Formulación y solución de producción que planifica problemas

Teoría y Metodología

Formulación y solución de producción que planifica problemas

Resumen

La producción que planifica problemas con frecuencia implica la asignación de empleos u operaciones a máquinas. El modelo más simple de este problema es el problema de asignación conocido (AP). Sin embargo, debido a la simplificación de suposiciones este modelo no proporciona soluciones implementable para mucha producción real que planifica problemas. Las extensiones del modelo de asignación simple sabido (conocido) como el problema de asignación generalizado (el HUECO) y el multirecurso generalizaron el problema de asignación (MRGAP) ha sido desarrollado para vencer este dificultad. Este papel (periódico) presenta una extensión (del MRGAP) para permitir a hornadas de individuo terribles a través de múltiples máquinas, considerando el electo de gastos de sistema y tiempos de ajuste (preparación). La extensión es importante para mucha producción real que planifica problemas, incluyendo la en la inyección que moldea la industria y en el metal que corta industria. Formulamos los modelos que son las extensiones lógicas de los modelos anteriores que no hicieron caso de la hornada que se hiende para el problema que dirigimos. Entonces damos formulaciones diferentes y sugerimos las adaptaciones de un algoritmo genético (GA) y la templadura simulada (SA). Una evaluación sistemática de estos algoritmos, así como una relajación Lagrangiana (LR) el acercamiento, es presentada.

Palabras clave: Producción; templadura Simulada; algoritmos genéticos; relajación Lagrangiana.

Introducción:

El problema de asignación (AP) es un modelo de investigación de operaciones clásico. Considerando un juego de tareas para ser asignadas a un grupo de agentes y el coste de realizar cada tarea por cada agente, el modelo asigna tareas a agentes de modo que cada tarea sea asignada a un agente, cada agente realiza una tarea y el coste total es reducido al mínimo (Hillier y Lieberman, 1980). Una extensión a este problema conocido como el problema de asignación generalizado (el HUECO) permite a la asignación de múltiples tareas a cada agente sujeto a la disponibilidad de un tipo de recurso solo que es consumido por los agentes realizando estas tareas (Ross y Soland, 1975).
El modelo de asignación también ha sido ampliado al caso donde los agentes consumen múltiples tipos de recurso realizando sus tareas, y la disponibilidad de cada tipo de recurso es limitada (Pirkul, 1986; Gavish y Pirkul, 1991). Este problema es conocido como el multirecurso generalizó el problema de asignación (MRGAP).

Las susodichas extensiones asumen que cada agente puede ser asignado múltiples tareas, pero que cada tarea es asignada a sólo un agente solo. Sin embargo, en muchas industrias donde la producción es programada en hornadas y cada hornada es considerado una tarea, la división de hornada es común, p. ej., una tarea a menudo es asignada a dos o más agentes. Esto es una producción común que planifica el acercamiento en el recorte de metal y en la inyección plástica que moldea industrias. La decisión de si hay que hender una tarea depiende en gran parte sobre el tiempo de ajuste(preparación) y costado de asignar la tarea a cada agente. En un justo a tiempo (JIT) el entorno(el medio ambiente) donde el tiempo de ajuste(preparación) y el coste son pequeños, la tarea o la división de hornada muy pueden ser costadas e€ective.

En las secciones siguientes ampliamos MRGAP a un nuevo problema ± el MRGAP con sistemas (MRGAPS). Presentamos las extensiones lógicas de los modelos anteriores que no hicieron caso de la hornada que se hiende al problema que dirigimos. Entonces damos formulaciones di€erent con menos coacciones, pero variables adicionales. En Secciones 4±7, hablamos de accesos de solución a este problema. Presentamos una evaluación sistemática de técnicas basadas en la relajación Lagrangian (LR), un algoritmo genético (GA), y la templadura simulada (SA). Todos estos algoritmos son la heurística en el sentido literal, porque ninguno de ellos puede garantizar una solución óptima.
Nuestra puesta en práctica tanto de SA como de GA usa un acercamiento de pena de tener infeasibility en cuenta en interacciones intermedias; nuestra función de pena implica las mismas coacciones que son relajadas en nuestro LR, un algoritmo genético (GA), y templadura simulada (SA). Todos estos algoritmos son la heurística en el sentido literal, porque ninguno de ellos puede garantizar una solución óptima.
Nuestra puesta en práctica tanto de SA como de GA usa un acercamiento de pena de tener infeasibility en cuenta en interacciones intermedias; nuestra función de pena implica las mismas coacciones que son relajadas en nuestro algoritmo LR. También damos formulaciones más dóciles "con la cruce" en nuestra adaptación de GA. La experiencia computacional es presentada en
La sección 8, y nuestras conclusiones son relatados enLa sección 9.

2. Literatura relacionada
SA y GA están basado en el paradigma heurístico de búsqueda (la Perla, 1984) de informática. En ambos de estas técnicas, en cada solución subsecuente de la iteración son producidos por métodos pseudoarbitrarios. SA, que está basado en la dinámica estadística, di€ers de operaciones tradicionales, técnicas de búsqueda en las cuales soluciones subsecuentes son aceptadas con una cierta probabilidad, incluso si ellos son peores que anteriores. Han mostrado esto empíricamente para reducir la posibilidad de finalización con un grado óptimo local. En GA, soluciones subsecuentes son generadas usando conceptos de la biología de genética, a saber la mutación y la cruce.
El empleo de las poblaciones de soluciones en cada iteración, a diferencia de soluciones solas, ayuda a GA a examinar el espacio demográfico, y de ahí evitar trampas locales óptimas. Ambos métodos tienen una posibilidad razonablemente buena de obtener soluciones globales óptimas.

Hay una extensa literatura sobre el uso de ambos SA y GA para resolver problemas de optimización.

El libro de Aarts y Korst (1989) tiene dos capítulos sobre el uso de SA para la optimización combinatoria. Goldberg (1989) también tiene un capítulo sobre la aplicación de GA a problemas de optimización. Johnson et al. (1989) ofrece una extensa empírica análisis de SA con particular referencia a optimización combinatoria. Ellos proporcionan algunos directrices sobre la base de sus propios cálculos sobre la mejor manera de adaptarse SA a problemas particulares. Por grafos aleatorios dispersos, el método de Johnson SAet al. (1989) funciona mejor que la conocida Kernighan ± algoritmo de Lin. Friesz et al. (1993)SA adaptada para resolver una red de transporte problema de diseño con restricciones de desigualdad variacional,y obtuvo la mejor solución conocida para la conocida red Sioux Falls 76 de arco. Los aplicaciones de SA en el diseño de las comunicación es redes también muestran un rendimiento muy bueno(Fetterolf y Anandalingam, 1991, 1992.

...