, זרימה גמישה, גמישה, זרימת דם גמישה, גמישה).

בחירת העתידן הנכון

בחירתו של עתידן לתזמון קניות תלויה במספר גורמים מעשיים:

  • (FLT:0) גודל ומורכבות של ההרחבה:1: עבור מקרים קטנים עד בינוניים (10-50 משרות, עד 20 מכונות), שיטות מדויקות עשויות להיות ניתנות להשגה, אבל אם לא, NEH או מטא-היסט פשוט כמו TS עובד טוב.
  • (FLT:0) דרישות איכות של Solution דרישות איכות (FLT:1): אם פתרונות קרובים-אופטימיים הם חובה (למשל, בייצור גבוה באמצעות ציוד), GA היברידית או TS עם זמן ריצה ארוך יותר מוצדק.
  • מקורות חישוביים:0 (Available Materialsal ResourcesFLT:1): מחשוב ענן או עבודות עוצמתיות מאפשרות שימוש בשיטות אינטנסיביות יותר חישוביות כמו GA עם אוכלוסיות גדולות.
  • (FLT:0) המאמץ הרב-מחדש (FLT:1): כללים מועדפים ו- NEH הם טריוויאליים לקוד. SA ו-TS דורשים מאמץ מתון; GA היא מורכבת יותר אך מגובשת היטב. ACO ו- PSO דורשים אפשרויות עיצוב נוספות לבעיות דיסקרטיות.
  • (FLT:0) סביבות דינמיות (Dynamicib) 1FLT: כמה מערכות ייצור להתמודד עם מקומות עבודה חדשים המגיעים לאורך זמן (תזמון מקוון) פשוט לשלוח כללים מועדפים בהגדרות כאלה בשל מהירותם והתאמה.

בנצ'ור במקרים מייצגים מומלץ מאוד, חוקרים רבים משתמשים בחנות התפוצה של ההרחבה (FLT:0)Taillard Flow Indexs Index, 1 או FLT:2OR-Library מקרים של ההרחבה 3D כדי להשוות את הביצועים.

מסקנה

תזמון חנות זרימה נשאר בעיה אופטימיזציה משולבת מאתגרת עם רלוונטיות תעשייתית משמעותית.שיטות הייסטרוניות מציעות גשר מעשי בין יכולת חישובית ואיכות פתרון. בעוד כללים פשוטים עדיפות ו- NEH הואייר לספק פתרונות מהירים, מקובלים עבור תרחישים רבים, metaheuristics כמו אלגוריתמים גנטיים, סימולציה של אנמנלינג, וחיפוש אחר תשואה ליד תוצאות כמעט-אופטימליות בעלות של גישות היברידיות גדולות יותר.

מתרגלים צריכים לשקול את המטרות הספציפיות, גודל הבעיה, ואת התקציב חישובי בעת בחירת ההתקדמות היררנית.המשך בתכנון המטא-התיאטרי, שילוב למידת מכונה, ומחשוב מקביל ממשיך לדחוף את הגבולות של מה הוא אפשרי, מה שהופך את חנות הזרמה תזמון שדה תוסס עבור מחקר תיאורטי יישום מעשי.

לקריאה נוספת, ראה את הסקר המקיף של FLT:0 raminan et al. (2015) , על עריכת תזמון אתרי תזמון, ואת הטקסט הקלאסי על ידי FLT:2Pinedo (2016)FLT 3 על תורת תזמון ואלגוריתמים.