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