5.

Traducción a RCPSP / GPR

Las restricciones, variables y objetivos del mundo real se traducen

a un problema de programación. El proyecto de recursos limitados

problema de programación con relaciones de precedencia generalizadas

(RCPSP / GPR) es un problema de programación muy general, en el cual

las limitaciones de recursos y tiempo pueden formularse fácilmente. Un

ejemplo de estas limitaciones son los retrasos de tiempo entre consecutivos

actividades, como se explica más adelante en el presente texto. Cada orden es

traducido a un RCPSP / GPR. Los pedidos múltiples entonces componen una

problema de programación multiproyecto con recursos compartidos. Primero el

Se describe RCPSP / GPR, seguido de la conversión de lo real

limitaciones mundiales a este problema teórico de programación.

El RCPSP / GPR es un tipo de proyecto de recursos limitados

problema de programación con retardos mínimos y máximos, también

llamadas relaciones de precedencia generalizadas o restricciones temporales

(Franck et al., 2001). Neumann y Schwindt (1997) describen

La programación de producción a pedido es una de las más obvias

campos de aplicación de tal problema. Usamos una notación similar a

descrito por Franck et al. (2001). El RCPSP / GPR consiste en una

proyecto con n actividades reales ð1, ..., nÞ. Dos actividades simuladas

(0 y nþ 1) se agregan para representar el inicio y la finalización

del proyecto. Deje p

yo

ser el tiempo o duración de procesamiento y S

el

hora de inicio de la actividad i. Ninguno de los valores de tiempo se limitan a

valores enteros, pero puede ser cualquier momento o intervalo de tiempo, ya que estamos

trabajando con datos del mundo real. De hecho, usamos un tiempo continuo

implementación. S

se establece en el punto más temprano en el tiempo a partir del cual

las actividades de programación pueden comenzar, y S

0

es igual al proyecto

duración o makespan.

nþ1

yo

Los retardos mínimos y máximos se definen entre

actividades del proyecto. re

min

ij

40 denota un retraso de tiempo mínimo

entre las actividades i y j ði a jÞ. Sus tiempos de inicio están relacionados como S

yo

Zd

min

ij

. Para un retraso de tiempo máximo d

máximo

ij

40 entre actividades i

y j, la relación entre los tiempos de inicio se define como S

.Si

todo el tiempo se respetan los retrasos en un calendario, decimos que el

el cronograma es factible en el tiempo.

Las actividades requieren recursos para ser ejecutados. Un conjunto R de renovables

recursos está disponible. Los recursos renovables son recursos

que puede ser reutilizado cuando una actividad previa termina con él.

Estos recursos k tienen una capacidad R

k
S

yo

rd

4 0. Una capacidad de recursos r

es

requerido para llevar a cabo la actividad i en el recurso k, donde

0r r

ik

rR

. Si en cada momento t, se respetan las capacidades de los recursos

en un cronograma, decimos que el cronograma es factible en recursos.

Si un cronograma es factible tanto en tiempo como en recursos, entonces es

llamado factible. La pregunta si es o no un horario factible

Existe un problema de decisión NP-completo (Bartusch et al., 1988).

Encontrar una solución factible que minimice la duración del proyecto es

fuertemente NP-duro. Por lo tanto, hemos elegido usar heurística

métodos para resolver este problema

La Tabla 1 muestra cómo los conceptos del problema del mundo real se asignan a un

problema teórico de programación (RCPSP / GPR). Traducimos cada

orden a un proyecto Los pasos del proceso se traducen en actividades. Estaciones de trabajo

y los equipos se traducen en recursos renovables. los

los recursos tienen una capacidad de R

¼1 en la mayoría de los casos, pero más grande

las capacidades son posibles (por ejemplo, un centro de trabajo de paletización que puede
manejar

entrada desde múltiples líneas). Relaciones de enrutamiento (es decir, sincronización de

comenzar o terminar veces), los retrasos de tiempo y la estructura del producto se traducen

en relaciones de precedencia generalizadas. Mapeo de los pasos del proceso para

centros de trabajo se determinó en el paso de decisión como se discutió en

Sección 4. Los tiempos de procesamiento están establecidos.

En lo que sigue, describimos un ejemplo de la traducción a

restricciones de precedencia generalizada. Dos procesos consecutivos

pasos PS

y PS

se asignan para ejecutarse en los centros de trabajo

baño

y WC

, respectivamente. Si PD

a la actividad j, y WC

y WC

se traduce a la actividad i y PS

tener un retraso de TL, entonces

de fi ne los siguientes rezagos mínimos y máximos, dependiendo

sobre el tipo de conexión entre WC

Conexión de fin de carrera: d

Conexión de extremo a extremo: d

min

ij

min

ij

¼p

yo

þTL
¼ TL yd

máximo

ij

y WC

¼ TL

máximo

ij

ik

Una vez traducido, es decir, en un problema RCPSP / GPR, la solución

se genera secuencialmente proyecto por proyecto. La secuencia fue

determinado en el paso de decisión. Los problemas RCPSP / GPR pueden ser

resuelto con técnicas de la literatura. Varios branch-andbound

métodos han sido propuestos para este problema de programación

en Bartusch et al. (1988), De Reyck y Herroelen (1998),

Schwindt (1998). Franck et al. (2001) introducen la rama truncada

y métodos enlazados y metaheurísticas tales como tabu-searc

hy

algoritmos genéticos. Se han presentado diferentes reglas de prioridad en

la literatura (Franck y Neumann, 1998; Kolisch, 1996) y puede

ser utilizado: la más pequeña 'última hora de inicio' primero (regla LST), 'mínimo

primero, tiempo de holgura (regla MST), "la mayoría de los sucesores totales primero" (regla
MTS),

Se ha demostrado que las reglas de prioridad son rápidas y producen

soluciones de calidad aceptable (especialmente para problemas grandes).

Los métodos de reglas de prioridad se usan junto con un cronograma en serie

esquema de generación para programar sucesivamente las actividades de un

proyecto. De Franck et al. (2001), seleccionamos la regla de prioridad

método con regla LST y lo aplicó al problema investigado.

6. Alimentar el programador con antecedentes precisos

conocimiento

En varios pasos del enfoque, diferentes conocimientos de fondo

es requerido. La precisión del conocimiento de fondo es de

la mayor importancia para obtener un buen método de programación. por

ejemplo, tiempos de procesamiento adecuados, es decir, el tiempo necesario para procesar

una cierta cantidad de un determinado producto en un determinado centro de trabajo.

La mayoría de estos valores se estiman utilizando velocidades teóricas de la máquina.

Esto es razonable como una primera estimación, pero en la práctica estos valores son

no muy preciso Usamos el historial de producción para determinar más

velocidades exactas de la máquina. Vamos a describir brevemente este método.

Desarrollamos un método basado en técnicas de regresión, para

ajustar los valores de velocidad de la máquina mediante el uso de la producción

historia. Los experimentos se han llevado a cabo de manera confidencial

conjunto de datos proporcionado por un cliente de MESware. El conjunto de datos contiene

registros de operaciones ejecutadas durante un período de un año. Ante todo,

traducimos el historial de información de las operaciones ejecutadas a un

conjunto de instancias. Cada operación ejecutada corresponde a una

instancia con múltiples valores de parámetros (workcenter, producto

tipo, cantidad, etc.) y un valor de clase continuo (es decir, máquina

velocidad). Luego, alimentamos estas instancias a una regresión

técnica para construir un modelo a partir de los datos. El modelo es

luego se usa para ajustar los valores de velocidad de la máquina en el fondo

conocimiento. Experimentamos con técnicas de regresión múltiple:

redes neuronales, árboles de regresión, árboles modelo (Wang y

Witten, 1996) y los métodos de K-vecino más cercano (Atkeson et al.,

1997). La Tabla 2 muestra los resultados de tres técnicas de regresión,

utilizando un historial de producción de 1 año. Árboles modelo y K-más cercano

los métodos vecinos funcionaron mejor en términos de media raíz cuadrada

rendimiento de error (RMSE). Comparamos los métodos con un ingenuo

vaticinador. Un predictor ingenuo siempre predeciría el promedio

velocidad de la máquina observada. El predictor, usando un vecino K-más cercano

método, parecía cumplir con las expectativas de calidad (50%

mejor que un predictor ingenuo) en nuestros casos de prueba, y está integrado

en el programador en el sitio de producción.