یک الگوریتم ژنتیک برای مسئله زمانبندی انعطاف پذیر شغلی-فروشگاه

A genetic algorithm for the Flexible Job-shop Scheduling Problem

چکیده
1 FJSP
2 مرور نوشته ها
3 یکGA برای FJSP
3-1 جمعیت اولیه
3-2 برنامه نویسی
3-3 ارزیابی تناسب
3-4 انتخاب
3-5تولید فرزندان
4 نتیجه محاسباتی
5 نتیجه گیری و تحقیقات آینده

چکیده
در این مقاله، ما یک الگوریتم ژنتیک برای مسئله برنامه ریزی انعطاف پذیر شغلی-فروشگاه (FJSP). ارائه می دهیم. این الگوریتم استراتژی های مختلف را برای تولید جمعیت اولیه، انتخاب افراد برای تولید مثل و تکثیر افراد جدید ادغام می کند. نتیجه محاسباتی نشان می دهد که ادغام راهبردهای بیشتر در یک چارچوب ژنتیکی، با توجه به دیگر الگوریتم های ژنتیک، منجر به نتایج بهتر می شود. علاوه بر این، نتایج به دست آمده کاملا قابل مقایسه با نتایج به دست آمده توسط بهترین الگوریتم شناخته شده، بر اساس جستجوی ممنوع است. این دو نتیجه، با هم به همراه انعطاف پذیری الگوی ژنتیکی ثابت می کند که الگوریتم های ژنتیکی برای حل FJSP موثر هستند.

برنامه ریزی عملیات، یکی از مهم ترین مسائل در برنامه ریزی و مدیریت فرآیندهای تولید است. یافتن بهترین برنامه زمانبندی می تواند با توجه به محیط فروشگاه، محدودیت های فرآیند و شاخص عملکرد آسان و یا بسیار دشوار باشد. یکی از سخت ترین مشکلات در این زمینه، مشکل زمانبندی کار فروشگاه (JSP) است که در آن مجموعه ای از کارها باید بر روی مجموعه ای از ماشین آلات پردازش شود که هر کار توسط یک دنباله از عملیات های پشت سر هم تشکیل شده است، هر عملیات دقیقا نیاز به یک ماشین دارد، ماشین به طور مداوم در دسترس است و می تواند یک فرایند را در یک زمان و بدون وقفه انجام دهد. این تصمیم مربوط به چگونگی توالی عملیات در دستگاه، مانند شاخص عملکرد بهینه سازی می شود. یک شاخص نوعی معمولی برای JSP، مدت کلی برنامه زمانبندی است، به عنوان مثال، زمان مورد نیاز برای تکمیل تمام مشاغل.. JSPیک مسئله سخت NP به خوبی شناخته شده است. [2] مسئله زمانبندی انعطاف پذیر شغلی-فروشگاه (FJSP)، یک کلیت از JSP کلاسیک، که در آن عملیات ها مجاز به پردازش در میان مجموعه ای از دستگاه های موجود هستند. سپس بنابراین FJSP از JSP کلاسیک سخت تر است. از آن جا که سطح تصمیمات بیشتر را در کنار توالی، به عنوان مثال، مسیرهای کار، عرضه می کند. تعیین مسیرهای شغلی میانی برای تصمیم گیری، برای هر عملیات، چیزی است که دستگاه باید آن را در میان مسیرهای که در دسترس هستند، پردازش نماید.
مسئله FJSP نشان دهنده روش های ابتکاری تولید برنامه های زمانبندی خوب در زمان معقول ، به به جای جستجوی یک راه حل دقیق، همچنین برای نمونه های کوچک است. ابتکارات به طور کلی راه حل هایی را ارائه نمی دهند که مقدار تابع هدف آنها دارای فاصله تضمین شده از نقطه مطلوب باشد، اما برای بسیاری از نمونه های مسئله می توانند موثر باشند. در سال های اخیر، اتخاذ روش های فرا اکتشافی مانند شبیه سازی بازپخت، جستجوی ممنوع و الگوریتم های ژنتیکی (GAS) نسبت به الگوریتم های توزیع کلاسیک و یا روش های اکتشافی سختگیرانه (3-5) به نتایج بهتری منجر شده است.

Abstract

In this paper, we present a genetic algorithm for the Flexible Job-shop Scheduling Problem (FJSP). The algorithm integrates different strategies for generating the initial population, selecting the individuals for reproduction and reproducing new individuals. Computational result shows that the integration of more strategies in a genetic framework leads to better results, with respect to other genetic algorithms. Moreover, results are quite comparable to those obtained by the best-known algorithm, based on tabu search. These two results, together with the flexibility of genetic paradigm, prove that genetic algorithms are effective for solving FJSP.

Scheduling of operations is one of the most critical issues in the planning and managing of manufacturing processes. To find the best schedule can be very easy or very difficult, depending on the shop environment, the process constraints and the performance indicator [1]. One of the most difficult problems in this area is the Job-shop Scheduling Problem (JSP), where a set of jobs must be processed on a set of machines, each job is formed by a sequence of consecutive operations, each operation requires exactly one machine, machines are continuously available and can process one operation at a time without interruption. The decision concerns how to sequence the operations on the machines, such as a given performance indicator is optimized. A typical performance indicator for JSP is the makespan, i.e., the time needed to complete all the jobs. JSP is a well-known NP-hard problem [2].

The Flexible Job-shop Scheduling problem (FJSP) is a generalization of the classical JSP, where operations are allowed to be processed on any among a set of available machines. Then, FJSP is more difficult than the classical JSP, since it introduces a further decision level beside the sequencing one, i.e., the job routes. To determine the job routes means to decide, for each operation, what machine must process it, among the available ones.

The difficulty of FJSP suggests the adoption of heuristic methods producing reasonably good schedules in a reasonable time, instead of looking for an exact solution, also for small instances. Heuristics generally do not give solutions whose objective function value have a guaranteed distance from the optimum, but they can be effective for most problem instances. In recent years, the adoption of meta-heuristics such as simulated annealing, tabu search and genetic algorithms (GAS) has led to better results than classical dispatching or greedy heuristic algorithms [3–5].

مشکلات طراحی و برنامه ریزی در سیستم های تولید انعطاف پذیر: یک بررسی بحرانی

Design and planning problems in flexible manufacturing systems: a critical review

Abstract

This review paper describes the state-of-the-art research on flexible manufacturing systems (FMS) design and planning issues. The emphasis is on presenting research results coming out of the current FMS literature that help the FMS manager in setting up a highly efficient manufacturing system. In addition to that, it discusses relevant research contributions after 1986, that were not part of any of the previous survey papers on operations research models for FMSs. Also, applications of combinatorial optimization approaches to FMS planning problems are adequately exposed in the paper.

1- Introduction and problem classification

1-1 Introduction

Flexible manufacturing is an efficient alternative to conventional batch manufacturing. High work-in-process (WIP) levels and low machine utilization were always indicative of inefficiency in batch manufacturing. Even in the United States, the world’s largest center of mass production, 75 % of the parts produced by metal processing are in lots of less than 50 pieces (Merchant, 1983). The need for a highly productive alternative to batch manufacturing has always been the major driving force behind the flexible manufacturing system (FMS) development. Hard automation, that could efficiently turn thousands and millions of identical parts, was not the answer to efficient batch manufacturing. What was needed was flexible automation that could handle a large and constantly changing variety of produced items. The technological advancements of the 1970s such as on-line availability of computers and numerical control techniques made flexible automation possible, and the development of the first FMSs took place. FMSs have become widely used in a diverse set of industries. Application of FMSs can be found in the aerospace, agricultural, appliance, automobile, defense, electronic, machine tool, motor and engine components, and other industries throughout the United States, Japan and Europe. Technical descriptions of FMSs can be found in Dupont-Gatelmand (1982) and Hatvany (1983) among others. A wid