Це застарівша версія, яка була опублікована 2024-10-15. Прочитайте найбільш нову версію.

Агреговані об’ємно-часові моделі планування для одного класу дискретних виробничих систем

Автор(и)

  • О. Павлов КПІ ім. Ігоря Сікорського, Україна
  • М. Кисельов КПІ ім. Ігоря Сікорського, Україна
  • Б. Палеха КПІ ім. Ігоря Сікорського, Україна

DOI:

https://doi.org/10.20535/1560-8956.45.2024.313149

Ключові слова:

дискретна виробнича система, багатоцільове лінійне програмування, компромісні критерії, симплекс-метод

Анотація

Розглянуто проблему складання календарного поопераційного плану для одного класу дискретних виробничих систем, об’ємні характеристики якого повинні бути оптимальними відносно критерія, що включає в себе агреговані часові обмеження. Розв'язок цієї задачі пропонується виконувати в два етапи. Перший – знайти агрегований план, що відповідає одній із запропонованих авторами низки оригінальних агрегованих об’ємно-часових моделей. Другий етап – дезагрегація отриманого оптимального агрегованого плану, що включає в себе агреговані часові обмеження, в поопераційний календарний план. Реалізація другого етапу в даній роботі не розглядається. Запропоновано низку лінійних моделей, що відрізняються між собою як кількістю обмежень і змінних, так і методами їх розв’язання, як задачі лінійного програмування. Запропоновані моделі узагальнені на випадок необхідності знаходження компромісного рішення відносно множини, можливо, антагоністичних лінійних критеріїв в детермінованій постановці та в умовах невизначеності. 

Бібл. 17.

Посилання

Zgurovsky M.Z., Pavlov A.A. Introduction. In: Combinatorial Optimization Problems in Planning and Decision Making: Theory and Applications, 1st ed. Studies in Systems, Decision and Control. 2019. Vol. 173. P. 1–14. Cham: Springer. DOI: 10.1007/978-3-319-98977-8_1

Leng J., Jiang P. Dynamic scheduling in RFID-driven discrete manufacturing system by using multi-layer network metrics as heuristic information. Journal of Intelligent Manufacturing. 2019. Vol. 30. Iss. 3. P. 979–994. DOI: 10.1007/s10845-017-1301-y

Li J. Overlapping decomposition: A system-theoretic method for modeling and analysis of complex manufacturing systems. IEEE Transactions on Automation Science and Engineering. 2005, Vol. 2. Iss. 1. P. 40–53. DOI: 10.1109/tase.2004.835576

Wang C., Jiang P. Manifold learning based rescheduling decision mechanism for recessive disturbances in RFID-driven job shops. Journal of Intelligent Manufacturing. 2016. Vol. 29. Iss. 7. P. 1485–1500. DOI: 10.1007/s10845-016-1194-1

Sabuncuoglu I., Bayiz M. Analysis of reactive scheduling problems in a job shop environment. European Journal of Operational Research. 2000. Vol. 126. Iss. 3. P. 567–586. DOI: 10.1016/s0377-2217(99)00311-2

Ouelhadj D., Petrovic S. A survey of dynamic scheduling in manufacturing systems. Journal of Scheduling. 2009. Vol. 12. Iss. 4. P. 417–431. DOI: 10.1007/s10951-008-0090-8

Khodke P.M., Bhongade A.S. Real-time scheduling in manufacturing system with machining and assembly operations: A state of art. International Journal of Production Research. 2013. Vol. 51. Iss. 16. P. 4966–4978. DOI: 10.1080/00207543.2013.784414

Buzacott J.A., Shanthikumar J.G. Stochastic Models of Manufacturing Systems. Prentice-Hall, Englewood Cliffs, New Jersey. 1993. 553 p.

Neumann A., Hajji A., Rekik M., Pellerin R. Genetic algorithms for planning and scheduling engineer-to-order production: a systematic review. International Journal of Production Research. 2024. Vol. 62. Iss. 8. P. 2888–2917. DOI: 10.1080/00207543.2023.2237122

Neumann A., Hajji A., Rekik M., Pellerin R. A didactic review on genetic algorithms for industrial planning and scheduling problems. IFAC-PapersOnLine. 2022. Vol. 55. Iss. 10. P. 2593-2598. DOI: 10.1016/j.ifacol.2022.10.100

Aliyev A.G. Development of Models of Manufacturing Processes of Innovative Products at Different Levels of Management. International Journal of Information Technology and Computer Science (IJITCS). 2019. Vol. 11. No. 5. P. 23–29. DOI: 10.5815/ijitcs.2019.05.03

Aliyev A.G. Shahverdiyeva R.O. Application of Mathematical Methods and Models in Product – Service Manufacturing Processes in Scientific Innovative Technoparks. International Journal of Mathematical Sciences and Computing (IJMSC). 2018. Vol. 4. No. 3. P. 1–12. DOI: 10.5815/ijmsc.2018.03.01

Mekidiche M., Belmokaddem M., Djemmaa Z. Weighted Additive Fuzzy Goal Programming Approach to Aggregate Production Planning. International Journal of Intelligent Systems and Applications (IJISA). 2013. Vol. 5. No. 4. P. 20–29. DOI: 10.5815/ijisa.2013.04.02

Qin G., Sun S., Ye H., Lu D. Strategies on Teaching Reformation for Mechanical Manufacturing Technology. International Journal of Education and Management Engineering (IJEME). 2011. Vol. 1. No. 6. P. 70–75. DOI: 10.5815/ijeme.2011.06.11

Wang L., Tang D. Optimization for manufacturing system based on Pheromone. International Journal of Information Technology and Computer Science (IJITCS). 2011. Vol. 3. No. 3. P. 15–21. DOI: 10.5815/ijitcs.2011.03.03

Zgurovsky M.Z., Pavlov A.A. The Four-Level Model of Planning and Decision Making. In: Combinatorial Optimization Problems in Planning and Decision Making: Theory and Applications, 1st ed. Studies in Systems, Decision and Control. 2019. Vol. 173. P. 347–406. Cham: Springer. DOI: 10.1007/978-3-319-98977-8_8

Pavlov A.A. Models and algorithms of multipurpose linear programming. Journal of Automation and Information Sciences. 2020. Vol. 52. Iss. 11. P. 48–59. DOI: 10.1615/JAutomatInfScien.v52.i11.401

##submission.downloads##

Опубліковано

2024-10-15

Версії