Evolution Algorithm for Job Shop Scheduling Problem Constrained by the Optimization Timespan

Nowadays, production scheduling is a greatly debated field of operation research due its potential benefits for improving manufacturing performance. Production scheduling, however, despite the increasing use of APS (Advanced Planning and scheduling Systems) and MES (Manufacturing Enterprise Systems) is still underestimated and one frequently encounters more or less intuitive scheduling using excel spread sheets at workshop level, mainly in SME (Small and Medium Enterprises). Some of the main reasons for this are the complexity of related algorithms and the timespan of the optimization manufacturing operation sequence. The complexity of the algorithms usually leads to a number of operators which are difficult to set up for a usual workshop foreman or manufacturing planner. That is why dispatching rules are widely used in comparison with advanced heuristics, such as Evolution Algorithms (EA). Therefore, operation research should not focus only on getting the best values of the objective function by problem based operators, but also on industrial practice requirements such as operator simplicity and a low timespan of the optimization. This article briefly introduces key principles of the scheduling system developed for the Job Shop Scheduling Problem (JSSP) type of manufacturing. An implemented EA with random key representation, clone and incest control and chromosome repair algorithm is briefly explained. Further, the test results of the evolution operator (e.g. crossover and selection) are presented with respect to the value of the objective function and timespan of the optimization. The research goal is to develop a principle of automatic optimization using EA, where the single parameter to set is required optimization timespan.

Download Full-text

Energy efficiency, robustness, and makespan optimality in job-shop scheduling problems

Artificial intelligence for engineering design analysis and manufacturing ◽

10.1017/s0890060415000335 ◽

2015 ◽

Vol 30 (3) ◽

pp. 300-312 ◽

Cited By ~ 5

Author(s):

Miguel A. Salido ◽

Joan Escamilla ◽

Federico Barber ◽

Adriana Giret ◽

Dunbing Tang ◽

...

Keyword(s):

Energy Efficiency ◽

Production Scheduling ◽

Job Shop ◽

Job Shop Scheduling ◽

Efficient Solutions ◽

Scheduling Problem ◽

Scheduling Problems ◽

Job Shop Scheduling Problem ◽

Planning And Scheduling ◽

Shop Scheduling

AbstractMany real-world problems are known as planning and scheduling problems, where resources must be allocated so as to optimize overall performance objectives. The traditional scheduling models consider performance indicators such as processing time, cost, and quality as optimization objectives. However, most of them do not take into account energy consumption and robustness. We focus our attention in a job-shop scheduling problem where machines can work at different speeds. It represents an extension of the classical job-shop scheduling problem, where each operation has to be executed by one machine and this machine can work at different speeds. The main goal of the paper is focused on the analysis of three important objectives (energy efficiency, robustness, and makespan) and the relationship among them. We present some analytical formulas to estimate the ratio/relationship between these parameters. It can be observed that there exists a clear relationship between robustness and energy efficiency and a clear trade-off between robustness/energy efficiency and makespan. It represents an advance in the state of the art of production scheduling, so obtaining energy-efficient solutions also supposes obtaining robust solutions, and vice versa.

Download Full-text

Modeling and Simulation of Holonic Meta-Algorithm in Scheduling Process Using PERT Technique − Optimization in Job Shop Scheduling Problem

Applied Mechanics and Materials ◽

10.4028/www.scientific.net/amm.760.199 ◽

2015 ◽

Vol 760 ◽

pp. 199-204

Author(s):

Mircea Gorgoi ◽

Corneliu Neagu

Keyword(s):

Objective Function ◽

Job Shop ◽

Job Shop Scheduling ◽

Scheduling Problem ◽

Job Shop Scheduling Problem ◽

New Approach ◽

Shop Scheduling ◽

Technique Optimization ◽

Optimum Solution

In generally scheduling can be viewed as optimization, bound by sequence and resource constrain and the minimization of the makespan is often used as the criterion. In this paper minimization of the makespan or complete time will be used such as an objective function and not the criterion of the decision. The new approach use heuristic elementary priority dispatch rules as the criterion of the decision. This research purpose a new methodology which use a specific elements of PERT techniques to find the optimum solution. New approach establish a solution's space where are find the all solution of the problem. Determination of the solution's space is realized by a meta-algorithm which take in account all the variant of the solutions of the process.

Download Full-text

Minimizing Makespan in Job Shop Scheduling Problem Using Genetic Algorithm

Applied Mechanics and Materials ◽

10.4028/www.scientific.net/amm.813-814.1183 ◽

2015 ◽

Vol 813-814 ◽

pp. 1183-1187 ◽

Cited By ~ 3

Author(s):

Aathi Muthiah ◽

R. Rajkumar ◽

B. Muthukumar

Keyword(s):

Genetic Algorithm ◽

Production Scheduling ◽

Job Shop ◽

Job Shop Scheduling ◽

Setup Time ◽

Scheduling Problem ◽

Job Shop Scheduling Problem ◽

Shop Scheduling ◽

Knowing That ◽

Batch Sizes

- Scheduling is an important tool for manufacturing and engineering, where it can have a major impact on the productivity of a process. In manufacturing, the purpose of scheduling is to minimize the production time and costs. Production scheduling aims to maximize the efficiency of the operation and reduce costs. We keep all of our machines well-maintained to prevent any problems, but there is on way to completely prevent down-time. With redundant machines we have the security of knowing that we are not going to be in trouble meeting our deadlines if a machine has any unexpected down-times. Finally we can work to get our batch sizes as small as is reasonably possible while also reducing the setup time of each batch. This allows us to eliminate a sizable portion of each part waiting while the rest of the parts in the batch are being machined.

Download Full-text

Multi-Objective Optimization Algorithm for Job Shop Scheduling Problem in Discrete Manufacturing Enterprise

Applied Mechanics and Materials ◽

10.4028/www.scientific.net/amm.741.860 ◽

2015 ◽

Vol 741 ◽

pp. 860-864

Author(s):

Li Lan Liu ◽

Xue Wei Liu ◽

Sen Wang ◽

Wei Zhou ◽

Gai Ping Zhao

Keyword(s):

Production Scheduling ◽

Job Shop ◽

Job Shop Scheduling ◽

Pso Algorithm ◽

Scheduling Problem ◽

Job Shop Scheduling Problem ◽

Manufacturing Enterprise ◽

Shop Scheduling ◽

Discrete Manufacturing ◽

Scheduling Plan

Job Shop scheduling should satisfy the constraints of time, order and resource. To solve this NP-Hard problem, multi-optimization for job shop scheduling problem (JSSP) in discrete manufacturing plant is researched. Objective of JSSP in discrete manufacturing enterprise was analyzed, and production scheduling optimization model was constructed with the optimization goal of minimizing the bottleneck machines’ make-span and the total products’ tardiness; Then, Particle Swarm Optimization (PSO) algorithm was used to solve this model by the process-based encoding mode; To solve the premature convergence problem of PSO, advantages of Simulated Annealing (SA) algorithm, such as better global optimization performance, was integrated into PSO algorithm and a Hybrid PSO-SA Algorithm (HPSA) was proposed and the flowchart was presented; Then, this hybrid algorithm was applied in actual production scheduling of a discrete manufacturing enterprise. Finally, comparative analysis of HPSA/SA/PSO optimal methods and actual scheduling plan was carried out, which verify the result that the HPSA is effective and superiority.

Download Full-text

Particle swarm optimization and discrete artificial bee colony algorithms for solving production scheduling problems

Technical Sciences ◽

10.31648/ts.4348 ◽

2019 ◽

Vol 1 (22) ◽

pp. 61-74

Author(s):

Tadeusz Witkowski

Keyword(s):

Particle Swarm Optimization ◽

Production Scheduling ◽

Artificial Bee Colony ◽

Job Shop ◽

Job Shop Scheduling ◽

Scheduling Problem ◽

Job Shop Scheduling Problem ◽

Swarm Optimization ◽

Shop Scheduling ◽

Bee Colony

This paper shows the use of Discrete Artificial Bee Colony (DABC) and Particle Swarm Optimization (PSO) algorithm for solving the job shop scheduling problem (JSSP) with the objective of minimizing makespan. The Job Shop Scheduling Problem is one of the most difficult problems, as it is classified as an NP-complete one. Stochastic search techniques such as swarm and evolutionary algorithms are used to find a good solution. Our objective is to evaluate the efficiency of DABC and PSO swarm algorithms on many tests of JSSP problems. DABC and PSO algorithms have been developed for solving real production scheduling problem too. The experiment results indicate that this problem can be effectively solved by PSO and DABC algorithms.

Download Full-text

Συστήματα αλγορίθμων λεπτομερειακού χρονικού προγραμματισμού παραγωγής

10.12681/eadd/28710 ◽

2009 ◽

Author(s):

Αθανάσιος Σπανός

Keyword(s):

Job Shop ◽

Flow Shop ◽

Job Shop Scheduling ◽

State Of The Art ◽

Flow Shop Scheduling ◽

Scheduling Problem ◽

Job Shop Scheduling Problem ◽

Shop Scheduling ◽

Advanced Planning ◽

Medium Enterprises

Σκοπός της παρούσας διατριβής είναι να διερευνήσει ενδελεχώς τις δυνατότητες εφαρμογής των σύνθετων και πολύπλοκων υβριδικών μεταευρετικών αλγορίθμων του θεωρητικού λεπτομερειακού προγραμματισμού παραγωγής σε πρακτικά προβλήματα. Η ντετερμινιστική μορφή του λεπτομερειακού προγραμματισμού παραγωγής, το λεγόμενο και JSSP (Job Shop Scheduling Problem), έχει απασχολήσει ερευνητές ανά τον κόσμο συστηματικά τις τελευταίες πέντε δεκαετίες. Η βιβλιογραφική ανασκόπηση και υπολογιστική σύγκριση μεταξύ state-of-the-art αλγορίθμων κατέδειξε πως δεν υπάρχει μεμονωμένη στρατηγική που να δύναται να επιλύσει αυτό το δυσεπίλυτο και πολύπλοκο πρόβλημα. Ως εκ τούτου, η έρευνα έχει στραφεί σε γενικευμένους υβριδικούς μεταευρετικούς αλγορίθμους και ειδικούς ευρετικούς μηχανισμούς. Οι μεν πρώτοι αξιοποιούνται κατά κύριο λόγο για τον απεγκλωβισμό της αναζήτησης από τοπικά βέλτιστα, ενώ οι δε δεύτεροι αξιοποιούν γνώση συσχετιζόμενη με το χώρο λύσεων του JSSP. Οι σύγχρονοι state-of-the-art αλγόριθμοι υποβοηθούμενοι πάντα από τη διαρκή εξέλιξη των επεξεργαστών και την επαύξηση της υπολογιστικής ισχύος, έχουν κατορθώσει να επιτυγχάνουν πολύ υψηλή απόδοση και σταθερότητα με μικρό σχετικά υπολογιστικό κόστος για την πλειοψηφία των προβλημάτων μέτρησης απόδοσης του JSSP. Μολαταύτα, γεννάται το ερώτημα: τέτοιου είδους αλγόριθμοι είναι εφαρμόσιμοι και εξίσου αποδοτικοί στην πράξη; Μια πρώτη απάντηση δίνεται από το περιεχόμενο αυτής της διατριβής και συνοψίζεται ως εξής: δεν είναι εφαρμόσιμοι, παρεκτός αν παραμετροποιηθούν σε σημαντικό βαθμό, αλλοιώνοντας την πλειοψηφία των αρχικών τους χαρακτηριστικών, και συνδυαστούν με πρόσθετους ευρετικούς μηχανισμούς και εργαλεία υποστήριξης αποφάσεων. Στην απάντηση αυτή συνηγορεί και η αρχιτεκτονική των συστημάτων APS (Advanced Planning Scheduling) που στοχεύουν στην επίλυση δυναμικών προβλημάτων λεπτομερειακού προγραμματισμού παραγωγής. Τα συστήματα αυτά ενσωματώνουν είτε αναλυτικούς, είτε γενικευμένους προσεγγιστικούς αλγορίθμους και τους ενισχύουν με μια σειρά εργαλείων για την υποστήριξη του χρήστη στη λήψη αποφάσεων. Δυστυχώς, χαρακτηρίζονται από μια σειρά μειονεκτημάτων όπως το υψηλό κόστος κτήσης και παραμετροποίησης, η εξαιρετικά χρονοβόρα διαδικασία δημιουργίας πλάνων παραγωγής, η περιττή λειτουργικότητα, η αδυναμία αφομοίωσης των ιδιαιτεροτήτων της παραγωγής από τους διαθέσιμους αλγόριθμους κ.α.. Συνεπώς, είναι προφανές πως ιδίως για SMEs (Small to Medium Enterprises) τα APS καθίστανται απαγορευτικά και είναι σκόπιμη μια εναλλακτική προσέγγιση. Αυτή είναι και η κύρια συνεισφορά της διατριβής: μια προσέγγιση για την καλύτερη δυνατή εφαρμογή λίαν αποδοτικών αλγορίθμων του JSSP σε πρακτικά προβλήματα υπό τη μορφή ολοκληρωμένων συστημάτων υποστήριξης αποφάσεων DSS (Decision Support Systems). Προκειμένου να καταστρωθεί αυτή η προσέγγιση η ερευνητική διαδικασία χωρίστηκε σε δύο μέρη. Το πρώτο μέρος σχετίζεται με θεματικές ενότητες που άπτονται του ντετερμινιστικού λεπτομερειακού προγραμματισμού παραγωγής. Αρχικά, μελετώνται οι ιδιότητες και το θεωρητικό υπόβαθρο του χώρου λύσεων του JSSP και αναλύονται όλοι οι διαθέσιμοι αλγόριθμοι για την επίλυση προβλημάτων διακριτής βελτιστοποίησης. Εν συνεχεία, τα χρήσιμα συμπεράσματα της ανασκόπησης αξιοποιούνται για την ανάπτυξη ενός παράλληλου υβριδικού μεταευρετικού αλγορίθμου που συνδυάζει γενετικούς αλγόριθμους με αναζήτηση tabu. Τέλος, η αποδοτικότητα του αλγοριθμικού μοντέλου αξιολογείται κατά την εφαρμογή του σε 242 προβλήματα μέτρησης απόδοσης διακριτής παραγωγής (JSSP) και 40 ροϊκής (FSSP- Flow Shop Scheduling Problem). Είναι άξιο μνείας πως ο εν λόγω αλγόριθμος αποδείχθηκε state-of-the-art για το FSSP και ως η state-of-the-art μέθοδος γενετικής τοπικής αναζήτησης για το JSSP. Κατά το δεύτερο μέρος εξετάζεται ποια είναι η προτιμητέα ατραπός για την προσαρμογή του προτεινόμενού αλγορίθμου σε δυναμικά προβλήματα λεπτομερειακού προγραμματισμού. Αρχικά, μελετάται η διάσταση μεταξύ θεωρίας και πράξης και υπερτονίζονται τα σημεία που χρίζουν ιδιαίτερης προσοχής. Κατόπιν, διενεργείται βιβλιογραφική ανασκόπηση αναφορικά με τους αλγόριθμους, τη λειτουργικότητα και τις εφαρμογές των συστημάτων APS. Βάσει των προκύπτοντων συμπερασμάτων, ο προτεινόμενος αλγόριθμος μορφοποιείται ως το DSS eGantt. Η αποδοτικότητα του eGantt αξιολογείται καθολικά από την εφαρμογή του σε μελέτη περίπτωσης, προερχόμενη από τον κλάδο μεταποίησης μετάλλου και ειδικότερα την κλειθροποιḯα. Τα συγκεντρωτικά αποτελέσματα του πρώτου και του δεύτερου μέρους επικυρώνουν την προτεινόμενη προσέγγιση της διατριβής.

Download Full-text