Математическая модель и алгоритм метода ветвей и границ для оптимизации решений по составам пакетов в многостадийных системах

Обложка

Цитировать

Полный текст

Аннотация

Современные методы решения задач планирования выполнения пакетов заданий в многостадийных системах характеризуются наличием ограничений на их размерность, невозможностью гарантированного получения лучших результатов в сравнении с фиксированными пакетами при различных значениях входных параметров задачи. В статье автором решена задача оптимизации составов пакетов заданий, выполняющихся в многостадийных системах, с использованием метода ветвей и границ. Проведены исследования различных способов формирования порядков выполнения пакетов заданий в многостадийных системах (эвристических правил упорядочивания пакетов заданий в последовательностях их выполнения на приборах МС). Определен способ упорядочивания пакетов в последовательностях их выполнения (эвристическое правило), обеспечивающий минимизацию общего времени реализации действий с ними на приборах. На основе полученного правила сформулирован способ упорядочивания типов заданий, в соответствии с которым их пакеты рассматриваются в процедуре метода ветвей и границ. Построена математическая модель процесса реализации действий с пакетами на приборах системы, которая обеспечивает вычисление его параметров. Выполнено построение метода формирования всех возможных решений по составам пакетов заданий для заданного их количества. Решения по составам пакетов заданий разных типов интерпретируются в процедуре метода ветвей и границ с целью построения оптимальной их комбинации. Для реализации метода ветвей и границ сформулирована процедура ветвления (разбиения), предполагающая формирование подмножеств решений, включающих пакеты разных составов заданий одного типа. Построены выражения для вычисления нижних и верхних оценок значений критерия оптимизации составов пакетов для сформированных в процедуре ветвления подмножеств. Процедура отсева предполагает исключение подмножеств, нижняя оценка которых не меньше рекорда. Для поиска оптимальных решений применена стратегия поиска в ширину, предусматривающая исследование всех подмножеств решений, включающих различные пакеты заданий одного типа, полученных в результате процедуры разбиения подмножеств заданий, не исключенных из рассмотрения после реализации процедуры отсева. Разработанные алгоритмы реализованы программно, что позволило получить результаты планирования выполнения пакетов заданий в многостадийной системе, являющиеся в среднем на 30 % лучшими, чем для фиксированных пакетов.

Об авторах

К. В Кротов

ФГАОУ ВО Севастопольский Государственный университет (СевГУ)

Email: krotov_k1@mail.ru
ул. Университетская 33

Список литературы

  1. Ogun B., Cigdem A.-U. Mathematical Models for a Batch Scheduling Problem to Minimizе Earliness and Tardiness. Journal of Industrial Engineering and Management. JIEM, 2018. № 11(3). pp. 390-405.
  2. Chaudhry I.A., Elbadawi I. A-Q., Usman M., Chugtai M.T. Minimising Total Flowtime in a No-Wait Flow Shop (NWFS) using Genetic Algorithms. Ingeniería e Investigación. 2018. Vol. 38. № 3. pp. 68-79.
  3. Tan Y., Huangi W., Sun Y., Yue Y. Comparative Study of Different Approaches to Solve Batch Process Sheduling and Optimisation Problems. Proceedings of the 18th International Conference on Automation & Computing. Loughborough University. Leicestershire. UK. 2012. pp 424–444.
  4. Кротов К.В. Использование аппарата генетических алгоритмов при формировании решений по составам партий данных в двухуровневой задаче построения комплексных расписаний их обработки. Автоматизированные технологии и производства // Международный научно-технический журнал. 2017. №2 (16). С. 23-34.
  5. Li X.L., Wang Y. Scheduling Batch Processing Machine Using Max–Min Ant System Algorithm Improved by a Local Search Method. Mathematical Problems in Engineering. 2018. Vol. 2018.
  6. Li Sh., Cheng T.C.E., Ng C.T., Yuan J. Single-machine batch scheduling with job processing time compatibility. Theoretical Computer Science. 2015. Vol. 583. pp. 57-66.
  7. Jin M., Liu X., Luo W. Single-Machine Parallel-Batch Scheduling with Nonidentical Job Sizes and Rejection. Mathematics. 2020. Vol. 8.
  8. Surjandari I., Rachman A., Purdianta, Dhini A. The batch scheduling model for dynamic multi-item, multi-level production in an assembly job shop with parallel machines. International Journal of Technology. 2015. № 1. pp. 84-96.
  9. Joglekar G. Using Simulation for Scheduling and Rescheduling of Batch Processes. Processes. 2017. № 5.
  10. Ковалев М.Я. Модели и методы календарного планирования. Курс лекций. Минск: БГУ. 2004. 63 с.
  11. Morrison D.R., Jacobson Sh.H., Sauppe J.J., Sewell E.C. Branch-and-bound algorithms: A survey of recent advances in searching, branching and pruning. Discrete Optimization. 2016. № 19. pp. 79-102.
  12. Dawd S.T., Ayvaz B. A branch and bound approach for single machine scheduling problem. Istanbul Commerce University. Journal of Science. 2017. № 16 (31). pp. 43-55.
  13. Rasti-Barzoki M., Hejazi S.R. A branch and bound algorithm to minimize the total weighted number of tardy jobs and delivery costs with late deliveries for a supply chain-scheduling problem. Journal of Industrial and Systems Engineering. 2017. Vol. 10. № 1. pp 50- 60.
  14. Прилуцкий М.Х., Власов В.С. Метод ветвей и границ с эвристическими оценками для конвейерной задачи теории расписаний // Математическое моделирование. Оптимальное управление. Вестник Нижегородского университета им. Н.И. Лобачевского. 2008. № 3. 147-153 с.
  15. Takano M.I., Nagano M.S. A branch-and bound method to minimize the makespan in a permutation flow shop with blocking and setup times. Cogent Engineering. 2017.
  16. Григорьева Н.С. Алгоритм ветвей и границ для задачи составления расписания на параллельных процессорах // Вестник Санкт-Петербургского университета. серия 10. 2009. выпуск 1. 44-55 с.
  17. Mazda Ch.N., Kurniawati D.A. Branch and Bound Method to Overcome Delay Delivery Order in Flow Shop Scheduling Problem. IOP Conf. Series: Materials Science and Engineering. 2020.
  18. Watermeyer K., Zimmermann J. A branch-and-bound procedure for the resource-constrained project scheduling problem with partially renewable resources and general temporal constraints. OR Spectrum. 2020. № 42. pp. 427–460.
  19. Hu Sh., Wang S., Kao Y., Ito T., Sun X. A Branch and Bound Algorithm for Project Scheduling Problem with Spatial Resource Constraints. Hindawi Publishing Corporation. Mathematical Problems in Engineering. Vol. 2015. P. 9.
  20. Могилев А.А. Обзор методов решения задач теории расписаний // Информатика, вычислительная техника и инженерное образование. 2019. № 4 (37). 19-32 с.
  21. Кротов К.В. Информационная модель многоуровневой системы выполнения конвейеризированных программ // Международный научно-технический журнал «Проблемы управления и информатики». 2014. № 3. 89-101 c.
  22. Lawler E.L., Lenstra J.K., Rinnooy Kan A.H.G., Shmoys D.B. Sequencing and Scheduling: Algorithms and Complexity. Handbook in Operations Research and Managment Science. North-Holland, Amsterdam. 1993. Vol. 4. pp. 445-522.
  23. Кротов К.В. Комплексный метод определения эффективных решений по составам партий данных и расписаниям их обработки в конвейерных системах // Журнал «Вычислительные технологии». Новосибирск. Изд-во Института вычислительных технологий СО РАН. 2018. № 3. 58-76 с.
  24. Кротов К.В., Скатков А.В. Организация web-ориентированного сервиса мониторинга окружающей среды с использованием данных дистанционного зондирования Земли и конвейеризации обработки данных // Труды учебных заведений связи. 2021. Т. 7. №1. 105-121 c.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

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».