Файл: Голенко Д.И. Статистические модели в управлении производством.pdf

ния производственных систем. Тем не менее выбор луч­ шего из некоторого множества заданных для конкрет­ ной производственной системы (либо типовой структуры производственной системы) приоритетов сравнительно просто осуществить с помощью имитационной модели. Для этого необходимо проиграть на модели производст­ венный процесс с каждым приоритетом поочередно, вы­ числяя при этом значение f-целевой функции системы в целом. Естественно, что лучшим на испытанном множе­ стве будет приоритет, при котором достигается опти­ мальное значение /. Чем шире и представительнее мно­

конфликтных ситуаций в момент наступления сущест­

ответствует минимальное изменение нижней оценки цик­ ла. Эта оценка строится по сумме времени оставшихся операций. Приближенность метода состоит в том, что оценка цикла, прогнозируемая после принятия каждого решения, принимается за истинную величину цикла, в результате чего движение происходит лишь по одной ветви дерева решений и не запоминаются другие ветви. Остановимся подробнее на реализации правила пред­ почтения.

В любой момент Тк освобождения станка г выявляет­ ся «напряженная» деталь, у которой суммарное время оставшихся операций (оставшееся время начатой опера­ ции в сумму не включается) максимально. Расписание обработки оставшихся операций «напряженной» детали в сильной степени влияет на величину цикла. Если «нап­ ряженная» деталь стоит в очереди к станку г, то ее за­ пуск призводится в момент Тк. Если она еще не постав­ лена в очередь, то вычисляется оставшееся время tnr выполнения операций напряженной детали до опера-

ции, соответствующей станку г, и сравнивается со вре­

обработку на освободившемся станке /, обозначим сим­

пряженная» деталь, если она претендует на обработку; если же нет, то на обработку запускается деталь по правилу кратчайшей операции. Деталь назовем «напря­ женной», если суммарное время оставшихся невыпол­ ненными операций (оставшееся время начавшейся опе­

для обработки на станке /. Этот блок меняется в зависи­ мости от применяемого метода.

Оператор 8. Счетчик k результатов «1» оператора 5 вычисляет число станков, перед которыми отсутствуют очереди деталей.

Оператор 9. Проверка условия k<m, которое выяв­ ляет наличие деталеопераций, готовых к обработке. Если условие не выполняется, то переход к оператору 14 и окончание работы имитатора.

Оператор 10. Переход к следующему станку у.

Оператор 12. Переход к очередному моменту измене­ ния существенных состояний.

Оператор 13. Вычисление этого момента ТА по фор­ муле

Г"= т і п Г »

Оператор 14. Конец программы имитации. Операторная схема имитатора имеет следующий вид:

ализации правил 1—6 приведены в табл. 2.8.1. Результаты, представленные в табл. 2.8.1, указывают

на предпочтительность использования правила 1 прак­ тически для всех задач. Аналогичные результаты были получены при сравнении этого правила с двумя стати­ стическими методами оптимизации расписаний: методом статистических испытаний (слепой поиск) и случайным

чередованием рандомизированных правил предпочтения (случайное переключение правил SIO и LRT). Послед­ ний метод представляет известный интерес для оптими­ зации календарных планов, поэтому остановимся на воп­ росах использования таких методов.

Рассмотрим процесс поиска оптимального рандомизи­ рованного правила предпочтения с использованием само­ обучения и без него. В целях отыскания оптимального расписания рассмотрим способ применения рандомизи­ рованных правил предпочтения, состоящий в том, что в каждый момент t возникновения конфликтной ситуации для ее разрешения случайно с вероятностью pr' (t) из совокупности решающих правил R выбирается некоторое правило г'. При этом имеет место соотношение ~Zpr{t) = 1.

В результате одного проигрывания процедуры разре­ шения конфликтов получаем комбинацию правил, кото­ рой соответствует определенное расписание А{.

После iV-кратного проигрывания получается расписа­ ние А: К(А) =minK(Ai), которое принимаем за решение задачи. Если вероятности pr(t) не зависят от і, то мы имеем дело с ненаправленным поиском. Недостаток та­ кого применения правил состоит в том, что предыдущая информация никак не влияет на выбор очередного пра­ вила. Если же предыдущая информация учитывается при перестройке вероятностей pr(t) таким образом, что в ито­ ге вероятность появления хорошей комбинации увеличи­ вается или плохой уменьшается, то при этом получается