Flow Shop Scheduling

Akış alışveriş planlama, her makineyi tam bir kez ziyaret etmeli ve işleme düzeni, genellikle tüm işleri en aza indirmek için aynıdır (toplam tamamlama süresi), sabit bir süre içinde bir dizi iş veya boş zaman gibi diğer performans önlemleri. Klasik permutasyon mağazası problemi (PFSP) her üç veya daha fazla makine için NP-hard, tüm işler için aynı.

Heuristics, Johnson'ın iki makine için en iyi şekilde fiyatlamalarını ve daha sonra genelleştirmeleri gibi en yaygın olarak incelenen 1950'lerden beri incelenen problem çözme algoritmalarıdır.Modern heuristics, keşif ve sömürüyü birleştiren basit önceliklerden oluşan basit bir öncelikten farklı olarak çeşitlidir.

Common Heuristic Methods

Akış alışveriş heuristics iki geniş kategoriye girer: en yaygın kullanılan yaklaşımları incelerken, çizer ve iyileştirici bir programdan başlayan ve bunu güçlendiren bazı yöntemler her iki stratejiyi birleştirir. Aşağıda en yaygın kullanılan yaklaşımları inceler.

Öncekilik Dispatching Kuralları

Öncekilik kuralları en basit yapıcı heuristics. Her işi, tarih veya varış zamanı, ve öncelikler doğrultusunda sıra dışı işlere dayanarak öncelikler üzerine tayin ederler.

  • [FONT:0]Shortest Processing Time (SPT))[İlk önce en küçük toplam işlem süresi olan işler planlanmıştır. SPT en az akış süresi anlamına gelir ancak spanyayı artırabilir.
  • [FONT:0) İlk olarak İlk Hizmet (FCFS)): Jobs varış sırasında işlenir. Kolay ama çoğu zaman kötü performans.
  • [FONT:0)Earliest Due Date (EDD))[En erken tarihlerle iş önceliklidir, genellikle küçük bir baldiness için kullanılır.
  • [FOT:0) En Uzun İşleme Zamanı (LPT))[FOT)[FOT)[FOT)[FOT)[FOT)[FOT)[FOT)[FOT)[FOT)[değiştir | kaynağı değiştir]

Öncekilik kuralları son derece hızlı ([[Dönem:0)O(n log n)) ve gerçek zamanlı planlama için uygun hale getirmek için onları uygun hale getirmek. Ancak, nadiren en iyi çözümleri üretirler ve büyük veya karmaşık durumlarda kötü performans yapabilirler.

En yakın Neighbor (NEH) Heuristic

NEH heuristic (Nawaz, Enfo, & Ham) aktı için en etkili yapıcı yöntemlerden biridir.

  1. [FONT:0]Initial ordering): Toplam işlem süresine uygun olmayan işler (tüm makineler üzerinde).
  2. [FONT:0]Insertion[Dönetici: İlk işi ilk sıra olarak alın. Sonra her bir sonraki işi en iyi konuma (en az spanyayı en aza indiren) uygun şekilde ekleyin.

NEH'nin gücü yüksek kaliteli çözümleri hızlı bir şekilde üretme yeteneğinde yatıyor. Genellikle ölçüm ve geliştirme heuristics. Kompleksity isÖRT:0)O(m n))[DÜye Olmayanlar için)[DÜye Olmayanlar[DÜye Olmayanlar İçin Tıklayınız.

Genetik Algoritmalar (GAs)

Genetik algoritmaları doğal seçilimden ilham alan nüfus bazlı metaheuristicslardır. kromozomlar (örneğin, işlerin permutasyonu) olarak kodlanırlar ve operatörleri kullanarak nesiller boyunca evrimleşirler:

  • [FONT:0)Seçim[[Dönetici: Ebeveynleri fitnesse (örneğin, makyaj değeri) dayanarak seçin. Common methods include turnuva seçimi ve rulet tekerlek seçimi içerir.
  • [FONT=0)Crossover[DÜDÜDÜT:1): İki ebeveyn dizisini yavruları üretmek için birleştirin. permutasyon sorunları için, operatörler kısmen haritalanmış geçiş (PMX) veya sipariş geçit (OX) göreceli siparişi korumak.
  • [FONT:0]Mutation[[Dönem: Bir kromozomu rastgele değiştirir (örneğin, iki işi takas eder, çeşitliliği korumak için bir iş değiştirir).
  • [FONT:0)Elitism[[Dönetici:0) Yüksek kaliteli çözümlerin kaybını önlemek için en iyi bireyleri koruma altına alın.

GAs geniş bir çözüm alanı keşfeder ve yerel optima'dan kaçabilirler. Esnektir ve karmaşık hedefleri idare edebilir (örneğin, multi-objective akış dükkanları). Ancak, parametrelerin (popülasyon boyutu, geçiş oranı, mutasyon oranı) dikkatli bir şekilde ayarlanması gerekir ve büyük durumlarda hesaplamalı olarak pahalı olabilir.

Simated Annealing (SA)

Bir malzemenin ısıtıldığı ve daha sonra hataları azaltmak için yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş yavaş

SA'nın anahtar avantajı, özellikle yüksek sıcaklıklarda yerel optima'dan kaçmak yeteneğidir. Birçok akış mağazası problemlerine başarıyla uygulanmıştır. Performans, soğutma programına ve mahalle operatörü seçimine duyarlıdır. Yavaş bir soğutma oranıyla, SA, küreselliğe yaklaşabilir ancak yavaş yavaş yavaş olur.

Tabu Arama (TS)

Tabu arama, hafıza yapılarını (tabu listelerini) son zamanlarda incelediği bir çözümden başlayarak, TS mahalleyi araştırıyor ve en iyi non-tabu çözümü seçer (veya kabul edilebilir bir kriterle karşılanırsa) son hamlelerin (örneğin, takas edilen işlerin) kayıtlarını yerine getirir.

TS, keşif ve sömürü arasında iyi bir denge sunar. Sık sık sık orta hesaplama süresi ile yüksek kaliteli çözümler üretir. Variants reaktif tabu arama (sadece bir tabu listesi boyut dinamik olarak) ve diğer heuristics ile hibrit TS uygulama. Akış alışveriş için basit bir TS uygulama genellikle 10-20 iterasyonları ve bir tabut kullanır.

Diğer Heuristic Yöntemler

Klasiklerin ötesinde, diğer birçok heuristics akış mağaza zamanlaması için geliştirildi:

  • [FONT:0)Ant Colony Optimizasyonu (ACO))[Döneticilerin davranışlarına yönelik davranışlarda bulunulmaktadır. Yapay karıncalar, iş dizilerini pheromone izlerine ve heuristic bilgilere dayanarak kullanarak çözüm üretirler. (e.g., işleme süresi).
  • [FONT:0)Particle Swarm Optimizasyonu (PSO)): Çözüm alanı aracılığıyla hareket eden bir partikül popülasyonunu kullanın, pozisyonları kişisel ve küresel en iyi pozisyonlarına dayanarak ayarlama. Başlangıçta sürekli sorunlar için ayrı modlar var.
  • [FONT:0) Yerel Arama (ILS))[Dönetici bir arama (e.g., en dik iniş) başlangıç çözümünden, sonra yeni bir başlangıç noktası oluşturmak için yerel en iyi şekilde inler, birden fazla kez tekrarlayın.
  • [FONT:0)Variable Neighborhood Search (VNS))[değiştir | kaynağı değiştir]: Yerel optima'dan kaçmak için arama sırasında mahalle yapıları.

Karşılaştırmalı Analiz Karşılaştırmalı Analiz Karşılaştırmalı Analiz

Bir heuristik seçmek problem ölçeğine, çözüm kalitesi gereksinimlerine bağlıdır ve mevcut hesaplama kaynaklarına bağlıdır. Aşağıda standart karşılaştırma örneklerine dayanan bir özet karşılaştırma vardır (örneğin, Taillard’ın test setleri akış mağaza planlama için).

Çözüm Kalitesi

Öncekilik kuralları ve basit yapıcı heuristics genellikle 0-1% yeterli iş süresine ulaşabilir.Nin ve hibrit GA'ler farklı problem boyutlarında daha tutarlı olma eğilimindedir, SA performanslarını karşılamak için dikkatli bir ayar gerektirir. ACO ve PSO aynı zamanda rekabetçi sonuçlar elde edebilir, ancak daha geleneksel yaklaşımlar arasında daha az kurulur.

C ⁇ Time

Öncekilik kuralları en hızlı ( yüzlerce iş için en hızlı saniyeler) NEH biraz daha yavaştır, ancak yine de pratik (orta örnekler için saniyeler) Metaheuristics yaygın olarak değişir: nüfusun 100 ve 1000 nesiller büyük vakalar için tipik bir GA (örneğin, 100 iş), öncelik kuralları veya NEH aynı zamanda hızlı bir şekilde soğutma programına sahip değildir.

Robustness

Robustness farklı problem örnekleri üzerinde çözüm kalitesinin tutarlılığını ifade eder. NEH, makyaj için çok sağlamdır (TS veya SA) parametre ayarlarına duyarlı olabilir; kötü bir şekilde ayarlanabilir GA, erken veya keşfetmez. TS'nin performansı, SA'dan daha az hassastır, ancak test edilen test büyüklüğü önemlidir. Hybrid heuristics ile birlikte (TS veya SA) en sağlam şekilde olma eğilimindedir.

Performans Metrikleri

Heuristics'i değerlendirince, birkaç metrik kullanılır:

  • [FONT:0)Makespan (C[DÜDÜT:2)[Dönetici:0)[Dönetici:0)[Son makinede son işi tamamlamak için ilk işin başlamasından tam zaman. En yaygın hedeftir.
  • [0]Toprak Zamanı[Dönemli: Tüm işlerin tamamlanma zamanlarının tükenmesi. Minimiz akış süresi iş akış süresi azalır.
  • [FONT:0)Maximum Tardiness[[Dönetici: En kötü durum, genellikle müşteri odaklı ortamlarda kullanılır.
  • [FONT:0]Number of Tardy Jobs): Tarihinden sonra bitiren iş sayısı.
  • [FONT:0]Idle Time[[Dönem: Toplam makine boş zaman; makine kullanımını artırmak.

Heuristics her metrik için uzman olabilir. Örneğin, NEH heuristic, EDD ve diğer tarih tabanlı kurallar hedefli baldiness. Multi-objective optimizasyonu (e.g., Pareto cephesi) aktif bir araştırma alanıdır.

Hibrit Yaklaşımlar ve Son Gelişmeler

Tek heuristik tüm problem örneklerine hakim değildir. Hybrid yöntemleri ilgili güçlülerini kullanmak için birden çok tekniği birleştirir. Common hibritler şunları içerir:

  • [FONT=0)NEH + Yerel Arama[[Dönem:) iyi bir başlangıç çözümü üretmek için NEH kullanın, sonra tekrar örnekleme veya tabu aramayı iyileştirmeye uygulayın.
  • [FONT=0)Genetic Algorithm + Yerel Arama (Memetic Algorithm)[Dönetici 1)[değiştir | kaynağı değiştir][değiştir | kaynağı değiştir]
  • [FONT=0) Adaptif Parametre Kontrolü[[Dönetici: Arama davranışına dayanan (örneğin, sıcaklık yeniden dengeleme, adaptif mutasyon oranları).
  • [FONT=0)Makine Öğrenme Entegrasyonu[DÜDÜT:1): Tren regresyon modelleri veya destek öğrenme ajanları iyi hareketleri tahmin etmek veya heuristics dinamik olarak seçmek için. Örneğin, nöristik ağları yapıcı heuristics'te ekleme pozisyonları kullanmak.

Son araştırmalar da şöyle araştırıyor: 0) Bulut ve paralel hesaplama), nüfus bazlı metaheuristics ve [[ENFLT:2)hyper-heuristics), her adımda düşük seviyeli heuristics arasında seçim yapar.

Doğru Heuristic'ı seçmek

Akış mağaza planlama için bir heuristic seçimi birkaç pratik faktöre bağlıdır:

  • [FONT:0]Problem büyüklüğü ve karmaşıklığı[Dönem: Küçük ila orta örnekler için (10-50 iş, 20 makineye kadar), tam yöntemler uygulanabilir olabilir, ancak TS gibi basit bir metaheuristik iyi çalışır. büyük durumlarda (başlangıçlar)
  • [FONT=0) Solution kaliteli gereksinimleri[[Dönetici: Yakın zamanda (örneğin, yüksek kodlu üretimde), daha uzun bir süre ile bir hibrit GA veya TS haklıysa, SPT veya NEH zamanında tasarruf edecektir.
  • [FONT:0]Available hesaplama kaynakları[Dönetici: Bulut bilişim veya güçlü iş istasyonları GA gibi daha fazla hesaplamalı yoğun yöntemlerden yararlanmaktadır.
  • [FONT=0]İmplementasyon çabası[[Dönetici: Öncekilik kuralları ve NEH, orta çaba gerektirir; GA daha karmaşık ama iyi niyetlidir. ACO ve PSO, ayrı sorunlar için ek tasarım seçenekleri gerektirir.
  • [FONT:0]Dynamic ortamlar[[DDynamic ortamlar[[DDDDynamic ortamlar[DDDDDDDD): Bazı üretim sistemleri zaman içinde gelen yeni işlerle karşı karşıyadır (online scheduling). Basit sevk kuralları hızları ve uyumları nedeniyle bu tür ortamlarda tercih edilir.

Temsilci örnekleri üzerine işaret etmek son derece önerilir. Birçok araştırmacı, performansla karşılaştırmak için [[0)Taillard akış alışveriş kriteri[[Dön 1: 1) veya [[Dönemli durumlarda [Döntemsiz 3 ) kullanır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Akış alışveriş planlaması, önemli endüstriyel ilgi ile zorlu bir optimizasyon problemi olmaya devam ediyor.Heuristic yöntemler, hesaplama fizibilite ve çözüm kalitesi arasında pratik bir köprü sunuyor. Basit öncelikli kurallar ve NEH heuristic birçok senaryo için hızlı, kabul edilebilir çözümler sunuyor, metaheuristics gibi, genetik algoritmaları, simdi ekspektif olarak, ve tabu arama verimini daha fazla hesaplama maliyetine yakın bir şekilde sunuyor.

Practitioners, bir heuristic tasarımı, makine öğrenme entegrasyonu ve paralel hesaplama, her iki teorik çalışma ve pratik uygulama için canlı bir alan oluşturmanın sınırlarını zorlamaya devam etmelidir.

Daha fazla okuma için, artırılmış araştırmayı [[0)Framinan et al. (2015)), akış alışveriş planlama heuristics ve klasik metin ile [[ENFLT:2}Pinedo (2016))