Flow Shop Scheduling ve Multi-objective Optimizasyona Giriş
Akış alışveriş planlama, doğrudan üretime giden, üretim zamanını ve müşteri memnuniyetini içeren bir temel kriterin belirlenmesini içeren bir temel oluşturuyor.Bu klasik problem, yarı zamanlı üretimden otomotiv montaja kadar uzanan endüstrilerde ortaya çıkıyor, üretim süresini ve müşteri memnuniyeti gibi rekabetçi hedeflerle rekabet ediyor. Geleneksel olarak, akış mağazası planlamaya odaklanarak toplam tamamlanma süresi (pervan) en aza indirmek gibi tek bir kriteri optimize etmeye odaklandı.
Çok-objective optimizasyon teknikleri, bu karmaşık ticaretle mücadele etmek için temel araçlar olarak ortaya çıktı. Pareto cephesi olarak bilinen bu yöntemler, uygun programlarla karar vericiler sağlar, en iyi maliyet, hız veya esneklik gibi stratejik önceliklerle uyumlu bir şekilde uyum sağlar.
Multi-objective akış mağaza planlamanın önemi üretimin ötesine uzanır. Lojistik için geçerlidir (örneğin, ulaşım zamanı ve yakıt tüketimi), sağlık (örneğin, hasta bekleme süresini ve personeli aşırı zaman), ve hizmet endüstrileri (örneğin, müşteri rahatlığı ve kaynak kullanımı için randevu yuvaları daha dinamik ve müşteri talepleri daha çeşitli hale gelir, birden fazla dengeli program üretme ve değerlendirme yeteneği artık lüks değildir - daha rekabetçi bir zorunluluktur.
Akış Dükkan Planlamasında Multi-objective Optimizasyonu Anlamak
Tipik bir permutasyon akışı mağazasında, [[0]n işler aynı zamanda işlerden oluşur:2. aynı zamanda makineler, karar değişkeni, önemli performans göstergelerinin (KPIs) genel hedeflerini belirleyen bir düzendir:
- [FONT:0)Makespan (C[DÜDÜT:2)[Dönetici:0)[Dönetici:0) Son makinedeki ilk işin tamamlanmasından itibaren toplam zaman genellikle varsayılan hedeftir.
- [FONT:0)Toplam akışı zamanı (TFT): Tüm işlerin tamamlanma zamanlarını oluşturur. Bu ölçüm iş işleme envanterini ve duyarlılığı yansıtmaktadır.
- [FONT:0)Makine boş zaman:[Dönetici:0)[Dönetici:0))
- [0]Topluluk: [Dönetici:[Dönetici: 0)[Dönetici: 0 )) Son zamanlardaki gecikmelerin toplamı, müşteri memnuniyeti için kritik.
- [FONT:0)Enerji tüketimi: [Dönetici:0) sürdürülebilir üretim için giderek önemli.
Bu hedefler genellikle çatışmaktadır. İki program düşünün: Birlikte toplu işlerle birlikte en aza indirmek için en iyi bir program, bu çatışmaların yapısını artırmak için bir programdır.
Pareto baskınlığı merkezi bir konsepttir: Çözüm A hakimler çözümü B'den daha kötü değilse, en azından bir tane daha kesinlikle daha iyi. Olmayan seti - Pareto cephesi ile hükmetmemektedir - daha sonra ticari-off yüzeyleri analiz edebilir, genellikle saç arsaları veya paralel koordinat grafiklerle görselleştirilebilir, belirli bağlamları için en iyi uzlaşmayı sunan bir program seçin.
Common Multi-objective Optimizasyon Teknikleri
Çeşitli metaheuristik ve kesin yöntemler, Pareto cephesini akış mağaza planlama için yaklaşık olarak geliştirmek için geliştirildi. Aşağıda en yaygın kullanılan ve ince yaklaşımlar bulunmaktadır.
Genetik Algoritmalar (GAs)
Genetik algoritmaları doğal seçilimden ilham alıyor. Akış deposu zamanlama bağlamında, her kromozom, bir kişinin fitnessi, birçok çözümün hangi nesillere hükmedeceğine bağlı olarak, üstün ticaret yapanların hayatta kalmasını teşvik ediyor.
GA'lerin önemli bir avantajı, kalabalık mesafe veya fitness paylaşımı gibi mekanizmalar aracılığıyla çeşitli çözümler kurma yeteneğidir, çünkü hedef alan büyük durumlarda yavaş yavaş yavaş hale gelir. GAs başarıyla 20 iş ve 10 makine ile küçük ölçekli sorunlara uygulandı, ancak ölçeklenebilirlik ile mücadele edebilir; arama alanı faktörlü olarak iş sayılıyor, hedefsizliğe yakınlaşmayı sağlamak için çok daha yavaş yavaş hale getiriyor.
Pratik uygulamalar genellikle özelleştirilmiş pasaj operatörleri (örneğin, kısmen transfer veya sipariş geçitleri) permutasyon encoding için özelleştirilmiş olarak kullanılır. Elite koruma - en iyi nondominated çözümleri koruma - yardımlar gerçek Pareto cepheye doğru bir şekilde yakınlaşmayı hızlandırır.
Multi-Objective Parçacık Swarm Optimizasyonu (MOPSO)
MOPSO, kuşların veya balık okullarının sosyal davranışına dayanmaktadır. Standart PSO algoritmasında, her parçacığın (potansiyel çözüm) bu arşivden gelen arama alanıyla hareket eder ve Pareto cephesini kolektif olarak keşfeder.
Akış deposu zamanlamasında MOPSO, sürekli hedef uzaylarla ilgili sorunlar için özellikle etkili olduğu veya Pareto cephesi düzgün bir şekilde dengelendiği zaman, genellikle bu sorunları karşılamak için GA'lerden daha az işlev değerlendirmeleri gerektiren bir algoritmadır. Ancak, arşiv aşırı kalabalık olduğunda veya liderlik seçimi mekanizması düzgün bir şekilde dengeleme ve sömürülemediğinde.
50 kişilik bir MOPSO uygulaması, 10 makineli akış çalışması, Pareto cephesinin standart GA ile kıyasla% 15 oranında bir artış elde etti, çünkü bildirilen gibi PSO'da akış planlama).
Non-dominated Sorting Genetic Algorithm II (NSGA-II)
NSGA-II muhtemelen her cephede çeşitliliği korumak için en popüler multi-objective evrimsel algoritmadır.(MN) M hedefleri ve N çözümleri için karmaşıklık, ve her cephede çeşitlilik korumak için geniş ölçüde karşılaştırmak.
Akış alışveriş sorunları için, NSGA-II kolayca adapte olur: kromozom bir permutasyondur ve sipariş geçitleri veya tek noktalı geçiş çalışmaları gibi operatörler iyi bir şekilde çalışır. Algoritma Pareto cepheleri birçok yerel optima ile bile sorunsuz bir şekilde dağıtırlar.InurFLT:0) İki-objektif akışlı (SPEA2, MOPSO) sürekli olarak diğer metaheuristikler (SPEA2, MOPSO) iki-toplayıcı akışlı akışlar için kapsamlı bir çalışma.
Bir sınırlama NSGA-II, geçiş ve mutasyon operatörlerinin dikkatli bir şekilde ayarlanmadığı takdirde erken bir şekilde yaklaşabileceğidir. NSGA-III (bu, yüksek boyutlu hedefler için referans puanları kullanan), dört veya daha fazla çatışma kriteriyle akış planlamaları için araştırılmıştır.
Evrimsel Stratejiler (ES)
Evrimsel stratejiler GA'lerden farklı olarak mutasyon ve öz-adaptasyonlarını vurguladıkları için (örneğin, adım boyutları) tekrarkombinasyondan ziyade. Çok-objective ES, nüfus genellikle küçük ve seçim, (μ+ ⁇ ) elitist strateji yaygındır, μ Ebeveynler ⁇ ve bir sonraki nesilde hayatta kalan en iyi μ bireyler.
Akış için mağaza planlama için ES, manzara sağlam ve geleneksel geçit birçok infezitasyon veya düşük kaliteli permutasyonlar üretir. mutasyon olasılıklarının öz-düzelme, algoritmanın manuel ayarlanmadan dengelenmesine izin verir ([Dönetici) Son çalışma, yüksek hesaplama maliyeti olmadan ([Dönetici) göre Igel ve albeitatif kovariksiyonel uygulama stratejilerinin (MO-CMA-ES) yaygın olarak kabul edilen bazı yüksek boyutlu akış alışveriş problemlerine göre, Pareto cepheleri ile ilgili olarak kabul edilen karmaşıktır.
Flow Shop Scheduling
Çok-objective optimizasyon teknikleri, çeşitli endüstriyel ve hizmet bağlamları boyunca zamanlama çatışmalarını çözmek için dağıtıldı. Aşağıda beton örneklerle önemli uygulama alanları bulunmaktadır.
Üretim: Minimizing Makespan ve Total Flow Time
Orta büyüklükte basılı bir devre kurulu (PCB) montaj tesisi, üretim süreci sekiz tane ek istasyona kadar şunları içerir: satış makinesi uygulama, pick-ve-place, reflow, inceleme ve ve iş-II, tüm istasyonlar aracılığıyla aynı şekilde işlenir - hem de klasik bir permutasyon akışı mağazasının% 8'ini azaltıp toplam teslimat pencerelerini % 10 oranında azaltımı için% 10 oranında azaltılabilir bir akışla sonuçlandırılır.
Lojistik: Cross-Docks'ta kamyon Scheduling
Cross-docking terminalleri, doların üzerindeki kamyonların yüklenemez, büyük bir ürün dağıtım merkezi simülasyonuyla entegre edilmesi gereken bir zaman dilimine sahip olan toplam kamyonların toplam saatlerini %18 oranında harcıyor (örneğin, iş başında) ve iş başındaki yöneticilerin bir çok oyuncak optimizasyonu modeli olması gerektiği gibi, büyük bir ürün dağıtım merkezi simülasyonuyla entegre edilmesi gereken bir program için, kamyonun toplam saatin% 18'ini tutuyorken, işçi boş zamanlarını% 5'i tutuyor.
Sağlık: Cerrahi Birden Çok Kriterleri ile başa çıkmak
Bir kamu hastanesinde, birden fazla işletim odası (makin) boyunca seçmeli ameliyatların zamanlaması, ameliyatların (işman) 200'den fazla ameliyatın hazırlıksız olduğu bir akış mağazası olarak modellenebilir ve tedavi süresi %22 ve üstü olarak beklenen en uzun hastayı bekleyen süre boyunca (daha önce kullanılan manuel programlarla karşılaştırıldığında, ameliyattan önce yapılan otomatik olarak yapılan bir NSGA-II.
Meydanlar ve Gelecek Yollar
Kanıtlanmış etkinliğinin rağmen, akış mağazası planlama için çoklu-objective optimizasyon teknikleri birkaç pratik engelle karşı karşıya.
C ⁇ Kompleksi ve Scalability
Akış alışveriş sorunları NP-hard'dır, iki makineden daha fazlası için bile, olası permutasyonlar sayısına göre. Metaheuristics yaklaşık olarak ön planda olabilir, ancak 100 şube-ve-ya kadar olan arama alanı çok küçük örneklerden (yaklaşık 15 iş ve 5 makineye kadar) oluşur.[Döneticileri) NSGA-II gibi bir algoritmayı gerektirir.
Scaling Solutions
- [FONTD:0]Surrogate modelleri: [Döntgen: [Dönetici: [Dönetici:) Makine öğrenme modelleri (örneğin, nöral ağlar, Gaussian süreçleri) uygun temel işlevleri, fitness değerlendirmelerinin maliyetini azaltabilir.
- [FONT:0)Dekompozisyon yöntemleri:[DÜT:1) MOEA/D (Multi-Objective Evolutionary Algorithm based on Decomposition) sorunu birkaç ölçekaltı alt dizilimlere ayırıyor ve büyük akış alışveriş örnekleri için söz verdi.
- [FONT:0]Parallel ve GPU Bilgisayar: Kombine veya GPU'lara yapılan popülasyonların Dağıtılmış değerlendirmeleri, saatlerce duvar saatlerini dakikalarca kesebilir.
İlk Çözümlerin ve Kıtların Kalitesi
Birçok algoritma rastgele çözüm popülasyonları ile başlar, fakir programlarda erken iterasyonlar yapar. Soğuk-yapılan çözümlerle başlayın (örneğin, EDD’nin tarihler için yaptığı gibi) çoğu zaman bir başlangıç sağlayabilir. ancak heuristic ilkleştirme, hedef alanın belirli bölgelerine karşı baskın olabilir, çeşitliliği sınırlayın.
Dinamik ve Uncertainty
Gerçek dünya üretim ortamları nadiren statik. Makine arızaları, iş iptalleri ve acele siparişleri, hızlı bir şekilde tamir programları geliştirilmekte olan programlara ihtiyaç duyuyor. Gerçek zamanlı ölçüm alanı, çoklu-objective zamanlama (daha iyi gelecek olayların paktastik modelleri) ve reaktif stratejiler (örneğin, endüstrilerin bir kesintiden sonra hızla tamir programları) ile gerçek zamanlı olarak algılayıcı veri entegrasyonu, çok-objective zamanlama (daha iyi zamanlama) gibi yöntemler.
Hybrid Algorithms
Tek metaheuristik tüm problem örneklerini ele alır. Hybrid, küresel aramayı birleştiren yaklaşımlar (örneğin, NSGA-II) yerel arama (örneğin, parçacık akış ölçümlerini genetik algoritma ile birleştirerek, yükleme operatörünün sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık, bu karma NSGA-II, bir değişken mahallenin ön saflarında, hem de farklı bir algoritma seçimine doğru otomatik olarak, alışveriş değerlendirmede% 20'ye kadar otomatik olarak gösterilmiştir.
Makine Öğrenme Entegrasyonu
Heyecan verici bir sınır, arama sürecini yönlendirmek için makine öğreniminin kullanımıdır. Dondurma öğrenme ajanlarının geçiş veya mutasyon operatörleri dinamik olarak seçmelerini sağlamak için eğitilmesi gerekir (GANs) prensip olarak, Pareto cephesi için umut verici başlangıç noktaları oluşturabilir.Zenginlikle ilgili olarak, değerlendirmeleri hızlandırabilir.Ayrıca, öğrenme tabanlı parametre ayarlayıcısı (örneğin, Bayesian optimizasyonunu kullanarak, nüfus boyutunu belirlemek için daha yaygın hale gelir.)
Uygulamada Multi-Objective Optimizasyonu Uygulamada Uygulayın
Bu teknikleri benimsemeye çalışan uygulayıcıları için, süreç genellikle birkaç adım içerir:
- [FONT:0) Hedefleri ve kısıtlamaların tanımı: [Döneticiler, lojistik planlayıcılar, vs.) KPIs ve kabul edilebilir ticaret aralıkları oluşturmak için.
- [FONT:0) Bir algoritmayı ele alalım:[Dönetici:[Dönetici:0) NSGA-II dört hedef için güçlü bir varsayılandır; MOPSO, hesaplama bütçesinin sıkı olup olmadığını seçebilir; karma veya MOEA/D daha büyük sorunlar için.
- [FONT:0) Çözüm gösterimini kodlayın:[Dönetici:[Dönlendirme): Permutasyon encoding, akış dükkanları için standarttır, ancak bakım, fizibilite sağlamak için geçiş ve mutasyonla alınmalıdır.
- [FONT:0)Generate ve Pareto cephesini doğrular:[Dönetici: Algoritmayı çalıştırın, sonuçları görselleştirin (örneğin, paralel koordinatlar veya ısımaps ile), ve karar vericiler için mevcut.
- [FONT:0) Son bir program seçin:[Dönetici:0] Çok-kriter karar verme araçları (örneğin, TOPSIS, ağırlıked) önden bir çözüm seçmek için.
- [[Dönlendirme ve ayarlayın:[Dönem: 0,4] şartlar değiştiği gibi, algoritmanın dinamik bir versiyonunu yeniden çalıştırın.
Ticari yazılım (örneğin, OptaPlanner, Gurobi çok-objective uzantılı) ve açık kaynak kütüphaneleri (pymoo, DEAP) uygulamayı hızlandırabilir. Özel kod ve dış-şekkk çözümleri arasındaki seçim problem büyüklüğüne ve gerekli esnekliğine bağlıdır.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Multi-objective optimizasyon teknikleri, ripertici, tek kişilik bir destek sürecindeki sabit ve tek kullanımlık bir uygulamadan akış alışveriş planlamasını değiştirdi. Genetik algoritmaları, swarm optimizasyonu, NSGA-II ve evrimsel stratejileri her biri daha akıllı takip etmek için eşsiz bir güçlü sunar, daha duyarlı operasyonlar ve sağlık hizmetleri hem verimlilik hem de hisse senedin arttırılması için vazgeçilmez bir araç olarak kalacaktır.