摘要：Automatizuojant realius nūdienos gamybinius procesus, vis aktualiau yra spręsti iškylančias gamybos planavimo problemas ir ieškoti optimalių procesų valdymo būdų. Programinės įrangos kūrėjai ir mokslininkai jau daug metų sprendžia skirtingo pobūdžio kombinatorinės optimizacijos problemas ir ieško tinkamų ir veiksmingų nepertraukiamų gamybinių procesų planavimo ir valdymo sprendimų. Straipsnyje pateikiami dviejų euristinių gamybos procesų planavimo būdų - artimiausio kaimyno paieškos algoritmo (NN) ir skruzdžių kolonijos optimizavimo algoritmo (ACO) savybių palyginamoji studija, nustatant tinkamiausias šių metodų taikymo integracines savybes, sprendžiant konkrečias realaus gamybinio proceso valdymo, optimizavimo ir testavimo problemas. Tokio pobūdžio problemos priskiriamos asimetrinio komivojažerio optimalaus darbo paieškos algoritmų klasei (ATSP) ir yra žinomos kaip vienos iš sunkiau išsprendžiamų. Ypač aktualių veiksmingų algoritmų paieškos klausimų iškyla, kai gamybiniai procesai yra didelio masto. Darbe buvo analizuojami ir vertinami artimiausio kaimyno ir skruzdžių kolonijos optimizavimo algoritmai, lyginant du kriterijus: tikslo funkcijos reikšmes ir skaičiavimų CPU laiką (įskaitant statistinio patikimumo ribas). Rezultatai, gauti nagrinėjant sudėtingus realius gamybinius kompleksus, ir išvados iliustruoja tinkamesnių vieno ar kito algoritmo savybių taikymo galimybes, pasireiškiančias tam tikromis ribinėmis sąlygomis. Eksperimentai parodė, kad vertinti minimalioms tikslo funkcijos reikšmėms ACO algoritmas tinka geriau nei NN algoritmas. Kita vertus, esant didesnėms apkrovoms, ACO algoritmo skaičiavimas trunka šiek tiek ilgiau.http://dx.doi.org/10.5755/j01.itc.40.2.426
其他摘要：Production scheduling problems attract a lot of attention among applied scientists and practitioners working in the field of combinatorial optimization and optimization software development since they are encountered in many different manufacturing processes and thus effective solutions to them offer great benefits. In this work, two commonly used heuristic methods for solving production scheduling problems, namely, the Nearest Neighbor (NN) and Ant Colony Optimization (ACO) have been tested on a specific real-life problem and the results discussed. The problem belongs to the class of Asymmetric Travelling Salesman Problems (ATSP), which is known as a hard type problem with no effective solutions for large scale problems available yet. The performances of the Nearest Neighbor algorithm and the Ant Colony Optimization technique were evaluated and compared using two criteria, namely: the minimum value of the objective function achieved and the CPU time it took to find it (including the statistical confidence limits). The conclusions drawn suggest that on one hand the ACO algorithm works better than NN if looking at the achieved minimum values of the objective function. On the other hand, the computational time of the ACO algorithm is slightly longer.http://dx.doi.org/10.5755/j01.itc.40.2.426
关键词：theory of algorithms; production scheduling; asymmetric travelling salesman problem; Ant Colony optimization; nearest neighbor
Loading...
