Akış alışveriş planlama, operasyonları araştırma ve üretim planlamasında temel bir sorundur. Klasik formda, tüm işleri tamamlamak için gerekli olan toplam zaman.[Döneticileri 1 ) İşleri, güçlü anlamda NP-hard olarak belirlenmiş olmalıdır, yani P = NP Practers ve araştırmacıların her zaman en iyi çalışma yöntemlerinden bağımsız olarak elde ettiği en iyi şekilde doğru zamanda doğrulanabilir yöntemlere sahip olmaları için gerekli olan tüm yöntemlerin gerçek zamanlı olarak ortaya çıkmasını sağlamak için gerekli olan bir çözüm yöntemlerine dayanır.

Akış Dükkanı Problemi

Permutasyon akışı mağazası problemi (PFSP) en yaygın olarak incelenen değişkendir.Bir PFSP'de aynı şekilde yapılır:0) ), makineler ve [[Dönetici:2|DDDDDDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜŞÜNÜŞÜNCÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜN

Matematiksel olarak, [DÜDÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜŞÜNÜŞÜNÜŞÜNÜŞÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞ

Konvansiyonel Çözüm Yaklaşımları

Heuristic Methods

Heuristics, hızlı bir şekilde ticaret optimalliği olan yaklaşık algoritmaların var. Büyük ölçekli veya gerçek zamanlı zamanlama için vazgeçilmezler. yapıcı heuristics, [[Üyetim:0)NEHspan algoritması) (Nawaz, Enfo, Ham) her işi tamamen işlem süresine kadar en iyi şekilde dağıtır.

Metaheuristics yerel optima'dan kaçmak için daha yüksek seviyeli bir çerçeve sağlar. Yaygın örnekler akış mağaza planlama dahil:

  • [FONT=0)Genetic Algoritmalar (GA): ), Bir permutasyon popülasyonunu transfer ve mutasyon yoluyla birleştirir, çözüm kalitesini artırmak için seçim baskısını kullanarak. GAs esnektir, ancak erken bir şekilde dikkatli bir ayar olmadan bir araya gelebilir.
  • [FONT:0] Annealing (SA): ), Daha kötü çözümlere olasılıksal olarak kabul ederek fiziksel ekleme sürecini Simulates, yerel optima'dan kaçmasına ve sağlamlığa izin vermek.
  • [FONT:0)Tabu Arama (TS): [DÜDÜT:1] Son zamanlarda yapılan çözümlere tekrar gözden geçirmeden hafıza yapıları kullanın. TS genellikle yüksek kaliteli çözümler üretir, ancak tabu listesinin ve mahallenin dikkatli bir tasarımını gerektirir.
  • [FONT=0] Yerel Arama (ILS): Yerel arama ve perturbasyon arasındaki alternatifleri çözüm alanını araştırmak için çok etkili bir şekilde kanıtlamıştır. ILS, NEH başlangıç ile birlikte çok etkili bir şekilde bir araya geldi.

Heuristics, hesaplama bütçelerinin sıkı olduğu veya problem boyutlarının tam yöntemlerin sınırlarını aştığında mükemmel bir şekilde öne çıkıyorlar. Ancak, her saniyenin finansal etkisi olduğu yüksek oranlarda bir dezavantaj yaratabilirler.

Exact Yöntemleri

Exact algoritmaları en uygun çözümü bulmayı garanti eder, ancak en kötü durum karmaşıklığı üst düzeye çıkar. PFSP için en belirgin tam yaklaşımlar şunlardır:

  • [[Branch ve Bound (B&B): [Dönetici olarak, alt sınırlar kullanarak kısmi permutasyonlar (örneğin, Johnson'ın iki makineli azaltımlar için kuralı) arama ağacının incelenmesi; B&B, yaklaşık 30 iş ve 10 makine ile makul bir süre içinde örneklerini çözebilir.
  • [FONT:0]Mixed-Integer Linear Programlama (MILP): ), ikili değişkenleri iş siparişi ve sürekli değişkenleri kullanarak, Gurobi veya CPLEX gibi modern çözücüler, küçük orta örneklerle ele geçirebilir, ancak MILP modelleri büyük ölçüde yasaklanabilir; 50.
  • [FONT=0)Constraint Programming (CP): Modeller, küresel kısıtlamalar kullanarak kısıtlayıcılar (örneğin, [[Döntme:2) ve egzoz aramalar. CP karmaşık yan kısıtlamalarla ilgili sorunlar için rekabetçi olabilir, ancak genellikle B&B saf minimizasyon için.

Arama alanının üstel büyümesi, gerçek dünya örnekleri için yüzlerce iş için nadiren pratik anlamına gelir. Bu sınırlama, karmalaştırma için doğal bir fırsat yaratır.

Hibrit Yaklaşımlara İhtiyacı

Saf heuristics hızlı olabilir ama genellikle yerel optima'da sıkışıp kalırken, tam yöntemler tamam ancak hesaplamalı pahalıdır. Bir hibrit yaklaşım her ikisine de en iyi şekilde ulaşmaya çalışır: daha önce öngörülemeyen bölgelere aramayı yönlendirmek için heuristics kullanın, sonra tam teknikleri her iki çözümlerin de uygulanabilir. sinerji yakın zamanda yakın zamanda çözümleri ve bazı durumlarda, daha iyi olmayan durumlarda, en iyi boşlukları yakalamak için zamanı azaltabilir.

Endüstriyel zamanlama ortamları genellikle sınırlı zaman pencereleri ile tekrarlanan karar verme içerir - e.g., bir fabrika zemininde geçiş bazlı rescheduling. Burada, yakın bir başlangıç programı sağlayan bir hibrit, son zamanlarda sona eren saf bir yöntemden çok daha değerlidir. Conversely, forComping or stratejik planlama, optimallik sağlama yeteneği güçlü bir başlangıçlar sağlayarak geliştirilebilir.

Hibrit Yöntemlerin Vergileri

Hibrit yaklaşımlar iki kategoriye geniş ölçüde sınıflandırılabilir: ortak ve bütünleştirici. Collaborative hybrids kesin olarak çalışır ve heuristic algoritmaların eşdeğer veya paralel olarak, her biri ortak bir çözüme veya sınıra katkıda bulunur. bütünleştirici hibritler bir paradigmayı diğerinde taşır - örneğin, bir heuristic tarafından belirlenen bir alt alanı araştırmak veya bir heuristic algoritmaların içinde çözümleri geliştirmek için tam bir yöntem kullanarak.

Collaborative Hybrids

En basit işbirliği programında, bir heuristic ilk olarak yüksek kaliteli bir çözüm üretir. Bu çözüm daha sonra ilk tam bir problem olarak tam bir çözüm (veya sıcak başlangıç) ile şubeye ve bağlı ağaç boyutunu azaltmak için tam bir yönteme geçilir.

Paralel işbirliği, aynı anda problemin farklı bölgelerinde veya perturbed versiyonlarında, en iyi çözümleri merkezi karaboard aracılığıyla paylaşıyor. Bu yaklaşım, çoklu işlemcilerin kullanabileceği bulut bilişim ortamlarında özellikle değerlidir.

Bütünleştirici Hibritler

Tümleştirici stratejiler, heuristic ve kesin arasındaki çizgiyi bulanıklaştırıyor. belirgin bir örnek şu şekildedir:0)yömürücüler[Döneticiler[Döneticiler 1), bir heuristik çözümün mahallesini araştırmak için matematiksel programlama tekniklerinin kullanıldığı bir başka örnek, büyük bir mahalle arama (LNS), Bendersler, ustaca ve tam olarak sabit bir şekilde çözülürken, diğer örnek tam olarak sabit bir şekilde sabitlenmiş bir şekilde.

Akış Dükkanı'nda Özel Hibrit Stratejiler

Heuristic İlkization for Branch and Bound

PFSP için en başarılı hibrit stratejilerden biri, NEH veya metaheurist bir çözümle ilk çözümle bağlantılıdır. Bu çözümün makyajı, iki makineli veya Gilmore-Gomory algoritmasının bile kullandığı çeşitli çalışmalar raporu, hibrit 50 iş ve 20 dakika içinde 50 ila 20 makineden oluşan örnekleri çözebilir.

Metaheuristics aracılığıyla sıkılaştırma

Tam yöntemlerde, daha düşük sınırlar, belirli bir düşük eğimli bir şekilde aramanın kritik olduğunu, ancak iki makine için sıkı bir şekilde çözmeyi gerektirir - bu da pahalı olabilir. Hybrids, bu bölünmeleri tam olarak tam olarak en iyi şekilde üretilmeksizin bir metaheuristic kullanabilir. Örneğin, iki makine için Johnson kuralına dayanan daha düşük sınırlı bir şekilde çözülür; bir heuristic, bu bölünmeleri neredeyse bölmek için bu bölünmeleri etkili bir şekilde keşfedebilir.

Yerel Arama, Exact Neighborhoods ile

Yerel arama (ILS) defalarca yerel gelişme takip eden bir perturbasyon uygular. Yerel bir gelişme, büyük bir mahalleyi keşfedecek tam bir yöntem tarafından yerine getirilebilir - [[ŞUygunluk:0) Büyük bir mahalle arama (LNS)[Dönetici)[Dönetici)[Dönetici) ile sınırlı olduğu için, tam bir MILP veya CP motoru) bir başlangıç çözümü alır ve en iyi programı, bir mahalle içinde tanımlandığında, iş başında tekrarlamak.

Heuristic Subproblems ile Bölünme ve Köşe Nesil

Çok büyük akış dükkanları için, Dantzig-Wolfe reformulation veya Benders decomposition genellikle kullanılır. alt problem - e.g., tek makineli bir problem - tam olarak küçükse çözülebilir, ancak büyük makine sayısı için, heuristics her makine için umut verici sütunlar üretebilir (her makine içinschedules) o zaman bir master LP tarafından seçilir.

Nüfus bazlı Hibritler: Melantic Algorithms

Melantic algoritmaları (MAs) nüfus bazlı küresel aramayı birleştirir (örneğin, genetik algoritmaları) küçük heuristik veya tam yöntemler kullanan kişilerin yerel olarak rafinerilerini veya tam yöntemleri kullanarak. veya bir transistimal B& kullanabilir; Daha büyük bir yerel arama için yerel arama yapılır.

Uygulamaları ve Vaka Çalışmaları

Üretim: Assembly Lines ve İş Dükkanları

Hibrit yöntemler, otomobil ve elektronik montajda yaygın olarak kullanılıyor, bu yüzden yüzlerce iş istasyonun onlarca istasyondan geçtiğinde, birincil bir otomobil üreticisi, önce GA-sadece sistemine kıyasla % 7 oranında birleştirilmiş NEH'yi vücut-beyaz kaynak operasyonlarının planlanmasıyla yeniden tasarlayabildi.

Lojistik ve Tedarik Zinciri

Cross-docking tesisleri ve sipariş depolamaları genellikle bir akış mağazası yapısını takip eder. Bir Avrupa lojistik sağlayıcısından yapılan bir dava çalışması varış noktası tarafından grup gönderileri için bir heuristic clustering algoritmasına uygun olarak, daha sonra dolma atamalarını planlamak için tam bir kısa tema formülü uygular. hibrid kesme işlemi saatini 10 dakika içinde, müşterinin sadece hizmet penceresini karşılamak.

Data Center Scheduling

Modern veri merkezleri, GPU ve özel işlemciler boru hattı üzerinde hesaplama görevleri (işçiler) planlıyor - doğal bir akış mağazası. 500+ iş ile ilgili çok başlangıçlı açgözlü heuristic, daha sonra genel olarak çalıştırılan süre boyunca bir kısıtlama programlama modeli uyguladı.

C ⁇ Faydaları ve Ticaret-İsveçleri

Hibritleşmenin birincil yararı, yüksek kaliteli çözümleri% 1 dakika içinde yüksek kaliteli çözümler üretmek, tam olarak gerekli olan zamanın bir kısmıdır. Standart kriter setleri (örneğin, Taillard'ın 20×20, 50×20, 100 ×20), hibrit yaklaşımlar rutin olarak% 1 dakika içinde ortalama en uygun boşlukları elde etmek için doğal bir yol sağlarken, tam olarak B&B, saatleri gerektirir veya tamamlamak için doğal bir yol sunar.

Ancak, ticaret noktaları var. Bir hibrit tasarımı doğal olarak daha karmaşıktır: geliştiriciler hangi bileşenleri bir araya getirmeli, aralarında verileri nasıl iletişim kurmalıdır ve tam bileşen tamamlanmadan önce optimalliğe dair garanti verebilirler.Para ayarı daha zor hale gelir ve iki farklı çözümdeki hesaplamalar için hesaplamak için hesaplamak için bir çözüm oluşturabilirler (örneğin, bir C++ heuristic ve bir Python MILPr) Ayrıca bazı hız kazanımlarlarını garanti edebilir.

Future Yol Tarifi

Makine öğreniminde hızlı gelişmeler (ML) hibrit akış mağaza planlama için yeni bir avenues açıyor. ML, her bir iterasyon için en iyi performans gösterebileceğini tahmin edebilir veya yakın optimizasyon algoritmalarının (QAOA) en iyi şekilde kullanılmasını sağlar.

Dinamik iş varışları ve makine arızalarıyla gerçek zamanlı zamanlama, uçta tekrar optimize edebilecek bir hibrid için çağrılar. Cloud tabanlı hibrit çözücüler, gerekli olan tüm hesaplama gücü sadece endüstride prototiplenince.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Akış mağazası planlama, çözüm önerilerine ve sınırlarına tam olarak birleştiren karma yaklaşımlar, daha büyük ve daha dinamik hale gelen ortamlara uyum sağlamanın en etkili pratik çözümü olduğunu kanıtlamıştır.Ocakistiklerin hızını kılavuzluk ve paralel hesaplamaya yönlendirmek için artırılmış - akıllı, duyarlı üretim sistemlerinin bir dengesini sağlayacaktır.

Daha fazla okuma için, ESRAT:0)Sahiperistlerin Ruiz ve Maroto tarafından akışa yönelik olarak kapsamlı bir ankete bakınız).