Ponad 15% mniej przezbrojeń dających prawie 10% krótszy plan produkcji w piekarniach. Polski producent słodyczy optymalizuje harmonogramowanie produkcji za pomocą algorytmów ewolucyjnych. Algorytmy ewolucyjne są zainspirowane zachowaniem zwierząt jak mrówki szukające pożywienia.
Amerykańskie sklepy wielobranżowe stosują algorytmy genetyczne do planowania tras przejazdów. Zredukowali o 30% koszty transportu minimalizując trasy przejazdu. Zmniejszyła się o 28% liczba mil oraz o 12% liczba samochodów. Wprowadzone rozwiązanie poprawiło planowanie tras z odpowiednią liczbą przystanków na każdej trasie, aby optymalizować wykorzystanie przyczep. Rozwiązywany był
problem komiwojażera, którego szczególnym przypadkiem jest problem harmonogramowania.
Harmonogramowanie to proces organizowania, kontrolowania i optymalizowania pracy i obciążenia w procesach produkcyjnych, logistycznych, usługach i serwisie, czyli układanie zadań w harmonogram. Harmonogramowanie to alokacja maszyn, ludzi, zakup materiałów do planów realizacji, które mają konkretne oczekiwane wyniki i ograniczenia. Optymalizacja w harmonogramowaniu polega na znalezieniu harmonogramu, który minimalizuje czas i koszt realizacji planu. Problem harmonogramowania jest dynamiczny, dane przychodzą w trakcie realizacji harmonogramu. W problemie harmonogramowania mamy wiele rodzajów ograniczeń, często dynamicznych jak dostępność maszyn czy ludzi w różnych godzinach tygodnia. Harmonogramowanie za pomocą algorytmów z nadzorem planistów, którzy odkrywają dodatkowe ograniczenia niedostępne dla algorytmów, może poprawić harmonogram [3].
Nierozerwalnie z harmonogramowaniem związane jest planowanie, jak planowanie sprzedaży, szczególnie w warunkach
efektu byczego bicza, gdyż ograniczenia i plan determinują trudność optymalizacji harmonogramu. Oznacza to, że harmonogramowanie jest trudnym problemem, dla rozwiązania którego stosuje się algorytmy obliczeniowo złożone. Złożoność, natura kombinatoryczna większości problemów harmonogramowania zainspirowała naukowców do eksperymentowania z algorytmami ewolucyjnymi [4].
Na przykład
algorytm mrówkowy zainspirowany zachowaniem mrówek szukających pożywienia dla swojej kolonii. Początkowo mrówki poruszają się w sposób losowy. Gdy znajdują pożywienie, wracają do swojej kolonii pozostawiając ślad feromonów. Gdy inna mrówka natknie się na ten ślad, podąża za śladem i przestaje poruszać się w sposób losowy. W ten sposób mrówki optymalizują pracę znalezienia pożywienia.
Optymalizacja harmonogramowania to minimalizowanie czasu realizacji planu, w którym sprawdzi się również
symulacja dyskretna.
[1]
A case study on using evolutionary algorithms to optimize bakery production planning
[2]
Reduced transportation costs for a convenience retailer
[3]
Simplify Production Scheduling with Visualization
[4]
A Genetic algorithm for Resource-Constrained Scheduling
