Двухуровневая оптимизация распределения заданий по пакетам и расписаний их выполнения в конвейерных системах с буферами ограниченных размеров

Обложка

Цитировать

Полный текст

Аннотация

Существующие на данный момент математические модели и алгоритмы обеспечивают оптимизацию расписаний выполнения единичных заданий либо фиксированных пакетов заданий на приборах конвейерных систем, содержащих буферы ограниченных размеров. Эти модели и алгоритмы не позволяют осуществлять поиск оптимальных решений по группированию однотипных заданий в пакеты и по последовательностям пакетов для реализации операций с ними на приборах конвейерных систем. Повышение эффективности использования ресурсов конвейерных систем достигается путем оптимизации решений по группированию однотипных заданий в пакеты и по последовательностям пакетов для проведения операций с ними. Решение этой задачи выполнено в работе посредством привлечения подхода, реализующего двухуровневую оптимизацию, который позволяет сформировать иерархию подзадач поиска эффективных решений. Привлечение упомянутого подхода предполагает разработку математических моделей иерархических игр, позволяющих идентифицировать эффективные решения рассматриваемого вида. Осуществлено построение двух математических моделей иерархических игр, использование которых позволяет реализовать оптимизацию составов пакетов на верхнем уровне ведущим игроком и оптимизацию расписаний выполнения пакетов в конвейерных системах на нижнем уровне ведомым игроком. Способ определения оптимальных решений каждым из игроков предусматривает заданный в игре порядок ходов и обмен решений между ними в процессе игры. Первая математическая модель иерархической игры реализует определение эффективных решений при учете простоев обрабатывающих приборов в процессе реализации операций с пакетами. Вторая математическая модель игры реализует определение эффективных решений при учете общего времени ожидания буферами размещения в них заданий, с которыми завершились операции на предшествующих приборах. Для этого сформированы выражения, позволяющие определять простои буферов в ожидании готовности заданий из пакетов к размещению на основе временных характеристик процессов выполнения операций с ними на приборах рассматриваемых систем. В основу алгоритма определения оптимальных решений по порядкам осуществления операций с пакетами на нижнем уровне в каждой из иерархических игр положена разработанная математическая модель процессов реализации действий с пакетам в указанных системах и соответствующий алгоритм моделирования. Реализация рассматриваемого подхода к оптимизации позволила получить результаты, которые показали, что использование буферов позволяет значительно повысить эффективность процессов осуществления операций с пакетами на приборах рассматриваемых систем; увеличение размеров промежуточных буферов позволяет в большей степени повысить эффективность указанных процессов при значительных неоднородностях значений временных параметров, их характеризующих; использование первой модели иерархической игры позволяет добиться большего повышения эффективности процессов в сравнении со второй моделью.

Об авторах

К. В Кротов

ФГАОУ ВО «Севастопольский государственный университет»

Email: krotov_k1@mail.ru
улица Университетская 33

Список литературы

  1. Кротов К.В. Комплексный метод определения эффективных решений по составам партий данных и расписаниям их обработки в конвейерных системах // Вычислительные технологии. Изд-во Института вычислительных технологий СО РАН. 2018. Т. 23. № 3. С. 58–76.
  2. Кротов К.В., Скатков А.В. Построение комплексных расписаний выполнения пакетов заданий при формировании комплектов в заданные директивные сроки // Информатика и автоматизация. 2021. Т. 20(3). С. 654–689. doi: 10.15622/ia.2021.3.6.
  3. Кротов К.В., Скатков А.В. Оптимизация планирования выполнения пакетов заданий в многостадийных системах при ограничениях и формировании комплектов // Компьютерные исследования и моделирование. 2021. Т. 13. № 5. С. 917–946.
  4. Кротов К.В. Математическое моделирование процессов выполнения пакетов заданий в конвейерных системах с промежуточными буферами ограниченных размеров // Информатика и автоматизация. 2023. Т. 22(6). С. 1415–1450.
  5. Papadimitriou Ch.H., Kanellakis P.C. Flowshop scheduling with limited temporary storage // Journal of Association for Computing Machinery. 1980. vol. 27. no. 3. pp. 533–549.
  6. Leisten R. Flowshop sequencing problems with limited buffer storage // International Journal of Production Research. 1990. vol. 28. no. 11. pp. 2085–2100.
  7. Crowder B. Minimizing the makespan in a flexible flowshop with sequence dependent setup times, uniform machines and limited buffers // Graduate Theses, Dissertations and Problem Reports. Morgantown: West Virginia University, 2006. 145 p. doi: 10.33915/etd.4220.
  8. Han Zh., Zhang Q., Shi H., Qi Yu., Sun L. Research on limited buffer scheduling problems in flexible flow shops with setup times // International Journal of Modelling, Identification and Control. 2019. vol. 32. no. 2. pp. 93–104.
  9. Eddaly M., Jarboui B., Siarry P., Rebaï A. An Estimation of Distribution Algorithm for Flowshop Scheduling with Limited Buffers // Natural Intelligence for Scheduling, Planning and Packing Problems. Studies in Computational Intelligence. 2009. (SCI). vol. 250. pp. 89–110.
  10. Frasch J.V., Krumke S.O., Westphal S. MIP Formulations for Flowshop Scheduling with Limited Buffers // Proceedings First International ICST Conference «Theory and Practice of Algorithms in (Computer) Systems» (TAPAS). 2011. vol. 6595. pp. 127–138.
  11. Fu Q., Sivakumar A., Li K. Optimisation of flow-shop scheduling with batch processor and limited buffer // International Journal of Production Research. 2012. vol. 50. pp. 2267–2285.
  12. Çakici M.K. Parallel flow shop scheduling with common workstations // A thesis submitted to the graduate school of natural and applied sciences of Middle East technical university. 2019. 138 p.
  13. Кононова П.А., Кочетов Ю.А. Алгоритм локального поиска для построения расписаний работы одного станка с переналадкой оборудования и складом // Дискретный анализ и исследование операций. 2019. Т. 26. № 2. С. 60–78.
  14. Lin Ch.-Ch., Liu W.-Y., Chen Y.-H. Considering Stockers in Reentrant Hybrid Flow Shop Scheduling with Limited Buffer Capacity // Computers & Industrial Engineering. 2020. vol. 139. doi: 10.1016/j.cie.2019.106154.
  15. Takano M.I., Nagano M.S. Solving the permutation flow shop problem with blocking and setup time constraints // International Journal of Industrial Engineering Computations. 2020. vol. 11. no. 3. pp. 469–480. doi: 10.5267/j.ijiec.2019.11.002.
  16. Zhang Ch., Tan J., Peng K., Gao L., Shen W., Lian K. A discrete whale swarm algorithm for hybrid flow-shop scheduling problem with limited buffers // Robotics and Computer-Integrated Manufacturing. 2021. vol. 68. doi: 10.1016/j.rcim.2020.102081.
  17. Rooeinfar R., Raissi S., Ghezavati V.R. Stochastic flexible flow shop scheduling problem with limited buffers and fixed interval preventive maintenance: a hybrid approach of simulation and metaheuristic algorithms // Simulation. 2019. vol. 95(6). pp. 509–528. doi: 10.1177/0037549718809542.
  18. Ernst A., Fung J., Singh G., Zinder Ya. Flexible flow shop with dedicated buffers // Discrete Applied Mathematics. 2019. no. 261. pp. 148–163. doi: 10.1016/j.dam.2018.07.002.
  19. Berlinska J. Heuristics for scheduling data gathering with limited base station memory // Annals of Operations Research. 2020. no. 285(1). pp. 149–159. doi: 10.1007/s10479-019-03185-3.
  20. Berlinska J., Kononov A., Zinder Ya. Two-machine flow shop with dynamic storage space // Optimization Letters. 2021. vol. 15. pp. 2433–2454. doi: 10.1007/s11590-020-01645-5.
  21. Souiden S., Cerqueus A., Delorme X., Rascle J.-L. Retail order picking scheduling with missing operations and limited buffer // IFAC-Papers On Line, 21st IFAC World Congress. 2020. voo. 53(2). pp. 10767–10772. doi: 10.1016/j.ifacol.2020.12.2859.
  22. Esfeh M.K., Shojaei A.A., Javanshir H., Damghani K.K. Solving a bi-objective flexible flow shop problem with transporter preventive maintenance planning and limited buffers by NSGA-II and MOPSO // The International Journal of Nonlinear Analysis and Applications (IJNAA). 2022. vol. 13. no. 1. pp. 217–246. doi: 10.22075/ijnaa.2021.24335.2719.
  23. Koh J., Bodin B. K-periodic scheduling for throughput-buffering trade-off exploration of CSDF // ACM Transactions on Embedded Computing Systems. 2022. vol. 22. no. 1. doi: 10.1145/3559760.
  24. Honorat A., Dardaillon M., Miomandre H., Nezan J.-F. Automated buffer sizing of dataflow applications in a high-level synthesis workflow // ACM Transactions on Reconfigurable Technology and Systems (TRETS). 2024. no. 17(1). pp. 1–26. doi: 10.1145/3626103.
  25. Van Schilt I.M., Van Kalker J., Lefter I., Kwakkel J., Verbraeck A. Buffer scheduling for improving on-time performance and connectivity with a multi-objective simulation–optimization model: A proof of concept for the airline industry // Journal of Air Transport Management. 2024. no. 115(7). doi: 10.1016/j.jairtraman.2024.102547.
  26. Agnetis A., Pacciarelli D., Rossi F. Batch scheduling in a two-machine flow shop with limited buffer // Discrete Applied Mathematics. 1997. no. 72. pp. 243–260.
  27. Pranzo M. Batch scheduling in a two-machine flow shop with limited buffer and sequence independent setup times and removal times // European Journal of Operational Research. 2004. no. 153(3). pp. 581–592.
  28. Dai J. Batch Scheduling of Two-machine Limited-buffer Flow Shop with Setup and Removal Times // A Thesis for the Degree of Doctor of Philosophy in the School of Industrial and Systems Engineering. Georgia Institute of Technology. 2003. 108 p.
  29. Belaid R., T’kindt V., Esswein C. Scheduling batches in flow shop with limited buffers in the shampoo industry // European Journal of Operational Research. 2012. vol. 223(2). pp. 560–572.
  30. Ruhbakhsh R., Mehdizadeh E., Adibi M. A Mathematical Model for Lot-streaming Hybrid Flow Shop Scheduling Problem by Considering Learning Effect and Buffer Capacity // Scientia Iranica. 2022. doi: 10.24200/SCI.2022.58131.5582.
  31. Janeš G., Ištokovi´c D., Jurkovi´c Z., Perinic M. Application of modified steady-state genetic algorithm for batch sizing and scheduling problem with limited buffers // Applied Sciences. 2022. no. 12(22). doi: 10.3390/app122211512.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».