Планирование работы магазина - Job shop scheduling

Для использования в других целях см. Планирование.

Планирование работы магазина или проблема мастерской (JSP) является проблема оптимизации в Информатика и исследование операций в котором задания назначаются ресурсам в определенное время. Самая основная версия выглядит следующим образом: Нам дается п рабочие места J₁, J₂, ..., J_п различного времени обработки, которое необходимо запланировать на м машины с различной вычислительной мощностью, пытаясь минимизировать сковорода. Продолжительность изготовления - это общая длина расписания (то есть, когда все задания закончили обработку).

Стандартный вариант проблемы - это где у вас п рабочие места J₁, J₂, ..., J_п. Внутри каждого задания есть набор операций О₁, О₂, ..., О_п которые необходимо обрабатывать в определенном порядке (известном как ограничения приоритета). У каждой операции есть определенный компьютер, на котором она должна выполняться, и только одна операция в задании может быть обработана в данный момент времени. Обычное расслабление - это гибкий цех работ, в котором каждая операция может быть обработана на любом станке из заданного набора (станки в наборе идентичны).

Эта проблема - одна из самых известных комбинаторная оптимизация проблемы, и была первой проблемой, для которой Конкурентный анализ был представлен Грэмом в 1966 году.^[1]Лучшие примеры проблем для базовой модели с заданным размахом принадлежат Тайярду.^[2]

Название первоначально произошло от расписания рабочих мест в магазин работы, но тема имеет широкое применение за пределами этого типа экземпляра.

Систематические обозначения были введены для представления различных вариантов этой задачи планирования и связанных с ней проблем, названных трехпольная запись.

Варианты проблемы

Существует множество разновидностей проблемы, в том числе следующие:

• Машины могут иметь дубликаты (гибкий цех работы с дублирующими машинами) или принадлежать к группам идентичных машин (гибкий цех заданий) ^[3]
• Машины могут требовать определенного промежутка времени между заданиями или отсутствия простоев
• Машины могут иметь настройки, зависящие от последовательности
• Целевая функция может заключаться в минимизации времени изготовления, L_п норма, опоздания, максимальное опоздание и т. д. Это также может быть многоцелевой оптимизационной задачей
• Работа может иметь ограничения, например, работа я нужно закончить перед работой j можно запустить (см. рабочий процесс ). Также целевая функция может быть многокритериальной.^[4]
• Набор заданий может относиться к разному набору машин
• Детерминированное (фиксированное) время обработки или вероятностное время обработки

NP-твердость

Поскольку задача коммивояжера является NP-жесткий, проблема мастерской с установка в зависимости от последовательности очевидно также NP-трудный, поскольку TSP - это частный случай JSP с одним заданием (города - это машины, а продавец - это задания).

Представление проблемы

В дизъюнктивный граф ^[5] - одна из популярных моделей, используемых для описания экземпляров задач планирования работы цеха.^[6]

Математическая постановка задачи может быть сделана следующим образом:

Позволять ${displaystyle M={M_{1},M_{2},dots ,M_{m}}}$ и ${displaystyle J={J_{1},J_{2},dots ,J_{n}}}$ быть двумя конечный наборы. Из-за промышленного происхождения проблемы ${displaystyle displaystyle M_{i}}$ называются машины и ${displaystyle displaystyle J_{j}}$ называются рабочие места.

Позволять ${displaystyle displaystyle {mathcal {X}}}$ обозначить множество всех последовательных назначений заданий машинам, так что каждое задание выполняется каждой машиной ровно один раз; элементы ${displaystyle xin {mathcal {X}}}$ можно записать как ${displaystyle n imes m}$ матрицы, в которых столбец ${displaystyle displaystyle i}$ перечисляет задания, которые машина ${displaystyle displaystyle M_{i}}$ сделаю, по порядку. Например, матрица

${displaystyle x={egin{pmatrix}1&22&33&1end{pmatrix}}}$

означает, что машина ${displaystyle displaystyle M_{1}}$ выполнит три работы ${displaystyle displaystyle J_{1},J_{2},J_{3}}$ в порядке ${displaystyle displaystyle J_{1},J_{2},J_{3}}$, а машина ${displaystyle displaystyle M_{2}}$ выполню работу в порядке ${displaystyle displaystyle J_{2},J_{3},J_{1}}$.

Предположим также, что есть функция стоимости ${displaystyle C:{mathcal {X}} o [0,+infty ]}$. Функция стоимости может интерпретироваться как «общее время обработки» и может иметь некоторое выражение в единицах времени. ${displaystyle C_{ij}:M imes J o [0,+infty ]}$, стоимость / время для машины ${displaystyle displaystyle M_{i}}$ делать работу ${displaystyle displaystyle J_{j}}$.

В проблема мастерской найти задание на работу ${displaystyle xin {mathcal {X}}}$ такой, что ${displaystyle displaystyle C(x)}$ это минимум, то есть нет ${displaystyle yin {mathcal {X}}}$ такой, что ${displaystyle displaystyle C(x)>C(y)}$.

Эффективность планирования

Эффективность планирования можно определить для графика через отношение общего времени простоя машины к общему времени обработки, как показано ниже:

${displaystyle C'=1+{sum _{i}l_{i} over sum _{j,k}p_{jk}}={C.m over sum _{j,k}p_{jk}}}$

Здесь ${displaystyle l_{i}}$ время простоя машины ${displaystyle i}$, ${displaystyle C}$ это время приготовления и ${displaystyle m}$ количество машин. Обратите внимание, что с приведенным выше определением эффективность планирования - это просто время изготовления, нормированное на количество машин и общее время обработки. Это позволяет сравнивать использование ресурсов экземплярами JSP разного размера.^[7]

Проблема бесконечной стоимости

Одна из первых проблем, которые необходимо решить в JSP, заключается в том, что многие предлагаемые решения имеют бесконечную стоимость: т. Е. Существует ${displaystyle x_{infty }in {mathcal {X}}}$ такой, что ${displaystyle C(x_{infty })=+infty }$. На самом деле составить примеры таких ${displaystyle x_{infty }}$ гарантируя, что две машины будут тупик, так что каждый ожидает вывода следующего шага другого.

Основные результаты

Грэм уже представил алгоритм планирования списка в 1966 году, который (2 − 1/м)-конкурентоспособный, где m - количество машин.^[1] Также было доказано, что планирование списков является оптимальным онлайн-алгоритмом для 2-х и 3-х машин. В Алгоритм Коффмана – Грэма (1972) для работ с одинаковой длиной также оптимален для двух машин и является (2 − 2/м)-конкурентный.^[8][9] В 1992 году Бартал, Фиат, Карлофф и Вохра представили алгоритм, способный конкурировать с 1.986.^[10] Соревновательный алгоритм 1.945 был представлен Karger, Philips и Torng в 1994 году.^[11] В 1992 году Альберс представил другой алгоритм, способный конкурировать с 1,923.^[12] В настоящее время наиболее известным результатом является алгоритм Флейшера и Валя, который достигает конкурентного отношения 1,9201.^[13]

Нижняя граница 1,852 была представлена ​​Альберсом.^[14]Экземпляры Taillard играют важную роль в разработке расписания рабочих мест с целью увеличения продолжительности работы.

В 1976 году Гарей представил доказательство^[15] что эта проблема НП-полный для m> 2, то есть никакое оптимальное решение не может быть вычислено за полиномиальное время для трех или более машин (если только P = NP ).

В 2011 году Xin Chen et al. предоставил оптимальные алгоритмы для онлайн-планирования на двух связанных машинах^[16] улучшение предыдущих результатов.^[17]

Минимизация времени автономной работы

Атомные рабочие места

Смотрите также: Многопроцессорное планирование

Простейшая форма задачи минимизации рабочего времени в автономном режиме связана с атомарными заданиями, то есть заданиями, которые не подразделяются на несколько операций. Это эквивалентно упаковке нескольких предметов различных размеров в фиксированное количество ящиков, так что максимальный необходимый размер ящика будет как можно меньше. (Если вместо этого количество ячеек должно быть минимизировано, а размер ящика фиксирован, проблема становится другой проблемой, известной как проблема с упаковкой бункера.)

Дорит С. Хохбаум и Давид Шмойс представил схема полиномиальной аппроксимации в 1987 году, который находит приближенное решение проблемы минимизации времени автономной работы с помощью атомарных заданий с любой желаемой степенью точности.^[18]

Работа, состоящая из нескольких операций

Основная форма задачи планирования заданий с несколькими (M) операциями на M машинах, так что все первые операции должны выполняться на первой машине, все вторые операции - на второй и т. Д., И одна работа не может выполняться параллельно, известна как планирование производственного цеха проблема. Существуют различные алгоритмы, в том числе генетические алгоритмы.^[19]

Алгоритм Джонсона

Смотрите также: Правило Джонсона

Эвристический алгоритм С. М. Джонсона может быть использован для решения задачи 2 машин N, когда все задания должны обрабатываться в одном порядке.^[20] Шаги алгоритма следующие:

Работа P_я имеет две операции длительностью P_i1, П_i2, которые должны быть выполнены на машинах M1, M2 в этой последовательности.

• Шаг 1. Список A = {1, 2,…, N}, Список L1 = {}, Список L2 = {}.
• Шаг 2. Из всех доступных продолжительностей операций выберите минимальную.

Если минимум принадлежит P_k1,

Удалить K из списка A; Добавьте K в конец списка L1.

Если минимум принадлежит P_k2,

Удалить K из списка A; Добавить K в начало списка L2.

• Шаг 3. Повторяйте шаг 2, пока список A не станет пустым.
• Шаг 4. Присоединиться к списку L1, списку L2. Это оптимальная последовательность.

Метод Джонсона оптимально работает только для двух машин. Однако, поскольку он оптимален и его легко вычислить, некоторые исследователи пытались адаптировать его для M-машин (M > 2.)

Идея заключается в следующем: представьте, что каждое задание требует m операций последовательно на M1, M2… Mm. Совмещаем первые м/ 2 станков в (воображаемый) обрабатывающий центр MC1, а остальные станки - в обрабатывающий центр MC2. Тогда общее время обработки для задания P на MC1 = сумма (время работы на первом м/ 2 машины), а время обработки для задания P на MC2 = сумма (время работы на последнем м/ 2 машины).

Таким образом, мы свели проблему m-Machine к задаче планирования для двух обрабатывающих центров. Мы можем решить эту проблему с помощью метода Джонсона.

Предсказание Makespan

Машинное обучение недавно использовалось для предсказывать оптимальное время создания экземпляра JSP без фактического создания оптимального расписания.^[7] Предварительные результаты показывают точность около 80% при применении контролируемых методов машинного обучения для классификации небольших случайно сгенерированных экземпляров JSP на основе их оптимальной эффективности планирования по сравнению со средней.

пример

Вот пример задачи планирования работы цеха, сформулированной в AMPL как смешано-целочисленное программирование проблема с ограничениями индикатора:

парам N_JOBS;парам N_MACHINES;набор РАБОТАзаказал=1..N_JOBS;набор МАШИНЫзаказал=1..N_MACHINES;парам Время обработки{РАБОТА,МАШИНЫ}>0;парам CumulativeTime{явРАБОТА,jвМАШИНЫ}=сумма{jjвМАШИНЫ:ord(jj)<=ord(j)}Время обработки[я,jj];парам TimeOffset{i1вРАБОТА,i2вРАБОТА:i1<>i2}=Максимум{jвМАШИНЫ}(CumulativeTime[i1,j]-CumulativeTime[i2,j]+Время обработки[i2,j]);вар конец>=0;вар Начните{РАБОТА}>=0;вар предшествует{i1вРАБОТА,i2вРАБОТА:ord(i1)<ord(i2)}двоичный;свести к минимуму сковорода:конец;подчиняться Makepan_def{явРАБОТА}:конец>=Начните[я]+сумма{jвМАШИНЫ}Время обработки[я,j];подчиняться no12_conflict{i1вРАБОТА,i2вРАБОТА:ord(i1)<ord(i2)}:предшествует[i1,i2]==>Начните[i2]>=Начните[i1]+TimeOffset[i1,i2];подчиняться no21_conflict{i1вРАБОТА,i2вРАБОТА:ord(i1)<ord(i2)}:!предшествует[i1,i2]==>Начните[i1]>=Начните[i2]+TimeOffset[i2,i1];данные;парам N_JOBS:=4;парам N_MACHINES:=4;парам Время обработки:1234:=1421236237234158;

Смотрите также

• Дизъюнктивный граф
• Динамическое программирование
• Планирование поточного цеха
• Планирование генетического алгоритма
• Список NP-полных задач
• Планирование открытия магазина
• Оптимальный контроль
• Планирование (производственные процессы)
• Правдивое планирование работы

Рекомендации

1. Грэм, Р. (1966). "Границы некоторых аномалий многопроцессорной обработки" (PDF). Технический журнал Bell System. 45 (9): 1563–1581. Дои:10.1002 / j.1538-7305.1966.tb01709.x.
2. "Подземелья Тайярда".
3. Маккарти (1993). «Устранение пробелов в планировании исследований: обзор методов оптимизации и эвристики в планировании производства».
4. Малакути, Б. (2013). Операционные и производственные системы с несколькими целями. Джон Вили и сыновья. ISBN  978-1-118-58537-5.
5. Б. Рой, Б. Суссманн, Проблемы ограничения дизъюнктивов, SEMA, Note D.S., No. 9, Paris, 1964.
6. Яцек Блажевич, Эрвин Пеш, Малгожата Стерна, Дизъюнктивное графовое представление задачи планирования работы цеха, Европейский журнал операционных исследований, том 127, выпуск 2, 1 декабря 2000 г., страницы 317-331, ISSN 0377-2217, 10.1016 / S0377 -2217 (99) 00486-5.
7. Миршекарян, Садех; Шормаз, Душан Н. (2016). «Взаимосвязь особенностей задачи планирования работы цеха с эффективностью планирования» (PDF). Экспертные системы с приложениями. 62: 131–147. Дои:10.1016 / j.eswa.2016.06.014.
8. Коффман, Э. Г. мл.; Грэм, Р. Л. (1972), «Оптимальное планирование для двухпроцессорных систем» (PDF), Acta Informatica, 1 (3): 200–213, Дои:10.1007 / bf00288685, Г-Н  0334913, S2CID  40603807.
9. Лам, Шуй; Сетхи, Рави (1977), "Анализ наихудшего случая двух алгоритмов планирования", SIAM Журнал по вычислениям, 6 (3): 518–536, Дои:10.1137/0206037, Г-Н  0496614.
10. Bartal, Y .; А. Фиат; Х. Карлофф; Р. Вохра (1992). «Новые алгоритмы для древней задачи планирования». Proc. 24-й ACM Symp. Теория вычислений. С. 51–58. Дои:10.1145/129712.129718.
11. Каргер, Д.; С. Филлипс; Э. Торнг (1994). «Лучший алгоритм для древней задачи планирования». Proc. Пятый симпозиум ACM. Дискретные алгоритмы.
12. Альберс, Сюзанна; Торбен Хагеруп (1992). «Улучшена параллельная целочисленная сортировка без одновременной записи». Материалы третьего ежегодного симпозиума ACM-SIAM по дискретным алгоритмам. Архив симпозиума по дискретным алгоритмам. С. 463–472.
13. Флейшер, Рудольф (2000). Алгоритмы - ESA 2000. Берлин / Гейдельберг: Springer. С. 202–210. Дои:10.1007/3-540-45253-2_19. ISBN  978-3-540-41004-1.
14. Альберс, Сюзанна (1999). «Лучшие границы для онлайн-планирования». SIAM Журнал по вычислениям. 29 (2): 459–473. CiteSeerX  10.1.1.685.8756. Дои:10.1137 / S0097539797324874.
15. Гарей, М.Р. (1976). «Сложность планирования Flowshop и Jobshop». Математика исследования операций. 1 (2): 117–129. Дои:10.1287 / moor.1.2.117. JSTOR  3689278.
16. Чен, Синь; Лан, Ян; Бенко, Аттила; Доса, Дьёрдь; Хань, Синь (2011). "Оптимальные алгоритмы онлайн-планирования с ограниченной перестановкой в ​​конце". Теоретическая информатика. 412 (45): 6269–6278. Дои:10.1016 / j.tcs.2011.07.014.
17. Лю, М .; Xu, Y .; Чу, С .; Чжэн, Ф. (2009). «Онлайн-планирование на двух одинаковых машинах для минимизации времени изготовления». Теорет. Comput. Наука. 410 (21–23): 2099–2109. Дои:10.1016 / j.tcs.2009.01.007.
18. Хохбаум, Дорит; Шмойс Давид (1987). «Использование алгоритмов двойного приближения для задач планирования: теоретические и практические результаты» (PDF). Журнал ACM. 34 (1): 144–162. CiteSeerX  10.1.1.125.5753. Дои:10.1145/7531.7535. S2CID  9739129.
19. Хури, Сами; Миряла, Соумья Рао (1999). "Генетические алгоритмы для решения задач планирования открытого цеха". Материалы 9-й португальской конференции по искусственному интеллекту: прогресс в области искусственного интеллекта. Лондон: Springer Verlag. CiteSeerX  10.1.1.29.4699.
20. С.М. Джонсон, Оптимальные двух- и трехэтапные графики производства с учетом времени наладки, Naval Res. Журнал. Кварта. I (1954) 61-68.

внешняя ссылка

• Венский университет Справочник методологий, систем и программного обеспечения для динамической оптимизации.
• Инстансы Taillard
• Брукер П. Алгоритмы планирования. Гейдельберг, Спрингер. Пятое изд. ISBN  978-3-540-24804-0
• Визуальное планирование работы магазина