Файл: Голенко Д.И. Статистические модели в управлении производством.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 11.04.2024
Просмотров: 177
Скачиваний: 0
направленный случайный поиск наилучшей комбинации. Использование этих методов для решения задачи кален дарного планирования начато лишь в последнее время.
Рассмотрим общую схему процесса обучения, которая заключается в следующем.
Определим набор признаков бь . . . , 6S, таких, что для каждой комбинации правил и каждого признака воз можны только 2 случая:
1)комбинация правил имеет признаки;
2)комбинация правил не имеет признака б. Обозначим через Q (б) множество комбинаций, имею
щих |
признак |
6; через Фб(*) —функцию распределения |
||
значений К(А) |
на множестве Q(б); |
через |
F(x)—фун |
|
кцию |
распределения значений К (А) |
при A^D. |
Зададим |
некоторый уровень доверия а. Тогда признак б является
существенным |
признаком хорошей комбинации (распи |
||
сания) в том |
случае, если F~l(a) |
^Ф&~1(а). |
Если б явля |
ется существенным признаком |
«хорошей» |
комбинации, |
то разумно увеличивать вероятность появления комбина ций, имеющих признак б. Методы с самообучением, ис пользуя накопленную информацию о «хороших» комби нациях, выявляют признаки б и перераспределяют соот ветствующим образом вероятности.
В качестве признака |
6V при использовании рандоми |
|||
зированного правила на |
базе LRT |
и SIO |
может |
служить, |
например, число использования |
правила |
SIO |
в первых |
|
/ шагах. После N испытаний можно с определенным до |
||||
верием отнести этот признак к |
разряду |
существенных |
или несущественных для «хорошей» комбинации. Оста новимся на применении рандомизированных правил без самообучения и с самообучением в задачах календарно го планирования.
Рандомизированное правило приоритетов, называе мое также процессом несмещенного случайного отбора,
может быть |
образовано из двух правил 5/0 и LRT [2.5] |
и применено |
для решения задачи планирования запуска |
п изделий, имеющих различные технологические марш руты, на т станках. В общем случае необходимо принять
пхт решений для |
составления |
расписания. Число |
раз |
|
личных вариантов |
расписаний |
имеет порядок |
2пХт. |
В |
принципе эта рандомизация может использовать |
не |
два, |
а несколько правил. Многократное проигрывание рандо мизированного правила с одинаковыми вероятностями
применения правил L R T и SIO показало его эффектив ность по сравнению с использованием лучшего из этих правил.
Так, |
50-кратное проигрывание рандомизированного |
||
правила |
с одинаковыми вероятностями для |
правил |
SIO |
и L R T при решении задач различного объема |
(6x6, |
10Х |
ХІ0, 20X5) дает улучшение плана примерно на 10% по циклу по сравнению с использованием лучшего из этих правил.
Метод использования рандомизированных правил с обучением можно рассматривать как случайный поиск в пространстве комбинаций с постоянным изменением плотности распределения вероятностей до тех пор, пока вся вероятность не сосредоточится на хорошем плане [2.3]. Эффективность обучения зависит от того, насколь ко близость последовательностей планов приводит к бли зости продолжительностей циклов, т. е. порождают ли последовательности решений, близкие к эталонной, та кие планы, время выполнения которых ближе к эталонно му времени, нежели времени для планов, возникших на основе последовательностей, более удаленных от эталон ной.
На основании экспериментальных результатов можно показать [2.3], что если в качестве эталона выбран план, близкий к оптимальному, то средний цикл выполнения плана по сравнению с оптимальным увеличивается быст рее сравнительно с ростом несходства этих планов с эта лоном. Дело в том, что задача календарного планирова ния обладает той спецификой, что множество сравнитель но хороших планов включает существенно различные планы. Множество этих планов распределено в D не рав номерно, а образует сосредоточения в зонах концентра
ции. Правильная |
методика |
самообучения заключается |
в определении |
(например, |
методом слепого поиска) |
местонахождения благоприятных зон поиска и, в даль нейшем, тщательном исследовании этих зон методом ло кального поиска.
На |
тестовых задачах 6 X 6 x 6 |
и 20X5X5 проверялось |
[2. 25] предположение о высоком |
проценте отбора прави |
|
ла SIO |
на ранних стадиях последовательности приорите |
|
тов X |
и правила L R T — на поздних в расписаниях, близ |
ких к оптимальному. Однако это предположение пол ностью не подтвердилось, как и другое, более умеренное
предположение, в соответствии с которым для расписа ний, близких к оптимальному, процент выбора на ранней стадии загрузки правила SIO и на поздней стадии LRT должен быть большим, нежели для случая неудачных расписаний.
Таким образом, на основании комплекса эксперимен тальных исследований рандомизированных правил с обу чением и без него для решения задач 6x6 , 10x10, 20X5
иряда других можно заключить, что:
—несмещенная случайная комбинация правил обыч но дает лучшие результаты, чем каждое из них в отдель ности;
—методология самообучения легко реализуется на ЭВМ, однако его эффективность по сравнению с несме щенной случайной комбинацией правил пока не подтвер дилась.
Обобщая сказанное, можно сделать следующее за ключение: существующие точные методы пригодны, как правило, только для решения частного класса задач, в основном задач очередности, или общих задач очень не больших «площадей». По поводу применения статисти ческих методов следует заметить, что последние эффек тивны для решения задач, допускающих Л'-кратную реализацию на ЭВМ случайного расписания. В частности, с помощью метода ненаправленного случайного поиска можно получить довольно точные решения с высокой на дежностью при условии больших N (порядка нескольких сотен и более). При меньших N, на наш взгляд, более эффективным является применение рандомизированных правил предпочтения, использование которых можно рас сматривать как метод, аналогичный ненаправленному случайному поиску в некотором подмножестве D ' мно жества D допустимых расписаний.
Что касается весьма громоздких задач, позволяющих реализовать случайное расписание не более 10 раз, то в настоящее время возможно лишь для улучшения плана использование правил предпочтения. При этом большое значение имеет выбор правила предпочтения, которое учитывает специфику задачи и позволяет смоделировать хорошее расписание.
Направленный случайный поиск и другие вероятност ные методы (см. § 2.4 и 2.5) эффективнее ненаправлен ного, однако при решении лишь частных задач календар-
9. Д . I I . Голенко |
129 |
ного планирований (задач очередности). Использование направленного поиска в общих задачах связано с боль шими трудностями. Методы обучения с использованием рандомизированных правил предпочтения начали приме нять сравнительно недавно; в настоящее время не уда лось получить методов, применяющих обучение, более эффективных, нежели несмещенная случайная комбина ция правил предпочтения.
§2. 9. Имитационные модели
вмелкосерийном производстве
Рассмотрим процесс создания комплексной имита ционной модели мелкосерийного производства с более сложной организационной структурой, наличием управ ляющих связей и учетом влияния случайных факторов.
Вопросы формализации основных операций производ ственного процесса, к которым относятся операции обра ботки и операции управления, подробно рассмотрены в работах [2.17, 2.18]. Заметим только, что операции управ ления в мелкосерийном производстве формализуются з основном путем задания правил построения дисциплины очередей деталей к станкам, хотя возможны и другие способы. Подробная формализация основных процессов, происходящих в объекте управления, заканчивается соз данием моделирующего алгоритма.
В моделирующих алгоритмах мелкосерийного произ водства, как правило, используется принцип имитации по существенным состояниям, при котором просмотр систе мы происходит при переходе ее из .одного состояния в другое. Существенными обычно считаются моменты вре мени перехода в новое качество, например, выход из строя станка, момент его восстановления, окончание и на чало обработки детали (партии деталей), начало смены, месяца и т. д. Принцип этот применяется, как правило, для построения модели системы, осуществляющей про цессы дискретного типа. Для моделей с дискретным вре менем легче строить моделирующие алгоритмы для ЭВМ, так как процессы такого рода хорошо согласуются с пре образованием дискретной информации в цифровой ма шине.
В результате проигрывания имитационной модели на ЭВМ могут быть определены (с достаточной степенью достоверности) различные вероятностные параметры уп-
равления и ряд вероятностных характеристик объекта управления, получение которых путем аналитического или натурального исследований реального объекта, как правило, не представляется возможным.
Приведем несколько типов имитационных моделей, описанных в литературе. Критерием оптимизации для мо дели с регулирующими нормативами [2.21] является сум марное отклонение от заданных сроков подачи деталей на последующий участок, т. е. обеспечение слаженного комплексного хода производства. Достижение наилучше го использования оборудования и сокращения цикла про изводства являются требованиями хотя и важными, одна ко менее существенными, чем изготовление продукции в заданные конечные сроки.
Вмодели, основанной на локальном преобразовании допустимого плана [2.20], в качестве исходного считает* ся план, в котором сроки изготовления отдельных деталей не вышли за пределы заданных. Лучшим считается допу стимый план с минимальной суммой внутренних про стоев. Локальные преобразования плана сводятся к тому, что находится операция, перед которой станок простаи вает, и исследуется возможность уменьшения этого про стоя либо за счет перестановки данной операции с по следующей на этом же станке, либо за счет изменения сроков обработки предшествующей детали (последнее также за счет перестановки операций на некотором стан ке).
Третьим видом модели может служить модель меха нического цеха, основанная на случайном управляющем воздействии мастера [2.21].
Вработе рассматривается цех мелкосерийного произ водства, состоящий из М групп оборудования, каждая из
которых |
включает |
m.j ( / = 1 , . . . , М ) однотипных рабочих |
||
мест. |
|
|
|
(Го, Т { \ через цех |
За период планируемого |
времени |
|||
проходит |
N партий |
деталей |
по щ(1=\,.. |
.,N) деталей в |
каждой партии. Для каждой партии деталей задан тех нологический маршрут, на который не накладывается ни каких ограничений ни по количеству и продолжительнос ти отдельных операций , ни по числу возвращений на пройденную ранее группу оборудования Ц для последую щей обработки. Для каждой /-й партии установлены ди рективные сроки окончания ее обработки ТІ.
9* |
131 |
Дисциплина очереди формируется с помощью рандо мизированного правила предпочтения, согласно которо му стоящие в очереди детали ставятся на обработку с
частотой, пропорциональной функции |
предпочтения |
||
F{pi). |
В качестве функции предпочтения выбрана |
вели |
|
чина, |
обратно пропорциональная позиционному |
рангу |
детали pi, характеризующему величину запаса времени для окончания обработки детали к заданному сроку 7",-. Позиционный ранг рі для каждой детали, стоящей в оче реди, подсчитывается по формуле
|
|
P i = 6 ( T i - |
2 f a - t ) |
, |
|
||
|
|
1 при |
( T i - h 2 T u - t |
) > 0 |
(2.9.1) |
||
Г Д Є |
б = = 1 |
0 при (ТІ- |
2 7 \ * - * ) < 0 . . |
|
|||
ТІ |
— длительность k-ih операции |
t-й детали на /-й группе |
|||||
оборудования; |
t — текущее |
время; |
А—множество |
не |
|||
выполненных операций t'-й детали. |
|
|
|||||
|
Функция |
предпочтения |
определяется формулой: |
||||
|
|
|
РІ |
2 |
- f - |
|
|
|
|
|
|
|
і Pr |
|
|
где |
n* — количество |
необработанных деталей г-н |
пар- |
тли, стоящих в очереди к данной группе оборудования в
момент |
времени t; М/ |
— множество |
деталей, стоящих |
в |
очереди |
к /-й группе |
оборудования |
в момент времени |
t. |
Выбор функции предпочтения, зависящей от ри обуслов лен необходимостью обеспечить малые отклонения от за данных директивных сроков окончания обработки пар
тий |
деталей и слаженный ход производства не только в |
этом |
цехе, но и в других цехах, потребляющих его про |
дукцию. На эффективность данного критерия указыва ется в работе С. А. Думлера [2.27]. Заметим, что в про цессе имитации функция F(pi) может быть при необхо димости заменена любой другой. В работе [2.21] приве дена подробная блок-схема рассмотренной выше имита-