Stratejik Mühendislik Planlamasında Integer Programlamanın Rolü

Integer programlama (IP), birçok kısıtlamaya saygı duyan tüm kaynakları, program görevleri, ekipman ve tasarım sistemlerini temel alarak temel alır.Sürücük projeler için stratejik planlama bağlamında, bu makale, tam anlamıyla karmaşık ve maliyetle ilgili bir mühendislik projesine saygı göstermek için bir çerçeve sağlayarak, tüm zamanların en uygun şekilde tasarlanabilir.

Mühendislikte stratejik planlama, uzun vadeli sonuçlara sahip kararları içeriyor, kapasite genişleme, altyapı tasarımı ve teknoloji seçimi gibi.Bu kararlar genellikle talep, maliyetler, düzenleyici değişiklikler ve çevresel faktörler hakkında önemli bir belirsizlik altında yapılır. Geleneksel determinist optimizasyon, beklentilerden vazgeçebilecek çözümlere yol açıyor. Aksine, karar vericilerin, beklenen performans ve risk arasındaki ticaret-offları değerlendirmelerine izin veren tam anlamıyla programlama modelleri, daha sağlam stratejiler arasında liderlik eder.

Integer Programlamanın Temelleri

Tam bir programlama sorunu, bazı veya tüm karar değişkenlerinin tam anlamıyla değerlerle sınırlı olduğu matematiksel bir optimizasyon sorunudur. Bu integrallik kısıtlaması, kararların tüm birimleri içeren gerçek dünya durumlarının modellenmesi için kritiktir - örneğin, jeneratörlerin sayısı bir güç santraline, inşaat ekiplerinin sayısına, belirli bir teknolojiye yatırım yapmak için sınırlı olup olmadığının seçimidir.

(veya en üst düzey) [[0)))[DÜye: · 9) · 3|DÜye/Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye)) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

Tam programlamanın komiseri doğası bu problemleri hesaplamakla zorlaştırır. Ancak, algoritmaların ilerlemeleri (örneğin, şube ve sınırlı, kesme uçakları, ayrıştırma) ve ticari çözücüler (örneğin, Gurobi, CPLEX, Xpress) kararlar arasındaki karmaşık bağımlılıkları temsil eder.

Belirsizlik tanıtıldığında, temel IP çerçevesi zenginleştirilmelidir. En yaygın yaklaşımlar şunlardır:0)stochastic tam programlama) ve [[Dönetici optimizasyon[Dönetici)[Dönetici ve hesaplama özellikleri ile her biri.

Mühendislik projelerinde Uncertainty'nin kaynakları

Belirsizliğin doğasını anlamak, etkili modeller oluşturmak için gereklidir.Mühendislik projelerindeki belirsizlik birkaç türe kategorize edilebilir:

  • [FONT:0]Demand belirsizlik[[Dönetici: 1) - Ürünler için gelecek talep, enerji veya hizmetler nadiren kesin olarak bilinir. Örneğin, yeni bir otoyol veya güç şebekesin gerekli kapasiteleri nüfus büyümesi, ekonomik aktivite ve teknolojik değişimlere bağlıdır.
  • [FONT:0]Cost belirsizlik[[[Dönetici: 1) Malzeme fiyatları, işgücü oranları ve ekipman piyasa koşulları nedeniyle dalgalanmalar ve tedarik zinciri kesintileri nedeniyle ciddi şekilde etkilenebilir.
  • [FONT:0]Durasyon belirsizlikleri[Dönetici: 1) Proje görevi süresi hava, iş üretkenliği, ekipman arızaları ve öngörülemeyen site koşulları tarafından etkilenir. Bunlar aşırı yük gecikmeleri ve kalibrasyon gecikmeleri için yol açabilir.
  • [FONT:0]Yönerge ve siyasi belirsizlik[Dönetici: 1) Çevre mevzuatında değişiklikler, zoning yasaları veya vergi teşvikleri bir projenin fizibilitesini veya kârlılığını değiştirebilir. Örneğin, bir karbon vergisi bir enerji projesinin ekonomisini değiştirebilir.
  • [FONT=0)Teknolojik belirsizlik[[Dönetici:0)[Dönetici:0)Teknolojik belirsizlik[Dönetici:0) - Yenilenebilir enerji sistemleri veya gelişmiş üretim süreçleri gibi yeni teknolojilerin performansı ve güvenilirliği belirsiz olabilir.

Her tür bir belirsizlik olasılık dağıtımları, tarihsel veriler veya uzman yargıları kullanarak tam bir programlama çerçevesi içinde temsil edilebilir. Modelleme yaklaşımının en uygun olduğu temsil edici etkilerin seçimi.

Incorporating Uncertainty

Stochastic Integer Programlama

Stochastic programlama, belirsizliklerin çözülebileceğinden emin olabilir (örneğin, bir fabrika inşa etmek, ekipman seçmek) kararların iki aşamalı stochastic programı, ilk aşamada, üretim seviyelerini ayarlamak (örneğin geçici işçiler) tarafından belirlenir.

Matematiksel olarak, iki aşamalı stochastic tam program olarak yazılabilir:

[Üye Olmayanlar İçin Tıklayınız.)[Üye Olmayanlar İçin Tıklayınız.

[FONT=0)Q(x, ⁇ ))[DÜye Olmayanlar İçin Tıklayınız.[Üye Olmayanlar İçin Tıklayınız.

Bu formülasyon doğal olarak mühendislik kapasite planlama problemlerine uygundur. Örneğin, enerji sistemi tasarımında, ilk aşama kararı, Benders decomposition veya L-düzeltme yöntemi gibi rüzgar türbinlerinin ve güneş panellerinin sayısını çözebilecektir.

Robust Optimizasyonu

Robust optimizasyonu farklı bir yaklaşım alır, belirsiz parametrelerin bilinen bir belirsizlik setine ait olduğunu varsayar (örneğin, bir kutu, elpsoid veya polihedron) olasılık dağılımına sahip olmak yerine, hedef, bu set içindeki tüm gerçeklikler için mümkün olan bir çözüm bulmaktır.

Güçlü tam tam bir programlama formülü genellikle yarı-sonsuz bir kısıtlama içerir: [Uygunsuzluğu:0)Ax ( ⁇ ) ≤ b), tüm ⁇ ⁇ U için, U'nun belirli yapılarla lineer kısıtlamalara genişletildiği gibi, (örneğin, belirsiz belirsiz belirsizlik setleri) [seçmiş bir kontrol yöntemi olarak reform yapılabilir.[değiştir | kaynağı değiştirmiş)

Robust optimizasyonu, en kötü durumda garantilerin önemli olduğu sorunlar için mühendislikte yaygın olarak kullanılır, örneğin aşırı havalara dayanacak bir köprü tasarlarken, bir tedarik zincirini yedekleme tedarikçileri ile planlama veya ağır zaman kısıtlamaları altında bir inşaat projesi planlama.

Şans-Constrained Programming

Şansla eğitim gören programlama (CCP), senaryoyu ifade eden veya karışık programlama programlarını kullanan reform kısıtlamalarının ne kadar az% 95 oranında aşılmaması gerektiğini ifade edebilir. CCP, karar vericilerin bazı risklere katlayabilmeleri için zor olasılıksal kısıtlamalara yol açabilir.

Örnek Ortalama Approximation

Örnek Ortalama Approximasyon (SAA), temel dağıtım karmaşık olduğunda stokastik tamsayı programları çözmenin pratik bir yöntemidir. Simülasyon modellerinin rastgele üretilen bir dizi teknikle model oluşturabileceği mühendislik uygulamalarında özellikle etkilidir.

Mühendislik Stratejik Planlama Uygulamaları Uygulamaları

İnşaat Projesi Scheduling

İnşaat projeleri görev süresi, kaynak kullanılabilirliği ve hava durumu konusunda belirsizlike tabi tutulur. İnşaat planlama modelleri genellikle görev kesintisi için ikili değişkenleri içerir (örneğin, önceki ilişkiler) ve kaynak tahsisi için tam anlamıyla değişkenleri. Belirsizlik altında, iki aşamalı stochastic IP formülasyonları zaman zaman kararları veya alt işverenlik eylemleri olarak recourse eylemleri dahil edebilir. Robust optimizasyon, görev süresi içinde eşitlenebilirlik sağlar.

Örneğin, köprü veya tünel gibi büyük bir altyapı projesinde, ilk aşama kararı, mürettebatların ve önemli ekipmanların kritik yol faaliyetlerine tahsis edilmesi olabilir. Zamanlar fark edilir, ikinci aşama kararları inşaat değişimlerini ayarlar veya kaza yoluyla görevleri hızlandırır. Stochastic IP, muhafazakar planlama ve kontingencies arasındaki en iyi dengeyi belirlemeye yardımcı olur.

Enerji Sistemi Tasarımı ve Kapasite Planlaması

Enerji sistemleri - enerji şebekelerinden mikrogridlere - kapasite genişletme sorunları hakkında stratejik kararlar gerektirir. Örneğin, bir fayda, gaz türbinleri, rüzgar çiftlikleri ve pil depolamaları, gelecekteki yakıt fiyatlarında önemli bir belirsizlik altında yapılır, büyüme talep eder, yenilenebilir kaynak kullanılabilirliği ve karbon düzenlemeleri. Stochastic tam anlamıyla programlama kapasite genişleme problemleri için kullanılır. Örneğin, bir fayda, bir gaz türbinleri, rüzgar çiftlikleri ve pil depolama alanı, en az beklenen maliyetle, her saat boyunca gönderilen kararlarla tekrarlanabilir.

Robust optimizasyonu da özellikle ısı dalgaları veya yakıt tedarik kesintileri gibi aşırı koşullar altında sistem güvenilirliği sağlamak için uygulanır. MIT'deki araştırmacılar en ağır hava modellerine karşı koruyan güç sistemi planlaması için sağlam modeller geliştirdiler (Bakın:0)

Üretim Süreci Optimizasyonu

Üretimde, stratejik planlama fabrika lokasyonları, üretim hatları ve envanter politikaları hakkında karar verir. Talepte olmayan bir bitki, zamanlar ve makine başarısızlıkları, belirsiz bir iş maliyeti ve talep ile tam anlamıyla programlamayı yapar. Çok aşamalı stochastic IP modelleri, kapasite genişleme veya teknoloji kabulü gibi zaman zaman zamanları boyunca dinamik kararlar yakalayabilir. Örneğin, bir otomobil üreticisi belirsiz bir iş maliyetleri ve talep ile bir bölgeye yeni bir bitki inşa etmeye karar verebilir.

Tedarik Zinciri ve Lojistik Tasarımı

Mühendislik projeleri genellikle malzemeler ve bileşenler için karmaşık tedarik zincirleri içerir. Stratejik ağ tasarımı - depoları bulmak için hangi tedarikçilerin hangi ulaşım modlarını kullanacağı - tüm tam tamsayı programlamanın klasik bir uygulamasıdır. Uncertainty in demand, ulaşım maliyetleri ve tedarikçi güvenilirliği necessitates.

Uygulamayı Değerlendirme

Belirsizlik altındaki tam tam tam programlama modelleri hesaplamalı olarak talep edilir. Stokastik IP'nin deterministik eşdeğeri, standart çözücülerin kapasitesini hızla aşarak, birkaç gelişmiş tekniği ele almak için:

  • [FONT:0)Decomposition yöntemleri[[[Dönetici:0))[Döneticiler/tr|önetici programlama için L- şekilli yöntem olarak adlandırılır) problemi bir usta probleme böler (ilk- aşama) ve alt diziler (önemli-tavap başına ikinci aşama)
  • [FONT:0]Scenario azaltımı[[[Dönetici: 1) - kümeleme veya önemli örnekleme kullanarak, istatistiksel özellikleri korumak için büyük bir dizi senaryo azaltılabilir.
  • [FONT:0)Progressive hedging[[Dönetici: 1) - Bu, büyük ölçekli stochastic IP için uygun senaryo çözümleri uygun bir şekilde ayarlaması.
  • [FONT:0] ⁇ çözücüler [Döneticiler] - Gurobi ve CPLEX gibi modern çözücüler, otomatik senaryo dekompozisyon ve paralel Bendersler gibi özel yetenekler içerir. Görkemmel programlama kaynakları).

Güçlü optimizasyon için, ana meydan okuma, belirsiz programlama veya dışsal yaklaşımların büyüklüğü, genellikle hesaplamalı olarak karmaşık-inte CPger programları ile sonuçlanabilir, daha karmaşık ayarlar (örneğin, elpsoidal) konic tam programlama veya dışsal yaklaşım gerektirir. Yazılım araçları ve çözücüler artık yerel olarak sağlam formülasyonları destekler; örneğin, [[Döneticileri optimize eder.

Modelin dış-mople testini doğrulamanın da önemlidir. Ortak bir uygulama IP'yi bir eğitim setinde bir eğitim seti ile çözmektir, sonra çözümün performansını ayrı bir test setinde (veya simülasyon yoluyla) değerlendirmektir. Bu, modelin belirli bir senaryoya fazla bir şekilde uygun olmadığını ve belirsizlik gösteriminin yeterli olduğunu sağlar.

Son gelişmeler ve Future Yollar

Belirsizlik altında tam tam tam tam programlama alanı, yeni gelişmelerin değerlendirilmesi devam ediyor:

  • [FONT:0]Risk-averse stochastic programlama[DÜT:1) - Koşullu Değer-at-Risk (CVaR) gibi risk önlemleri, karar vericilerin kuyruk risklerini kontrol etmesine izin verir.
  • [FONT:0)Distributionally sağlam optimizasyon[Dönetici:0)[Dönetici:0) Doğru dağıtımın temelleri, şu anda bilgi veya Wasserstein mesafe ile tanımlanabilen belirsiz ve sağlam optimizasyon unsurlarının bir araya getirilmesi.
  • [FONT:0)Makine öğrenme entegrasyonu[[[Dönetici: 1)) - daha iyi senaryo ağaçları üretmek için makine öğrenimi kullanmak, belirsizlik parametreleri tahmin etmek veya stochastic IPs'in yaklaşık en iyi çözümleri öğrenmek. Örneğin, derin öğrenme kapasite planlamada talep modellerini tahmin etmek için kullanılabilir.
  • [FONT:0]Mixed-integer nonlinear programlama[[Dönersiz)[[[Dönersiz) programlama[[Dönersiz)) - Birçok mühendislik problemi doğrusal olmayan maliyet fonksiyonları, doğrusal olmayan güç akış denklemleri içerir.

Bu gelişmeler, mühendislik projelerinde stratejik planlama için tam anlamıyla programlamaya daha güçlü bir şekilde söz veriyor, karar vericilerin daha derin belirsizlik biçimleri ve birden fazla hedefi dengelemelerine izin veriyor.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Integer programlama, mühendislik projelerinde stratejik planlama için vazgeçilmez bir araçtır, hem de enerji sistemi tasarımı altında ayrı kararlar almak için titiz bir çerçeve sağlar, bu modeller mühendisler neredeyse her zaman olduğu gibi - IP modellerini stoklama, sağlam, ya da şans-konstutlama yöntemleri ile genişletir.

Bu modellerin pratik uygulanması, uygun çözüm tekniklerini seçme ve senaryo analizi yoluyla doğrulamayı gerektirir. algoritmaları, bilişim gücü ve yazılım araçları, tam zamanlı programlama, belirsizlik altında daha merkezi bir rol oynayacaktır, gelecekteki altyapı, enerji ve üretim sistemlerinin şekillendirilmesi.

Stokastik tam programlama ve uygulamaları hakkında daha fazla okuma için, [[Üyetim:0)INFORMS kaynakları sayfası) mükemmel öğreticiler ve vaka çalışmaları sunar. Ek olarak, Birge ve Louveaux tarafından "Introduction to Stochastic Programming" dersi, teori ve algoritmaların kapsamlı bir tedavisini sunar.