An Algorithm for Solution of Scheduling Problem for Job Shop with Group Machining

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

The paper presents the new algorithm for solving one problem from the scheduling theory. The method is based on the principle of graph coloring and allows simultaneous processing of several details in one workplace. The problems of scheduling theory are briefly analyzed and the place of the given problem is determined within the general classification of problems. The scheduling algorithm and the program on the basis of it have been developed to solve this problem for various optimality criteria. Two versions of the program have been implemented. The first one follows directly the data structures and the sequence of actions of the graph coloring method. In the second version, the structures of the linear representation of the graph are used, as well as multi-step operations are introduced, which made it possible to increase the efficiency of the scheduling algorithm. The time characteristics of the program execution on a different number of details for two versions of the program are given. The prospects for the development of the program and the scope of its application are discussed and could be rather wide, from agribusiness, such as optimizing the production of meat products, to manufacturing enterprises with a significant range of product line.

Авторлар туралы

Korovin Korovin

Financial University under the Government of the Russian Federation

Хат алмасуға жауапты Автор.
Email: DIKorovin@fa.ru

Department of Data Analysis and Machine Learning, Professor, Doctor of Economic Sciences

Ресей, Moscow

Ekaterina Romanova

Financial University under the Government of the Russian Federation

Email: EkVRomanova@fa.ru

Department of Data Analysis and Machine Learning, Associate Professor, Candidate of Physical and Mathematical Sciences

Ресей, Moscow

Svetlana Muminova

Financial University under the Government of the Russian Federation

Email: SRMuminova@fa.ru

Department of Data Analysis and Machine Learning, Associate Professor, candidate of technical sciences

Ресей, Moscow

Alexey Osipov

Financial University under the Government of the Russian Federation; Moscow Technical University of Communications and Informatics

Email: avosipov@fa.ru

Department of Data Analysis and Machine Learning, Candidate of Physical and Mathematical Sciences

Ресей, Moscow; Moscow

Ekaterina Pleshakova

Financial University under the Government of the Russian Federation; Moscow Technical University of Communications and Informatics

Email: espleshakova@fa.ru

Department of Data Analysis and Machine Learning, Leading Researcher, Candidate of Technical Sciences

Ресей, Moscow; Moscow

Lev Chernyshov

Financial University under the Government of the Russian Federation; Moscow Aviation Institute (National Research University)

Email: LNCHernyshov@fa.ru

Department of Data Analysis and Machine Learning, Associate Professor, Candidate of Physical and Mathematical Sciences

Ресей, Moscow; Moscow

Gataullin Sergey T. Gataullin Sergey T.

Moscow Technical University of Communications and Informatics

Email: stgataullin@fa.ru

Dean of the Faculty of Digital Economy and Mass Communications Candidate of Economic Sciences

Ресей, Moscow

Әдебиет тізімі

  1. Kochkarov, R. Multicriteria Optimization Problem on Prefractal Graph. Mathematics 2022, 10, 930. Https://doi.org/10.3390/math10060930.
  2. Kochkarov, R. Research of NP-Complete Problems in the Class of Prefractal Graphs. Mathematics 2021, 9, 2764. Https://doi.org/10.3390/math9212764.
  3. Dogadina, E.P.; Smirnov, M.V.; Osipov, A.V.; Suvorov, S.V. Evaluation of the forms of education of high school students using a hybrid model based on various optimization methods and a neural network. Informatics 2021, 8, 46.
  4. Osipov, A.; Filimonov, A.; Suvorov S. Applying Machine Learning Techniques to Identify Damaged Potatoes. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). In Proceedings of the LNCS, 20th International Conference on Artificial Intelligence and Soft Computing, ICAISC 2021, Virtual, Online, 21-23 June 2021 doi: 10.1007/978-3-030-87986-0_17.
  5. Pavlyutin, M.; Samoyavcheva, M.; Kochkarov, R.; Pleshakova, E.; Korchagin, S.; Gataullin, T.; Nikitin, P.; Hidirova, M. COVID-19 Spread Forecasting, Mathematical Methods vs. Machine Learning, Moscow Case. Mathematics 2022, 10, 195. Https://doi.org/10.3390/math10020195
  6. Soloviev, V. Fintech Ecosystem in Russia. In Proceedings of the 2018 11th International Conference; Management of Large-Scale System Development, MLSD, Moscow, Russia, 1–3 October 2018. 10.13187/mlsd.2018.855180810.
  7. Ivanyuk, V. Formulating the concept of an investment strategy adaptable to changes in the market situation. Economies 2021, 9, 95 10.3390/economies9030095
  8. Andriyanov, N.; Khasanshin, I.; Utkin, D.; Gataullin, T.; Ignar, S.; Shumaev, V.; Soloviev, V. Intelligent System for Estimation of the Spatial Position of Apples Based on yolov3 and Real Sense Depth Camera D415. Symmetry 2022, 14, 148.
  9. Andriyanov, N.A., Dementiev, V.E., Tashlinskiy, A.G. Detection of objects in the images: from likelihood relationships toward scalable and efficient neural networks. Computer Optics 2022, Vol. 46(1). doi: 10.18287/24126179-CO-922.
  10. Wu, Kan; Shen, Yichi .A unified view on planning, scheduling and dispatching for a factory. Advanced Engineering Informatics 2020, 46, 101188.10.1016/j.aei.2020.101188.
  11. Zhou, Tong; Tang, Dunbing; Zhu, Haihua; Zhang, Zequn. Multi-agent reinforcement learning for online scheduling in smart factories. Robotics and Computer-Integrated Manufacturing 2021, 72, 102202.10.1016/j.rcim.2021.102202.
  12. Luo, Qiang; Deng, Qianwang; Gong, Guiliang; Zhang, Like; Han, Wenwu; Li, Kexin. An efficient memetic algorithm for distributed flexible job shop scheduling problem with transfers. Expert Systems with Applications 2020, 160, 113721. 10.1016/j.eswa.2020.113721.
  13. Li, Haoran; Li, Xinyu; Gao, Liang. A discrete artificial bee colony algorithm for the distributed heterogeneous no-wait flowshop scheduling problem. Applied Soft Computing 2021, 100, 106946. 10.1016/j.asoc.2020.106946.
  14. Zhou, Bin; Bao, Jinsong; Li, Jie; Lu, Yuqian; Liu, Tianyuan; Zhang, Qiwan. A novel knowledge graph-based optimization approach for resource allocation in discrete manufacturing workshops. Robotics and Computer-Integrated Manufacturing 2021, 71, 102160. 10.1016/j.rcim.2021.102160.
  15. Lu, Houjun; Wang, Sai. A study on multi-ASC scheduling method of automated container terminals based on graph theory. Computers & Industrial Engineering 2019, 129, 404-416. 10.1016/j.cie.2019.01.050.
  16. Garey, M.R.; Johnson, D.S.; Sethi, Ravi. The Complexity of Flowshop and Jobshop Scheduling. Mathematics of Operations Research 1976, 1, 2, 117-129.
  17. The Scheduling Zoo. Available online: http://www- desir.lip6.fr/~durrc/query/ (accessed 25 November 2021)
  18. Korovin, D.I. Logical principles in organization of production. Ivanovo State University: Ivanovo, 2006.
  19. Shaw, A. The Logical Design of Operating System. PRENTICE-HALL, INC. ENGLEWOOD CLIFFS: N.J. 1974.
  20. Liu, Q.; Shao, X.; Yang, J.-P.; Zhang, J.-S. Multiscale modeling and collaborative manufacturing for steelmaking plants. Chinese Journal of Engineering 2021, 43 (12), 1698-1712.
  21. Wang,B.; Liu, F.; Lin, W.; Ma, Z.; Xu, D. Energyefficient collaborative optimization for VM scheduling in cloud computing. Computer Networks 2021, 201, № 108565.
  22. Unsal, O. An extended formulation of moldable task scheduling problem and its application to quay crane assignments. Expert Systems with Applications 2021, 185, № 115617.
  23. Lin, Y.; Miao, S.; Yang, W.; Yin, B.; Tu, Q.; Ye, C. Day-ahead optimal scheduling strategy of virtual power plant for environment with multiple uncertainties. Electric Power Automation Equipment 2021, 41 (12), 143-150.
  24. Zheng, X.; Liang, S.; Xiong, X. A hardware/software partitioning method based on graph convolution network. Design Automation for Embedded Systems 2021, 25 (4), 325-351.
  25. Huang, Y.: Xu, H.; Gao, H.: Ma, X.; Hussein, W. SSUR: An Approach to Optimizing Virtual Machine Allocation Strategy Based on User Requirements for Cloud Data Center. IEEE Transactions on Green Communications and Networking 2021, 5(2), 670-681. doi: 10.1109/TGCN.2021.3067374.
  26. Ma, X.; Xu, H.; Gao, H.; Bian M. Real-time MultipleWorkflow Scheduling in Cloud Environments. IEEE Transactions on Network and Service Management(TNSM) 2021, 18(4), 4002-4018. doi: 10.1109/TNSM.2021.3125395.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».