Katona Rajmund

Katona Rajmund
TERMELÉSI ÉS LOGISZTIKAI
FOLYAMATOK TERVEZÉSE ÉS
ELEMZÉSE SZIMULÁCIÓS
ESZKÖZÖKKEL
1
Tartalom
Bevezetés ............................................................................................................................... 5
1. Szakirodalom feldolgozása .......................................................................................... 6
1.1 A termelésütemezés.................................................................................................. 6
1.1.1 Az termelésütemezés vállalati szerepe ............................................................. 6
1.1.2 Ütemezési modellek .......................................................................................... 7
1.2 A job shop modell .................................................................................................... 8
1.3 A job shop ütemezési probléma ............................................................................... 9
1.3.1 A gyártási sorrendtervezés megoldási eljárásai Job Shopok esetén ............... 10
1.3.2 Konstruktív eljárások (prioritási szabályok) ................................................... 11
1.4 A szimuláció fogalma és folyamata ....................................................................... 14
1.4.1 Szimulációs szoftvercsomagok ....................................................................... 14
1.4.2 A SIMUL8 bemutatása ................................................................................... 15
1.5 A szimulációs modell tervezése és felépítése ........................................................ 16
1.5.1 Alkalmazási területek ..................................................................................... 17
1.5.2 Szimuláció előnyei a gyakorlatban ................................................................. 18
1.6 Metaheurisztikák .................................................................................................... 19
1.7 Optimalizáló szoftvercsomagok ............................................................................. 20
1.7.1 Az OptQuest ................................................................................................... 21
2. I. Rész: Összköltség minimalizálás gyártási sorozatnagyságok optimalizálásával ... 22
2.1 Problémaleírás ........................................................................................................ 22
2.1.1 Asszumpciók ................................................................................................... 23
2.1.2 Az optimum feltétel ........................................................................................ 24
2.2 Az eredmények értékelése ...................................................................................... 24
2.3 A vizsgált modell optimalizálásának eredményei .................................................. 25
2
3. II. Rész: Összköltség minimum meghatározása gyártási sorrend és sorozatnagyságok
optimalizálásával ...................................................................................................................... 26
3.1 A kiterjesztett job shop ütemezési probléma.......................................................... 27
3.2 Prioritási szabályok kötegelt gyártás esetén ........................................................... 27
3.3 Új prioritási szabályok elméleti átgondolása ......................................................... 28
3.4 Trade-off-ok kötegelt job shop ütemezésben ......................................................... 29
3.5 Jelölések ................................................................................................................. 29
3.6 A vizsgálatok .......................................................................................................... 30
3.7 A vizsgálati környezet, avagy a szimulációs modell.............................................. 30
3.7.1 Asszumpciók ................................................................................................... 30
3.7.2 Tesztkészletek paramétereinek meghatározása............................................... 31
3.7.3 Adatbevitel ...................................................................................................... 31
3.8 Egyes prioritási szabályok viselkedésének vizsgálata egy gépes rendszerben ...... 32
3.9 prioritási szabályok viselkedésének vizsgálata job shop rendszerben ................... 33
3.10 prioritási szabályok optimális kombinációjának meghatározása OptQuest-el ... 34
3.11 Kötegnagyságok optimális kombinációjának meghatározása OptQuest-el ....... 37
3.12 prioritási szabályok és kötegnagyságok optimális kombinációjának

meghatározása OptQuest-el .................................................................................................. 38
3.13 Az OptQuest-el végzett vizsgálatok értékelése .................................................. 40
3
4. III. rész: Makspan minimalizálás elméleti teszkészleteken ....................................... 42
4.1 A szimulációs modell ............................................................................................. 43
4.1.1 A problémakör vizsgálatához szükséges elvárások a szimulációs modellel

szemben ........................................................................................................................ 44
4.1.2 Felhasználói felület ......................................................................................... 45
4.1.3 Feladatkészletek inicializálása ........................................................................ 45
4.1.4 Szakirodalmi és új prioritási szabályok implementációja ............................... 46
4.2 Vizsgálatok ............................................................................................................. 47
4.2.1 Makespan vizsgálata minden gépen megegyező prioritási szabályokkal ....... 48
4.2.2 Prioritási szabályok kombinálása OptQuest-el ............................................... 49
5. Összefoglalás ............................................................................................................. 53
Bibliográfia .......................................................................................................................... 54
4
BEVEZETÉS
Korunk mérnöki tervezési gyakorlatában egyre fontosabbá válik, hogy minél rövidebb idő
alatt a lehető legjobb eredményt lehessen elérni. A termelési folyamatok és azok
kiszolgálásának tervezése és elemzése során nagyszámú befolyásoló paraméterrel kell
dolgozni, és ezek kombinációja számos lehetőséget és megoldandó problémát vet fel. A
gyakorlatban ritkán van elég idő a matematikai analízis manuális végrehajtására. Ezzel
párhuzamosan nő a termékek és azok változatainak száma és nőnek a költségcsökkentés iránti
igények is, ami tovább nehezíti a termelési folyamatok tervezését. Az ilyen, komplex
rendszerek tervezési feladatainak elvégzésére a modellezés és dinamikus szimuláció egy
vonzó eljárás, ami alkalmas a legtöbb kérdés megválaszolására. Ezen eszközök
alkalmazásával könnyedén képesek lehetünk leképezni az adott termelési rendszer időbeli
viselkedését. Ez a módszer a diszkrét, eseményvezérelt szimuláció.
Körül fogom járni a felmerülő problémákhoz kapcsolódó témákat, mint a termelési
modellek; a diszkrét, eseményvezérelt szimuláció és a metaheurisztikus optimalizációs
módszerek és persze a szakdolgozat elsődleges témáját jelentő diszkrét, eseményvezérelt
szimuláció, valamint a célra felhasználható szoftverek . A téma jelentősége abban rejlik, hogy
az alkalmazható szimulációs modellek számos termelésorientált vállalatnál alkalmazhatók,
ahol képesek a tervezési idők redukálására és segíthetnek hatékonyabbá tenni a termelési és
logisztikai folyamatokat.
Szakdolgozatomban a szakirodalmak feldolgozását követően 3 hasonló, de a megoldás
technikájában különböző saját készítésű modellt mutatok be, amelyek elsősorban
műhelyrendszerű termelés esetén felmerülő ütemezési problémákat oldanak meg. Ezen
szimulációs modellek nem csak a vizsgált rendszer egzakt leképezését célozzák meg, hanem
azok néhol olyan komplex paramétereit is megkísérlik optimalizálni, mint a termelési
tételnagyság vagy a gyártási ütemterv. Az írás során arra törekszem, hogy bizonyítást nyerjen
a hipotézis, miszerint a modellezés, valamint a diszkrét, eseményvezérelt szimuláció
eredményesen alkalmazható a gyakorlatban előforduló problémák széles körének
megoldására a stratégiai tervezési szinttől az operatív napi feladatok támogatásáig.
5
1. SZAKIRODALOM FELDOLGOZÁSA
1.1 A TERMELÉSÜTEMEZÉS
Termelésütemezés alatt az egyes műveletek végrehajtási helyének és idejének meghatározását

értjük. Az ütemtervnek számos, gyakran egymásnak ellentmondó célnak kell megfelelnie,
mint az erőforrások hatékony kihasználása, alacsony készletszint tartása és az ügyfelek
hatékony kiszolgálása. Az ütemezés jóságát meghatározni hivatott mérőszámok között
úgynevezett trade-off fedezhető fel, azaz egy mérőszámot, csak a másik kárára javíthatunk és
fordítva. 1
1.1.1 Az termelésütemezés vállalati szerepe
A termeléstervezési és -ütemezés funkciók a vállalat számos más funkciójával érintkeznek. A

termelésütemezést is magába foglaló folyamatot valós, illetve előre jelzett igények indítják.
Ezek alapján kezdődik el az MPS (Master Production Schedule) összeállítása, az
erőforráskorlátok figyelembevételével, melyeket az MRP (Material Requirements Planning)
rendszer határoz meg. Ezután az igények gyártandó mennyiségét és a hozzájuk tartozó
határidőket leadja az MRP-nek és ez alapján megtörténik a szükséges anyagok megrendelése.
Az anyagszükséglet és kapacitástervezéskor figyelembe kell venni, az ütemezési korlátokat,
mint a munkaerő és a termelőgépek kapacitáskorlátai. A folyamatrész befejeztével az MRP a
pontos rendeléseket és az alapanyagok várható megérkezését továbbítja az ütemezésnek.
Az ütemezés során rendelik az egyes megrendeléseket meghatározott termelőeszközökhöz
meghatározott időben. Itt történik a termelési sorrendtervezés is. Az ütemtervet, vagy
ütemezést folyamatosan igazítják a változásokhoz.
Az ütemezéshez szükséges információkat, mint a kapacitáskorlátok, műveleti idők, átállási
idők, karbantartás, esetleges gépmeghibásodás, javítás stb.) a Shopfloor menedzsment
biztosítja, a műhely aktuális állapotát figyelembe véve. Emellett ezen a szinten történik a
termelési adatok gyűjtése, valamint a termékek fizikai termelésének indítása és szervezése. A
műhelyben (shopfloor) történik maga a fogyasztói javak előállítása. A folyamatot az alábbi
ábra szemlélteti.
1
Schroeder, G. R. (1989): Operations Management, McGraw-Hill, h.n.
6
1. ÁBRA
A TERMELÉSTERVEZÉSI FOLYAMAT INFORMÁCIÓÁRAMLÁSA
Forrás: Pinedo, 2004 és 2008, p5.
1.1.2 Ütemezési modellek
A termelési rendszerek számos tényező alapján jellemezhetőek, mint például a gépek, vagy
erőforrások száma (valamint azok jellemzői és konfigurációja), az automatizáltság szintje, az
anyagmozgató rendszer típusa, és még sorolhatnám. Ezen jellemzők különbsége nagyszámú
különböző tervezési és ütemezési modell létezésére ad okot. Egy termelési modellben a
termékek feldolgozási, gyártási folyamatára feladatként (job), és az ezt megvalósító elemekre
általában gépként (machine) hivatkoznak. Egy gyártási folyamatban egy feladat lehet egy
egyszerű művelet, vagy műveletek összessége, amiket különféle gépeken kell végrehajtani.2
A termelési modelleket öt különböző osztályba sorolhatjuk2,3
 Projekttervező és -ütemező modellek (the project planning and scheduling models)
 Egygépes, párhuzamos gépes és job shop modellek (single machine, parallel machine and
job shop models)
 Automatizált anyagmozgatású termelési rendszerekre koncentráló modellek (models
focuses on production systems with automated material handling)
 Gyártási tételnagyság ütemező modellek (lot scheduling models)
2
Pinedo, M. L. (2005): Planning and scheduling in manufacturing services. Springer Science+Business Media,
New York
3
Pinedo, M. L. (2008):. Scheduling: Theory, Algorithms, and Systems. Springer Science+Business Media, New
York
7
 Ellátási lánc tervező és ütemező modellek (supply chain planning and scheduling models)
1.2 A JOB SHOP MODELL
Többműveletes műhelyekben a feladatoknak gyakran különböző útvonalakon kell

végighaladniuk. Az olyan környezetre, mely a flow shop általánosítása job shop-ként
hivatkozik az angol szakirodalom. Prezenszki4 az ilyen rendszerekre műhelyrendszerű
termelésként hivatkozik. A flow shop tulajdonképpen egy olyan job shop, ahol minden egyes
feladat ugyanabban a sorrendben érinti a gépeket. 6
2.ÁBRA
MŰVELETI SORRENDEK JOB SHOP ESETÉN
Forrás: Pinedo, 2004,2008

Egy job shop-ban egy munka meghatározott műveletek sorából ál, amit különböző gépek
hajtanak végre. Minden feladatnak megvan a maga útvonala, amit a rendszeren belül követ. A
feladatok műveleteit a job shop-ban úgy kell ütemezni, hogy egy vagy több tényezőt
minimalizálhassunk, mint például az átfutási időket vagy a késő munkák számát. A job
shopok az uralkodóak olyan iparágakban, ahol egyedi termékeket gyártanak, habár
megjelenik a szolgáltatások terén is (pl.: kórházak). A legegyszerűbb job shop modellekben a
feladatok legfeljebb egyszer érintenek meghatározott gépeket a feldolgozási folyamat során,
de elképzelhető az is, hogy egy feladat ugyanazt a gépet többször is érinti. A job shop
általánosítása a rugalmas job shop, ahol ez egyes munkaállomásokon belül több ugyanolyan
funkciójú gép található párhuzamosan. Kombinatorikai szempontból a recirkulációt
(megengedünk hurkokat) megengedő rugalmas job shop a legkomplexebb gyártókörnyezet.
Ez leginkább a félvezetők gyártására jellemző. (Pinedo, 2004,2008)
4
Prezenszki József (1999) (szerk.): Logisztika II (Módszerek, eljárások). Logisztikai Fejlesztési Központ,
Budapest
8
1. ÁBRA
PÉLDA EGY RUGALMAS JOB SHOP RENDSZERRE
Forrás: Prezenszki, 2001
1.3 A JOB SHOP ÜTEMEZÉSI PROBLÉMA
A job-shop ütemezési probléma (JSSP) általános nehézség a termelő iparágakban. A

klasszikus JSSP n feladat (job) és m gép (machine) társítása. Minden feladat egy műveletek
sorozatát tartalmazza, amiket a gépeken meghatározott műveleti időkkel és sorrendben kell
végrehajtani. Az ütemezés (schedule) egy tervezési folyamat eredménye, mely során a
feladatokat időben dinamikusan a gépekhez rendeljük. Gyakori, hogy a folyamatnak más
korlátozó tényezőknek is meg kell felelnie.
Egy megvalósítható ütemezésben nem fordulhat elő konfliktus a feladatok géphez
rendelésében, azokon egyszerre csak egy feladat hajtható végre. Az ütemezés a feladatokhoz
tartozó műveleteket adott sorrendbe rendezi az egyes gépeken.
Az ütemterv jóságágának meghatározására, teljesítményének mérésére különféle
tényezőket alkalmazhatunk, melyek több csoportra oszthatóak.. Áteresztő képességre,
átfutási- és határidőidőkre, valamint átállási, tárolási és anyagmozgatási költségekre
vonatkozó mérőszámok közül választhatunk. Az első művelet kezdete és az utolsó művelet
befejezése között eltelt összes idő a makespan, melynek minimalizálása széles körben
alkalmazott cél a JSSP megoldásánál . A cél ezek minimalizálása vagy maximalizálása. Ha
több teljesítménytényező lehető legjobb értékeit eredményező ütemterv felállítása a célunk,
akkor gyakran trade-off-okkal kell számolnunk, azaz egy tényezőt csak egy másik kárára
javíthatunk. Ennek megoldása a multi kritériumos optimalizálás témakörébe tartozik. Néhány
jellemző célfüggvényt tartalmaz az alábbi táblázat:
9
1. TÁBLÁZAT
A JSSP LEGJELLEMZŐBB CÉLFÜGGVÉNYEI
Teljes átfutási idő minimalizálása Makespan 𝐶𝑚𝑎𝑥

Maximális késés minimalizálása Max. Tardiness 𝑇𝑚𝑎𝑥
Késő feladatok számának minimalizálása Number of Late Jobs ∑ 𝑈𝑗
Árfutási idők összegének minimalizálása Total Flow Time ∑ 𝐶𝑗
Késések összegének minimalizálása Total Tardiness ∑ 𝑇𝑗

Árfutási idők súlyozott összegének
Total Weighted Flow Time ∑ 𝑤𝑗 ∙ 𝐶𝑗
minimalizálása
Késések súlyozott összegének
Total Weighted Tardiness ∑ 𝑤𝑗 ∙ 𝑇𝑗
minimalizálása
Forrás: saját szerkesztés (Pinedo, 2002) alapján
1.3.1 A gyártási sorrendtervezés megoldási eljárásai Job Shopok esetén
A JSSP szakirodalma a gyakorlatban is felmerülő meghatározó szerepe és a feladat

bonyolultsága miatt is igen kiterjedt. A probléma n, m≤2 esetén bizonyítottan NP-hard, azaz
polinom időn belül valószínűsíthetően nem megoldható kombinatorikus optimalizációs
feladat. Megoldására a heurisztikus és metaheurisztikus megoldások a leginkább alkalmasak
Kis méretű feladatok esetében a probléma nagysága még lehetővé teszi az egzakt megoldást
biztosító eljárások alkalmazását, melyek segítségével abszolút optimum is meghatározható. A
nagyobb feladatok esetében a problématér olyan széleskörű, hogy egzakt megoldást adó
módszerekkel tervezési időn belül a rendelkezésre álló informatikai eszközökkel nem
lehetséges megoldást adni.5
Egzakt megoldást adó módszerek:
 Branch and bound (Beam Search)
 Johnson algoritmus
Heurisztikák:
 Shifting Bottleneck Heurisztika
 Konstruktív eljárások
 Lokális keresési eljárások
 Metaheurisztikák
 Helyi keresésen alapuló eljárások
5
Jósvai János (2012): Proaktív termelésütemezési, logisztikai módszerek és alkalmazásaik. [doktori értekezés].
Széchenyi István Egyetem. Multidiszciplináris Műszaki Tudományi Doktori Iskola, Győr
10
 Simulated Annealing
 Tabu search
 Genetikus Algoritmusok
 Ütemező szoftverek (lekin, tess, bpss, giotto, jobplan stb)
1.3.2 Konstruktív eljárások (prioritási szabályok)
„A rendelkezésre álló információk alapján kezdődő eljárás során a megoldás létrehozása

az egyes munkák hozzáadásával történik a már meglévő részmegoldáshoz. A konstruktív
heurisztikus megoldások alapvetően a leggyorsabb közelítő eljárások közé tartoznak, jóllehet
speciális alkalmazásaik jelentős számítási feladatot is generálhatnak. A számítási időigény
tekintetében nyűjtott előnyüket a lokális keresési eljárásokkal összehasonlítva egyensúlyozza
a gyengébb teljesítőképességük az eredmények tekintetében.”6
A gyártásütemezésben alkalmazott legelterjedtebb konstruktív heurisztikák a különböző
prioritási szabályok (DR, dispaching rule), melyek valószínűleg a leggyakrabban alkalmazott
eljárások közé tartoznak az ütemezési problémák, így a JSSP megoldására is a gyakorlatban.
Ez egyszerű implementálhatóságuknak és alacsony számítási igényüknek köszönhető.7
A prioritási szabályok, melyek alapján sorba rendezhetjük, priorizálhatjuk azokat a
feladatokat, melyek feldolgozásra várnak egy adott géphez. A priorizálási séma számolhat az
egyes feladatok, gépek attribútumaival, de az idővel is. A téma már több évtizede aktív
kutatási területet képez, mely eredményeként számos különféle szabály került kifejlesztésre és
tanulmányozva különféle feltételek alapján.8
A prioritási szabályok többféle módon osztályozhatóak. Különbséget tehetünk statikus és
dinamikus szabályok között. A statikus szabályok függetlenek az időtől, azokat képesek
vagyunk a kiinduló adatokból is előállítani szimuláció alkalmazása nélkül. A dinamikus
szabályok esetén már számolunk az idővel, így a rendszer aktuális állapotát leképező
paraméterekkel is az idő függvényében. Másrészről osztályozhatjuk a szabályokat azok
információigénye alapján is. Ha az adott szabály működési paramétereinek kiszámításához
csak annak a műveletközi tárolója által biztosított információit használjuk fel, akkor helyi, ha
6
Széchenyi István Egyetem. Multidiszciplináris Műszaki Tudományi Doktori Iskola, Győr, p32
7
Giffler, B. and Thompson, G. L. (1960): Algorithms for Solving Production-Scheduling Problems. Operations
Research, Vol. 8, No. 4 (Jul. - Aug., 1960), pp. 487-503
8
New York
11
figyelembe veszünk más információkat is, mint más gépek utilizációs szintje, várakozó
sorának hossza stb., akkor globálisról szabályról beszélhetünk.9
Az alapvető prioritási szabályok alkalmazhatósága igencsak korlátozott. Komplex
célfüggvény esetén nincs olyan szabály, mely hatékonyan teljesítene. Jobb eredmények
elérésének céljából ilyen esetekben kombinálhatjuk az alapvető szabályokat, így kompozit
DR-eket létrehozva.10 A szimulációs technikák terjedésével egyre egyszerűbbé vált ezek
implementálása, valamint komplexitásuk növelése.
Irodalomkutatásom alapján az 2. táblázatban felsorolt alapvető prioritási szabályokat
alkalmazzák széles körben a JSSP-k megoldására, határidő nélküli esetekben.
9
New York
10
Pinedo, M. L. (2005): Planning and scheduling in manufacturing services. Springer Science+Business
Media, New York
12
2. TÁBLÁZAT
A JOB SHOP ÜTEMEZÉSBEN LEGGYAKRABBAN ALKALMAZOTT PRIORITÁSI SZABÁLYOK
Rule Name Priorized entities11
1. FCFS First Come First Served (𝑚𝑖𝑛), 𝐶𝑖,𝑗−1
2. LCFS Last Come First Served (𝑚𝑎𝑥), 𝐶𝑖,𝑗−1
3. SPT Shortest Processing Time (𝑚𝑖𝑛), 𝑝𝑖,𝑗
4. LPT Longest Processing Time (𝑚𝑎𝑥), 𝑝𝑖,𝑗
5. LWKR Least Work Reimaining (𝑚𝑎𝑥), ∑𝑚𝑖

𝑞=𝑗 𝑝𝑖𝑞
6. MWKR Most Work Remaining (𝑚𝑖𝑛), ∑𝑚𝑖

𝑞=𝑗 𝑝𝑖𝑞
Fewest Number of Operations

7. FOPNR (𝑚𝑖𝑛), 𝑚𝑖 − 𝑗 + 1
Remaining
Greatest Number of Operations
8. GOPNR (𝑚𝑎𝑥), 𝑚𝑖 − 𝑗 + 1
Remaining
9. SRMPT Shortest Remaining Processing Time (𝑚𝑖𝑛), 𝑚𝑖𝑛 𝑝𝑖𝑞 … 𝑝𝑖𝑚
Longest Remaining Maximum

10. LRMPT (𝑚𝑎𝑥), 𝑚𝑎𝑥 𝑝𝑖𝑞 … 𝑝𝑖𝑚
Processing Time
11. SQNO Shortest queue at the next operation (𝑚𝑖𝑛), 𝑁𝑖−𝑗+1
12. TWORK Greatest Total Work (𝑚𝑎𝑥), ∑𝑚 𝑖

𝑗=1 𝑝𝑖𝑗
Smallest Ratio of Processing Time to 𝑝𝑖𝑗

13. SPT/TWORK (𝑚𝑖𝑛), ⁄∑𝑚𝑖 𝑝
Total Work 𝑗=1 𝑖𝑗
Forrás:Saját szerkesztés (tartalom:1-8, 11-12 (Haupt, 1988); 9,10,13)
11
A jelölések forrása: Haupt, R (1988): A Survey of Priority Rule-Based Scheduling. OR Spectrum, 4.
3-16
𝐶𝑖𝑗 𝑖 feladat a 𝑗-edik műveletének befejezési időpontja
𝑁𝑖𝑗 (𝑡) 𝑖 feladat a 𝑗-edik műveletét tartalmazó várakozó sor elemszáma 𝑡 időpillanatban
𝑝𝑖𝑗 𝑖 feladat a 𝑗-edik műveletének időszükséglete
𝑞 a hátralévő műveletek indexe (𝑞 = 𝑗, … , 𝑚𝑖 )
13
1.4 A SZIMULÁCIÓ FOGALMA ÉS FOLYAMATA
A szimuláció fogalmát a Német Mérnökök Egyesülete, vagyis a VDI (Verein Deutscher

Ingenieure) 3633-as irányelve az alábbiak szerint definiálja:
„A szimuláció egy rendszer dinamikus folyamatának leképezése egy kísérletezésre
alkalmas modell segítségével, melynek alkalmazásával a valóságba átültethető
következtetések vonhatóak le. Tágabb értelmezésben a szimuláció fogalma alatt egy kísérlet
előkészítését, végrehajtását és kiértékelését értjük.”12
Szimulációs modell alkalmazásával képesek vagyunk mesterségesen létrehozni azon
döntések, beavatkozások, események hatására bekövetkező állapotoknak a sorozatát, amelyek
leírják az illető rendszer vagy a rendszer néhány komponensének viselkedését egy bizonyos
időintervallumban.13 Szimuláció segítségével leírható, analizálható egy rendszer működése.
Lehetővé teszi „Mi lenne, ha?” jellegű kérdések megválaszolását, anélkül, hogy a valós
rendszerbe beavatkoznánk, vagy tervezés esetén azt a valóságban tesztelnénk.14,15
A szimulációs eszközök alkalmazása számos előnnyel járhat. Nagymértékben segítheti a
döntéshozást, azáltal, hogy lehetőséget nyújt a modellezett folyamatok, rendszerek
működésének megértéséhez, lehetőségeinek elemzéséhez, korlátai azonosításában.16
A digitális szimulációs módszerek működésüket tekintve több osztályba sorolhatóak. Az
általam alkalmazott diszkrét szimuláció esetén a rendszert leíró állapod-idő tér mindkét
komponense diszkrét halmazon értelmezett, azaz a változások diszkrét időpillanatokban
következnek be és diszkrét értékkészleten értelmezett halmazon definiált változókkal írhatók
le.17
1.4.1 Szimulációs szoftvercsomagok
A szoftver piacon legelterjedtebbnek mondható szimulációs programok a Witness, az

Enterprise Dynamics Developer, a Technomatix Plant Simulation és a Simul8. Ezen
szoftverek számos alkalmazási terület folyamatainak tervezését, modellezését, optimalizálását
és elemzését lehetővé tevő vizuális interaktív szimulációs programok, melyek különféle
(logisztikai, termelési, közlekedési stb.) rendszerek számítógépes vizsgálatára alkalmas
12
Széchenyi István Egyetem. Multidiszciplináris Műszaki Tudományi Doktori Iskola, Győr p22
13
Szily István (1994): Döntéselőkészítés I-II. SZIF, Győr
14
Banks, J. et. al. (2009).: Discrete-Event System Simulation. Prentice Hall, h.n.
15
Jósvai János, Perger J. (2010): Digitális gyár, módszerek és alkalmazások termelési környezetben. Logisztikai
innovációs füzetek, 3., 2-10.
16
Banks, J. (1998): Handbook of simulation: principles, methodology, advances, applications, and practice.
Wiley-IEEE, h.n.
17
Jávor András (2000): Diszkrét szimuláció. BME Információmenedzsment Tanszék, Budapest
14
döntéstámogató eszközök. Segítségükkel logisztikai tervezési folyamatok széles skálája
oldható meg. A négy rendszer működési filozófiája megegyezik, azok hasonló
számítástechnikai és matematikai alapokon nyugszanak.18 Eseményvezérelt és teljesen
objektumorientált környezet biztosítanak a tervezési folyamatok során.
1.4.2 A SIMUL8 bemutatása
A feladat megoldásához a Simul8 16-os verzióját alkalmaztam, melyet 2009-ben adtak ki.
A szimulációs modell-alkotás leírásának megértéséhez szükséges néhány alapfogalom
ismerete.
Egy szimulációs modell négy fő építőelemet tartalmazhat:
 Work Entry Point (belépő pont)

 Queue (tároló)
 Work Center (munkaállomás)
 Work Exit Point (kilépő pont)
A Work Entry Point-on érkeznek be a rendszerbe a munkaelemek. (Ezek lehetnek

alapanyagok, alkatrészek vagy virtuális elemek, például telefonhívások). A munkaelemek
érkezési időköze megadható ütemterv (determinisztikus viselkedés) vagy különféle
valószínűségi eloszlások szerint (sztochasztikus viselkedés). Egy szimulációban több Work
Entry Point is lehet, mivel több alapanyagra is szükség lehet, amik különböző pontokon
léphetnek a folyamatba.
A Queue-ban várnak a munkaelemek a feldolgozásra. Lehetnek tároló helyek egy
gyártórendszerben, esetleg szimbolizálhatja a hívásvárakoztatást egy call centerben.
Beállítható a kapacitásuk, hogy mennyi ideig tárolhatnak egy terméket és a kezdeti tárolt
darabszám.
A Work Center az az elem, ahol végrehatják a munkát. A munkavégzési idők számos
valószínűségi eloszlást követhetnek. Képes több inputból különböző elemeket meghatározott
arányban gyűjteni (collect) majd azokat egy munkaelemmé transzformálni, vagy egy
munkaelemet több részre osztani (batching) és azokat továbbküldeni különböző elemekhez,
útvonalakhoz.
A Work Exit Point-on keresztül hagyja el a munkaelem a rendszert. Több is lehet egy
modellben, mivel a valóságban is több kimeneti pontot tartalmazhat egy folyamat.
18
Prezenszki József (1999) (szerk.): Logisztika II (Módszerek, eljárások). Logisztikai Fejlesztési Központ,
Budapest
15
Ezeken kívül még két fontos eleme van a szimulációnak, amik a következők:
 Work Items (munkaelemek)

 Resources (erőforrások)
A munkaelemeket Work Entry Point generálja. Ezeket dolgozza fel a szimulált rendszer.
Az erőforrás elemmel modellezhető például a munkaerő. Hozzárendelhető Work Centerekhez.
Beállítható, hogy mennyi álljon rendelkezésre, és hogy mikor legyen elérhető.
Az idő mértékegysége a szimulációban globálisan adható meg a Clock Propeties (óra
beállítások) ablakban, tehát, ha például percet állítok be itt időmérési egységként, akkor
minden elem beállításai percben értelmezetté válnak. Itt adható még meg, hogy egy héten
hány napot és naponta hány órát szimuláljon a program, valamint hogy a szimuláció
futtatásának hányadik időegységétől meddig gyűjtsön adatokat.
A program rendelkezik logikai irányítási műveletek bevitelére alkalmas környezettel,
amely a programot határtalan szimulációs lehetőségekkel ruházza fel egyszerű és intuitív
módon. Ez a Visual Logic.
1.5 A SZIMULÁCIÓS MODELL TERVEZÉSE ÉS FELÉPÍTÉSE
Az első lépés a modellezni kívánt rendszer behatárolása a szimuláció céljainak

megfelelően. Ezt absztrakciónak nevezzük, melynek során a kívánt eredmények
figyelembevételével kell megállapítani a modell határait, mivel a túl részletes modellalkotás
rendkívüli idő- és adatigénnyel járhat, a gyors, de egy nem elegendően pontos modellalkotás
pedig kétségessé teheti a kívánt eredmények kalkulációját.
Ezután következik a modell felépítése, melynek során a rendszer működését leképező
helyesen beállított elemeket helyezünk a rendszerbe és megadjuk azok kapcsolatait. A modell
létrehozása után iterációs eljárás keretében pontosíthatók a modell beállításai és paraméterei.
A futtatások eredményeként kapott értékek elemzése és értelmezése után a szimulációs
eljárás során tapasztaltakat átültethetőek a gyakorlati használatba. 19
A szimulációs eljárás metodikáját a 4. ábra szemlélteti.
19
Kardos Károly, Jósvai János (2008): Termelési rendszerek számítógépes kezelése Gyártási és logisztikai
folyamatok tervezése szimulációs eljárással. Gyártástrend, 4., 36-37.
16
4. ÁBRA
A SZIMULÁCIÓS ELJÁRÁS METODIKÁJA
Forrás: Kardos-Jósvai, 2008 p36.
1.5.1 Alkalmazási területek
Alkalmazási területek tekintetében a források korántsem egységesek, annak ellenére sem,

hogy a tárgyalt szoftverek bizonyos szintig ugyanazokra a célokra lettek fejlesztve. Az alábbi
táblázat tartalmazza a szimulációs szoftverek legfőbb alkalmazási területeit.
3. TÁBLÁZAT
SZIMULÁCIÓS SZOFTVEREK LEGFŐBB ALKALMAZÁSI TERÜLETEI
• Gyártósorok és kapacitások, átfutási idők

elemzése,
• Új termelési rendszerek bevezetésének elemzése
• Új gyártósorok vizsgálata (telepítés előtt)
Gyártási folyamatok • Szűkkeresztmetszetek vizsgálata
elemzése: • Optimális gyártási sorrend, sorozatnagyságok
meghatározása
• Munkaerő szükségletének elemzése
• Logisztikai folyamatok vizsgálata
• Gyártási költségek elemzése
• Anyagellátási folyamat tervezése
Szállítás - • Optimális járműkihasználtság
Raktározás tervezés • Be- és kitárolási feladatok ütemezése
• Készlet- és raktárméret elemzése
• Erőforrások hatékony kihasználásának elősegítése
Ellátási lánc és • Átfutási idők számítása
logisztika • Információáramlási sebesség javítása
• Készletek menedzselése
Közlekedési • Közlekedési csomópontok és közösségi
folyamatok, tervezése, közlekedési rendszerek tervezése, vizsgálata,
elemzése optimalizálása
17
• Ügyfélkiszolgálás elemzése
Üzleti folyamatok
• Alkalmazottak számának meghatározása
elemzése
• Munkafolyamatok újratervezése
• Betegellátás folyamatának meghatározása
Egészségügy
• Működési stratégiák elemzése
• Vevőkiszolgálási idő és a sikertelen hívások
Hívásközpontok
csökkentése
(Call-center)
• Munkaerő-kihasználtság javítása
Forrás:Saját szerkesztés
1.5.2 Szimuláció előnyei a gyakorlatban
A következőkben esettanulmányokon keresztül mutatom be, hogy a diszkrét

folyamatszimulációs eszközök alkalmazása (főként a termelésben), milyen előnyökkel járhat.
A GM Holden autóipari vállalat 5%-kal volt képes javítani a SIMUL8-tel egy gyártósora
átbocsájtó képességét, úgy, hogy a költségek nem növekedtek. A szimulációs modellen
végzett vizsgálatok segítettek javítani a karbantartási rendszert, eltávolítani a szűk
keresztmetszeteket, valamint érthetőbbé tenni a termelési folyamatot. Ezzel elérték, hogy a
költségek növelése nélkül képesek legyenek lépést tartani a megnövekedett kereslettel, jobban
igazodhassanak annak folyamatos változásához.20
A Wyeth gyógyszergyártó cég (például az Advil, Robitussin gyártója) a SIMUL8
segítségével óriási mértékben csökkentette két kulcsprojektjének költségeit. A víztisztítás
folyamatának modellezésével és annak, a modellkísérletek által nyert információk alapján
való fejlesztésével 600 ezer és 1,2 millió dollár közötti összeget takarított meg, amit más
projektekre fordíthatott. A nyersanyag betárolási rendszer folyamatszimulációs
modellkísérletekkel való fejlesztése a vállalatnak már az első 30 napos próba alatt 300 ezer
dolláros hasznot hozott. E két projekt megvalósításához szükséges idő együtt sem érte el az
egy hónapot, mégis 1-2 millió dollár közötti kiadást sikerült velük elkerülniük.21
A Hewlett Packard világszerte élen jár az elektronikai cikkek fejlesztésében és
gyártásában. Több mint egy évtizede alkalmaz szimulációs módszereket, hogy javítsa a
termelése átbocsájtó képességét és csökkentse a folyamatok átfutási idejét, hogy ezáltal
növelje bevételeit. QMD folyamatainak szimulációs módszerekkel segített korszerűsítése által
100 ezer dollárt spórolt és erőforrásait más folyamatok működtetésére fordíthatta.22
20
Simul8 Case Studies: SIMUL8 helps GM on the road to recovery
http://www.simul8.com/our_customers/case_studies/GM_Holden_CS.pdf, (letöltés dátuma: 2011.12.08.)
21
Simul8 Case Studies: Wyeth Pharmaceutical save in excess of $1m with SIMUL8
http://www.simul8.com/our_customers/case_studies/wyeth.htm, (letöltés dátuma: 2011.12.08.)
22
Simul8 Case Studies: HP saved $100,000 annually in opportunity costs as well as other productivity gains
http://www.simul8.com/our_customers/case_studies/hp, (letöltés dátuma: 2011.12.08.)
18
Ezeken kívül a SIMUL8-el való folyamatszimuláció segítségével még komoly összegeket
takaríthatott meg a NASA, a Boston Scientific és még számos vállalat.23
SIMUL8 folyamatszimulációs szoftvert alkalmazó vállalatok például a Philips Kft.
Magyarország, a Continental Teves Kft., az Electrolux Lehel Kft., a Nokia Komárom Kft., a
Grundfos Magyarország Gyártó Kft., a Lear Corporation Hungary Kft., a Festo-AM
Pneumatika Gyártó Kft., az Elcoteq Magyarország Kft., a Roto Elzett Certa Kft., a Temic
Hungary Kft., a GE Hungary Rt., az Alstom Power Zrt., a DunaPack Zrt., a Bay Zoltán
Logisztikai és Gyártástechnológiai Intézet Visteon Hungary Kft., a CIB Lízing ZRt. a Hajdu
Hajdúsági Ipari ZRt., a Vagyon18 Zrt., és az ELME Automatika Kft. Felsőoktatási
intézményekben is használják mint például a Pannon Egyetem, a Miskolci Egyetem, a BME,
a Kecskeméti Főiskola GAMF Kar, a NyME Faipari Mérnöki Kar, és a Széchenyi István
Egyetem.24
1.6 METAHEURISZTIKÁK
A metaheurisztikákat gyakran használják kombinatorikus diszkrét problématerű

optimalizálási feladatok megoldásához, de folyamatos problématerekben is használhatóak.
Általános keretet nyújtanak fekete-doboz rendszerek optimalizálásához, ezáltal bármilyen
típusú probléma megoldásához használható komolyabb változtatás nélkül. A metaheurisztikus
algoritmusokon alapuló optimalizáló modulok uralkodó szerepet töltenek be a kereskedelmi
szimulációs szoftverek piacán. Működésük során olyan algoritmusok szerint próbálják
megtalálni az optimalizálandó rendszerek célfüggvényeinek legkedvezőbb értékét
eredményező változókat, melyek lényeges mértékben redukálják annak megtalálásához
szükséges próbálkozások számát.
Az 50-es évek óta számos optimalizációs algoritmust kifejlesztettek, mint például a
tabukeresés, a szóródás keresés, valamint a genetikus, bakteriális, hangya-kolóniás, részecske-
rajos, valamint iterált mohó algoritmusok. Viszonylag részletes képet ad ezen módszerek
osztályozásáról a 5. ábra. Ezek közül dolgozatomban csak a legáltalánosabbakat emelném ki.
23
Simul8 Case Studies: Optimizing Manufacturing Process Design for NASA
http://www.simul8.com/our_customers/case_studies/nasa.htm, (letöltés dátuma: 2011.12.08.)
Simul8 Case Studies: Boston Scientific saves $150,000 with SIMUL8.
http://www.simul8.com/our_customers/case_studies/boston_scientific.htm, (letöltés dátuma: 2011.12.08.)
24
http://www.simtech.hu/products/szimulacio-simul8termekek/simul8-professional.html (letöltve: 2011.12.07)
19
5. ÁBRA
A METAHEURISZTIKUS OPTIMALIZÁCIÓS MÓDSZEREK CSOPORTOSÍTÁSA
Forrás: http://en.wikipedia.org/wiki/File:Metaheuristics_classification.svg
1.7 OPTIMALIZÁLÓ SZOFTVERCSOMAGOK
A modell megléte nem feltétlenül jelenti a feladat megoldását, mivel a vizsgálati környezet
megteremtése koránt sem elegendő a probléma megoldásához. Gyakran még egyszerűbb
modellek esetén sem célravezető egyszerű manuális iterációs módszerek alkalmazása.
Ma már a legtöbb szimulációs szoftvercsomag professzionális verziója tartalmaz
optimalizáló modult. Mivel ezen szoftvereket problémák széles skálájának megoldására
használják, ezért olyan optimalizációs megoldásra van szükség, mely hatékonyan elboldogul
black-box jelegű problémákkal. E szoftverek széles körben elterjedtek a vállalati
gyakorlatban, ezért figyelembe kell venni azt is, hogy e programok többnyire egyszerű PC-
ken futnak, melyek számítási teljesítménye meg sem közelíti a nagy munkaállomásokét. Az
alábbi ábra kereskedelmi szimulációs szoftverekhez kapható legfontosabb optimalizációs
modulokat, azok fejlesztőit, valamint elsődleges keresési stratégiáikat sorolja fel.
20
6. ÁBRA
A LEGFONTOSABB KERESKEDELMI OPTIMALIZÁLÓ SZOFTVEREK
Forrás: Fu, 2002 p.2
1.7.1 Az OptQuest
Az OptQuest egy egyedülálló programcsomag, ami képes a piac számos szimulációs

szoftvercsomagjával együttműködni. Széles körben alkalmazzák diszkrét eseményorientált
szimulációs szoftverek optimalizáló moduljaként (pl. Arena, Simul8, ED Developer). A
program működése során a szimulációt fekete dobozként kezeli. Egy teljesen különálló
szoftverről van szó. A hangsúly a keresési algoritmusra helyeződik.27
Az OptQuest fő keresési algoritmusa a Scatter Search (SS). Ez egy populáció bázisú
optimalizációs algoritmus. Egyaránt alkalmazzák diszkrét és folyamatos problématerű
problémák megoldására egyszerű és többkritériumos célok esetén. Legnagyobb előnye a
genetikus algoritmussal szemben, hogy míg az erősen a randomizációra támaszkodik az SS
kiterjesztésként memória alapú megoldást is alkalmaz. Az OptQuest Engine esetében ezt
elsősorban a Tabu Search (TS) jelenti. A TS a problématér bejárásának útvonalát
meghatározott lépésre visszamenőleg rögzíti. Ebből később meg tudja állapítani, hogy melyek
azok a lépések amik a célfüggvényt lokális szélsőérték felé vinnék a globális helyett, így
ezeket tiltólistára helyezi. Az SS lágy számítási módszerekkel is kiegészül. Ezek közül a
legfontosabb a neurális hálózatok, melynek fő célja, hogy előrevetítse a célfüggvény értékét
problématér egyes pontjaiban, ezáltal csökkentve az optimumhoz vezető iterációk számát.
Lényege, hogy a bemeneti értékekből a belső rétegek paraméterei alapján a kívánatos
értékeket állítja elő. Tanulási folyamata során határozza meg a belső rétegek paramétereit.
Ennek révén különféle bemenetek kimenetének meghatározására válik alkalmassá. 25 26 27
25
Laguna, M. (2011): OptQuest Optimization of Complex Systems
26
Álmos Attila, Győri Sándor, Horváth Gábor,Várkonyiné Kóczy Annamária (2002): Genetikus algoritmusok,
Typotex Kiadó, Budapest
27
Fu, M. C. (2002): Feature Article: Optimization for simulation: Theory vs. Practice. Journal on Computing
archive, 4., 192-215.
21
2. I. RÉSZ: ÖSSZKÖLTSÉG MINIMALIZÁLÁS GYÁRTÁSI
SOROZATNAGYSÁGOK OPTIMALIZÁLÁSÁVAL
2.1 PROBLÉMALEÍRÁS
A nagytételes-készletező (batch-and-que) munkamódszer a tapasztalatok szerint mindig

hosszú várakozással jár, mivel ez azt vonja maga után, hogy a termék csak vesztegel, amíg a
részleg/gép át nem vált arra a tevékenységre, amire a terméknek szüksége van.
A legtöbben úgy gondolják, hogy a termelésnek ez a leghatékonyabb módszere, mivel így
minden gép folyamatosan dolgozik, és a kihasználtságukat csak kis mértékben rontják az
átállási idők. Valójában ez a gyakorlat egyáltalán nem hatékony, de mivel ennek negatív
hatásai a vállalat más területein jelentkeznek sokan képtelenek belátni. Ezen problémák
kiküszöbölésére már 50 évvel ezelőtt kifejlesztettek egy sokkal hatékonyabb módszert. Ez a
kistételes (small-lot) termelés, ami számos előnnyel jár, mint például a késztermék
készletezési költségek csökkenése, a keresletingadozásra való reagáló képesség növekedése
mellett. 28
7. ÁBRA.
A KÖLTSÉGEK ÉS A DARABSZÁM ALAKULÁSA A KÖTEGNAGYSÁGOK PÁRHUZAMOS NÖVEKEDÉSÉNEK
FÜGGVÉNYÉBEN
Forrás: Saját szerkesztés (az adatok az elvégzett szimulációk eredményeiből származnak)

Az 7. ábráról leolvasható, hogy a költségek viselkedésében azt figyelhetjük meg, hogy a
tételnagyságok növekedésével a megrendelés késve leszállításának költsége csökken, viszont
a késztermékek raktározási költsége növekszik. A legyártott darabszám is növekszik a
28
Womack, James P.-Jones, Daniel T (2009): Lean szemlélet. HVG Kiadó, Budapest
22
tételnagysággal, mivel nagyobb tételnagyság esetén az átállási idők összege egyre csökken,
viszont a növekedés megáll, ha az összes megrendelt terméket leszállították. Az ez után
legyártott termékek már csak a késztermékek raktározási költségét növelik.
A célunk hogy meghatározzuk a termelési tételnagyságok azon kombinációját, amely
minimális összköltséget eredményez, ehhez egy modellt hozok létre melyben egy job shop
modell működése folyamatos termékáram esetén vizsgálható és segítségével megállapítható
az egyes feladatok optimális kötegnagysága (batch/lot size). E modell összevonja a job shop
és a gyártási tételnagyság ütemező modellek tulajdonságait.
A modell tesztelését egy 3 termékes 3 lépcsős 3 gépes rendszerben, az egyes termékek
gazdaságos gyártási tételnagyságainak meghatározásával végeztem. A modell méretének
leginkább a későbbi optimalizációs eljárásra való előrelátás szabott gátat, mivel nagyobb
modell optimalizálásához nem állt rendelkezésemre megfelelő számítástechnikai háttér. A
modell determinisztikus a lefutási idő minimalizálása érdekében, de bármelyik paraméter
azonnal valószínűségi változóra cserélhető.
2.1.1 Asszumpciók
A modellben az alábbi megállapítások ismerhetőek el érvényesnek:

 A rendszerre a már tárgyalt Job Shop modell szabályai vonatkoznak.
 A rendszerben minden feladat (Work Type) útvonala determinisztikus.
 A termékigény már a rendszer indításakor ismert.
 A rendszerbe annyi alapanyag érkezik be, amennyi biztosítja a vizsgált időszak alatti
folyamatos áramlást.
 Ha ugyanazon gépen egy feladat (Work Type) feldolgozását egy másiké követ, akkor a
gépen átszerelést kell végrehajtani, mielőtt a következő termékfajta feldolgozásába
kezdhetne (changeover).
 A gépek a feldolgozandó termékek beérkezési sorrendjében priorizálják a kötegek
feldolgozását.
 Egy adott gép csak akkor kezdi el egy feladat kötegének feldolgozását, ha a köteg minden
eleme rendelkezésre áll. (Mivel a vizsgált időszak alatt folyamatos áramlást biztosítunk,
ezért a maradékok feldolgozásával nem kell foglalkoznunk, viszont a modellben ennek
kezelése megoldott.)
 A rendszerben az anyagmozgatási időket figyelmen kívül hagyjuk.
 A modell futási ideje (vizsgált időszak) 20 munkanap.
23
 Az elszállítandó termékek igénye naponta a munkaidő végén jelenik meg. Az igények
generált, egyenletes eloszlású értékek. A bizonyos termékek átlagosan igényelt
darabszámai között nincs szignifikáns eltérés.
 Késő termékek elszállítását napközben is megengedjük.
2.1.2 Az optimum feltétel
Az optimum feltétel megalkotásánál a költségminimalizálást tartottam szem előtt. A

tárolási és átállási költségeket 1 pénzegység/perc-ként vettem alapul, majd ezeket súlyoztam
az általam vélt általános költségarányok szerint.
A célfüggvény értékét növelő elemek:
 Szállítási késedelem büntetése, kötbér (Lateness Penalty Costs)
 Késztermék tárolási költsége (Finished Goods Inventory Costs)
 WIP tárolási költsége (Work-In-Process Inventory Costs)
 Átállási költség (Changeover Costs)
A célfüggvény értékét csökkentő elemek:

 Igényt kielégített termékekből származó bevétel (Productivity Revenue)
A célfüggvényt a következőképpen definiáltam:

𝐾𝑜𝑝𝑡 = 5 ∙ 𝐶𝐿𝑃 + 1 ∙ 𝐶𝐹𝐺𝐼 + 2 ∙ 𝐶𝑊𝐼𝑃𝐼 + 1 ∙ 𝐶𝐶𝑂 − 𝑅𝑃𝑅 , 𝑚𝑖𝑛
2.2 AZ EREDMÉNYEK ÉRTÉKELÉSE
Természetesen a Simul8 könnyen használható keretrendszert biztosít az eredmények

elemzésére. Lehetőségünk van az adatok különféle diagramokon és grafikonokon történő
szemléltetésére. Az vizsgálni kívánt elemek eredményeinek elemzését a KPI Results
Managerben tehetjük.
8. ÁBRA
A SIMUL8 ADATELEMZÉSI ESZKÖZEI
Forrás: Saját szerkesztés

Ezeken kívül a Visual Logic segítségével mi is létrehozhatunk bármilyen mérőszámot,
amire csak szükségünk lehet. Az általam létrehozott modellnél minden egyes befejezett
24
futtatás eredményeit, specifikus programkódok gyűjtik egy spreadsheet-re, ahonnan később
Excelbe exportálhatóak további elemzés céljából.
9. ÁBRA
A FUTTATÁSOK ADATAIT TARTALMAZÓ EXCEL TÁBLA
2.3 A VIZSGÁLT MODELL OPTIMALIZÁLÁSÁNAK EREDMÉNYEI
Először a 2 fejezetben létrehozott szimulációs modell termelési tételnagyságainak

optimalizációját futtattam le az OptQuestben. A problémateret minden optimum változónál az
5-50-ig terjedő intervallumban korlátoztam. Az algoritmus már a 169. próbálkozásból
megtalálta az optimumot, ami egy órát sem vett igénybe. Ezután a futtatás még több mint 5
órán keresztül folytatódott, de nem vezetett jobb eredményre. Az optimalizáció
teljesítménygrafikonja és eredményei a mellékletben találhatóak.
A második teszt során a szimulációs modell paramétereit úgy változtattam, hogy azok az
egyes feladatok optimális kombinációjának szórását lényegesen megnövelje. Ebben az
esetben is körülbelül egy óra alatt született optimálisnak tekinthető megoldás. A 216. futtatás
vezetett az optimumhoz. A következő 5 óra és körülbelül 1200 futtatás sem talált a
célfüggvénynek jobban megfelelő kombinációt. A futtatás részletes adatairól ad részletesebb
képet a 10. ábra.
25
10. ÁBRA
AZ OPTIMALIZÁCIÓ ÉS EREDMÉNYEI

A kapott kombinációkat nem értékelem (a célérték-függvény definiálásával már úgyis
előre megtettem), mivel fiktív modellekről lévén szó, nincs semmi értelme. A lényeg hogy
egy 97336 elemű problématér vélt optimumát a 169, illetve 216 futtatással megtalálta a
szoftver, körülbelül egy óra alatt a lehetséges kombinációknak csak 0,2%-át megvizsgálva.
Mindezt egy átlagos kétmagos processzorral rendelkező PC-n. Figyelembe kell vennünk,
hogy a számítási teljesítmény növelésére számtalan alternatíva áll rendelkezésre, amik akár
egy kkv-nak is megfizethetőek.
3. II. RÉSZ: ÖSSZKÖLTSÉG MINIMUM MEGHATÁROZÁSA

GYÁRTÁSI SORREND ÉS SOROZATNAGYSÁGOK
OPTIMALIZÁLÁSÁVAL
E fejezetben olyan job-shop termelési rendszerekre alkalmazható ütemezési megoldást

keresek, amely nem a rendelésre gyártott alacsony volumenű egyedi termékek előállítására
van berendezkedve, mint számos szakirodalom szerint az ilyen rendszerek. Olyan esetet
vizsgálok, mikor a termékskála szélessége és/vagy egyéb technológiai korlátok nem teszik
26
lehetővé más rendszer bevezetését (pl.: flow shop). A termelési volumen az egyes termékekre
vetítve alacsony, illetve közepes.
Ilyen rendszereknél kiváló megoldásnak tűnik egy a szimuláció alapú ütemezési módszer.
Előnye, hogy sokkal rugalmasabb, mint a kereskedelmi ütemező szoftverek és jóval több
adatot is képesek szolgáltatni.
Célom egy ilyen szimulációs ütemezési modell megalkotása, melyhez a Simul8
szimulációs szoftvert, az egyes paraméterek optimalizálására OptQuest-et, egy black-box
optimalizáló eszközt alkalmazok.
3.1 A KITERJESZTETT JOB SHOP ÜTEMEZÉSI PROBLÉMA
Olyan esetet vizsgálok, mikor a termékskála szélessége és/vagy egyéb technológiai korlátok
nem teszik lehetővé más rendszer bevezetését (pl.: flow shop). A termelési volumen az egyes
termékekre vetítve alacsony, illetve közepes lehet. Az általam vizsgált eset a klasszikus JSSP-
nél jóval bonyolultabb.
Az ütemezések kiértékelése során a következő költségfajtákat veszem figyelembe:
 Szállítási késedelem büntetése, kötbér (Lateness Penalty Costs)
 Késztermék tárolási költsége (Finished Goods Inventory Costs)
 WIP tárolási költsége (Work-In-Process Inventory Costs)
 Átállási költségek és idők (Changeover Times/Costs)
A feladatok száma a vizsgált esetben nem véges. Az igények folyamatosan érkeznek. Az

egyes feladatokat nem szükségszerűen egy kötegben áramoltatjuk végig a rendszeren, hanem
optimális termelési tételnagyságokra bontva, kiegyensúlyozva a termelési volument.
3.2 PRIORITÁSI SZABÁLYOK KÖTEGELT GYÁRTÁS ESETÉN
A folyamatot, melynek során meghatározzuk, hogy az egyes feladatok az egyes gépeken

milyen sorrendben kerüljenek feldolgozásra a szakirodalom sequencing vagy priority
sequencing-ként említi. A prioritási szabályok (dispatching rules) szerinti feldolgozási sorrend
meghatározása heurisztikus módszer. A prioritási szabályok szabják meg, hogy az egyes
gépeken a feladatelemek milyen sorrendben legyenek feldolgozva. Olyan egyszerűen
meghatározható adatokra támaszkodnak, mint határidők, határidőig hátralévő idők,
feldolgozási idők. Ezen értékekből, vagy belőlük számolható mérőszámok alapján dőlhet el a
sorrend. Kötegekben való gyártás esetén annyival bonyolódik az eljárás, hogy mivel egy
kötegben lehetséges, hogy több eltérő prioritási értékekkel rendelkező elem található. Ilyen
27
esetben döntést kell hoznunk, hogy ezen eltérő értékeket milyen módszerrel egyesítsük.
Előresorolhatjuk azt a köteget, amelyikben a legkedvezőbb értékű elem található vagy
különféle statisztikai módszereket is alkalmazhatunk (pl.: átlagolás) a legkedvezőbb
végeredmény elérésének érdekében.29 30 31
3.3 ÚJ PRIORITÁSI SZABÁLYOK ELMÉLETI ÁTGONDOLÁSA
A fent felsorolt prioritási szabályok elsősorban a hiányköltségek minimalizálását célozzák

meg. Érdemes tehát elmélkedni olyan megoldásokról, amely az adott gép átállási költségeit
vagy az átállási idők összegét hatékonyan minimalizálják.
MST (Minimize Setup Times)
Egy gép nagyfokú terhelése mellett, egy többfeladatos rendszerben, annak tiszta
munkaidejének maximalizálása érdekében érdemes bevezetni egy új prioritási szabályt, ez az
MST. Ez alkalmas lehet a már tárgyalt szabályok kiegészítésére. Abban az esetben, ha egyes
feladatok kulcsparaméterei egy szabály szerint egyenlők, akkor választhatjuk azt, amelyikre a
legrövidebb az átállási idő, ilyen az SST. Tiszta alkalmazásra nem lehet alkalmas, mivel az
átállási idők minimalizálása azt vonná maga után, hogy amíg lehetséges, addig nem áll át a
gép egy másik termék feldolgozására.
Speciális esetben, ha kötegekben gyártunk, az egyes feladatokra az igény hasonló és azok
folyamatosan rendelkezésre állnak a feldolgozására megoldható lehet olyan formában, hogy a
gép folyamatosan cirkuláltatja az egyes feladatok kötegeinek feldolgozását. A kötegnagyság
megfelelő meghatározásával az igényekhez is képesek lehetünk igazodni. A sorrend
meghatározása a Travelling Salesmen Problem (TSP), azaz a körutazási probléma
megoldásával azonos. Egy újabb szabály által vezérelt dinamikus kötegnagyság bevezetésével
valósítható meg. Mindig akkora köteget kell áteresztenünk, ami az igényeket határidőn belül
kielégíti.
A szabály szimulációs környezetbe való helyezéséhez szükséges algoritmizálási
nehézségek miatt nem vizsgálom a gyakorlatban.
29
Kovács Z. (2004): Termelés-menedzsment. Veszprémi Egyetemi Kiadó, Veszprém
30
Chase, R. B., Jacobs, F. R., Aquilano, N. J. (2006): Operational Management for Competitive Advantage,
McGraw-Hill, h.n.
31
Pinedo, M. L. (2005): Planning and scheduling in manufacturing services. Springer Science+Business
Media, New York
28
3.4 TRADE-OFF-OK KÖTEGELT JOB SHOP ÜTEMEZÉSBEN
Az ütemtervnek számos, gyakran egymásnak ellentmondó célnak kell megfelelnie, mint az

erőforrások hatékony kihasználása, alacsony készletszint tartása és az ügyfelek hatékony
kiszolgálása. Az ütemezés jóságát meghatározni hivatott mérőszámok között úgynevezett
trade-off fedezhető fel, azaz egy mérőszámot, csak a másik kárára javíthatunk és fordítva. Az
alábbiakban ezekből elemzek néhányat.
Késztermékraktár készletszintje – Határidők (make-to-stock - make-to-order)
Job shopokra leginkább a rendelésre történő termelés a jellemző. Ha nem a termék
egyedisége követeli meg a job shop rendszerű gyártást, hanem a technológia, vagy más
korlátozó tényezők, akkor is lehetőségünk nyílhat (a vevői elégedettséget nagyban növelendő)
csökkenteni a megrendeléstől a kiszállításig eltelő időt. Erre a termelési átfutási idők
csökkentése és, ha nem akarunk erősen beszállítóinktól függeni, akkor az alapanyagok
készletszintjének növelésével érhető el. Természetesen, ha beszállítóink gyorsan képesek
igényeinket kielégíteni, ez elkerülhető, bár ezt általában megfizetjük a beszerzési árban. A
legkézenfekvőbb és legszélesebb körben alkalmazott megoldás, hogy megrendeléseinket a
lehető leggyorsabban kielégíthessük, ha azokat azonnal a késztermék raktárban tárolt
készletből elégítjük ki, ezzel minimalizálva a hiányköltségeket is.
3.5 JELÖLÉSEK
A jelölések meghatározásánál Pinedo, 2005 jelöléseit vettem alapul.32

N: feladatok száma a modellben
M: gépek száma a modellben
j: feladat
i: gép
pij: j feladatelem feldolgozási ideje az i gépen
bj j feladat kötegnagysága az egész rendszerben
biju j feladat kötegnagyságának felső határa az i gépen
bijl j feladat kötegnagyságának alsó határa az i gépen
bij j feladat kötegnagysága az i gépen
bju j feladat kötegnagyságának felső határa az egész rendszerben
bjl j feladat kötegnagyságának alsó határa az egész rendszerben
rj feladat rendszerbe lépésének ideje
32
New York
29
dj feladat határideje
3.6 A VIZSGÁLATOK
A következőkben az egyes prioritási szabályok működését vizsgálom különböző

körülmények között. Célom azok dinamikus rendszerben való működésének megfigyelése,
mélyebb megértése. A szimulációs futtatások során összefüggések keresése a kapott
adatsorokban, melyek nyomán olyan módszer dolgozható, mely az eddig ismert eljárásoknál
hatékonyabban használja fel ezen szabályokat.
3.7 A VIZSGÁLATI KÖRNYEZET, AVAGY A SZIMULÁCIÓS MODELL
A vizsgálat során alkalmazott modelleket a Simul8 2009 szimulációs szoftverrel dolgoztam

ki. Az eredményeket a Simul8 által biztosított eszközökkel és Micosoft Excel
táblázatkezelővel értékelem.
3.7.1 Asszumpciók
 A modellre a Job Shop modell szabályai vonatkoznak.

 A rendszerben minden feladat (Work Type, Job) útvonala determinisztikus.
 Az egyes feladatok útvonala adott.
Bemenet
 Az egyes feladatokra leadott igények beérkezése folyamatos.
 Az alapanyagok az igényekkel egy időben érkeznek a rendszerbe.
Gépek (Work Centers)

 A gépek az egyes feladatelemeket feldolgozását csak akkor kezdheti meg, ha azokból a
gép előtti tárolóban egy egész kötegnyi (batch, lot) rendelkezésre áll.
 Az egyes feladatok feldolgozási időszükséglete (process time) az egyes gépeken előre
meghatározott.
 Az átállási idők (setup time) és költségek (setup cost) adottak.
 Egy gép egyszerre csak egy feladatelemet dolgozhat fel.
 Az egyes gépek közötti anyagmozgatást figyelmen kívül hagyjuk. Az adott feldolgozási
lépés befejeztével a feladatelemek a következő feldolgozási lépést végrehajtó gép
tárolójába, illetve az utolsó feldolgozási lépés után a késztermékraktárba kerülnek.
30
Kimenet
 A késztermék raktár feladatelemei az igényeket azonnal kielégítik a határidő pillanatában.
Késés esetén a kész feladatelem nem tárolódik a késztermék raktárban, hanem azonnal
kielégíti az igényeket.
3.7.2 Tesztkészletek paramétereinek meghatározása
A szimulációkhoz szükséges tesztkészleteket iterációval határoztam meg, hogy azok a

vizsgálandó paraméterek egymáshoz való viszonyát a lehető legjobban reprezentálják. A
tesztkészletek tartalmazzák a vizsgált időintervallum hosszát. Az összes vizsgálat kezdetén
hagyunk egy úgynevezett bemelegítési időt (warm up time), ami arra hivatott, hogy időt
biztosítson a kezdeti műveletek szimulálásához anélkül, hogy azok rögzítésre kerüljenek a
statisztikákban. Ezt követően indul az adatgyűjtési idő (result collection time), minek végén a
szimuláció leáll. Bizonyos paraméterek determinisztikusak, de a realitás érdekében néhány
paraméter sztochasztikus, így valószínűségi változóval meghatározott. Ezek kiválasztásánál
törekedtem arra, hogy az egyes időszükségletek, volumenek eloszlása a valóságban
leggyakrabban előforduló eseteket tükrözzék. Az egyes eloszlások várható értékét
megközelítendő többszörös futtatások (trial) valósíthatóak meg. Lehetséges az is, hogy az
egyes paramétereket előre generáljuk, így az eltárolódik a modellben, többszöri használat
lehetőségét nyújtva. A tesztkészletek műveleti időket, kötegnagyságokat, határidőket, átállási
időket, sorrendet és a megrendelések paramétereit (idősorosan, vagy valószínűségi változó
által meghatározva) tartalmaz, amik egy valós rendszer ütemezéséhez szükségesek.
3.7.3 Adatbevitel
A Simul8-tel lehetséges felhasználói párbeszédablakok (dialog) létrehozása, mellyel az

egyes paraméterek értékeinek változtatása néhány kattintással és a program mélyreható
ismerete nélkül lehetséges. Az egyes paramétereket tartalmazó munkafüzetek az
alapfelületről, vagy a párbeszédablakokból érhetőek el.
31
3.8 EGYES PRIORITÁSI SZABÁLYOK VISELKEDÉSÉNEK VIZSGÁLATA EGY GÉPES
RENDSZERBEN
A fő szempont ami alapján a paramétereket beállítottam, hogy a gépek egyes

kapacitáskihasználtságaikor milyen szabály a legalkalmasabb.
4. TÁBLÁZAT
TESZTKÉSZLET A PRIORITÁSI SZABÁLYOK VISELKEDÉSÉNEK VIZSGÁLATÁHOZ EGY GÉPES RENDSZERBEN
Simulation time Warm Up time Results Collection time

10560 960 9600
Operation Times Interarrival
Demand Seque
Batch Size bj-rj times of
Quantity
M1 demands nce
J1 5 2500 1
Normal
J2 0,5 - 21 5 2300 Exp(960) (20,10) 1
J2 5 1800 1
Trials: 15
Az FCFS prioritási szabály alkalmazása esetén, mivel az egyes rendelések a rendszerbe
egy időben érkeznek, ezért a sorban is egymás mögé kerülnek. Ennek köszönhetően egymás
után több köteget is feldolgozunk ugyanabból a feladatból, így minimalizálva az átállási
költségeket, ami a gép alacsony szintű kihasználtsága esetén mindenképpen előnyös, viszont
ellenkező esetben kevésbé alkalmas a szabály.
AZ EDD, STR és CR szabályok esetünkben ekvivalensek. Ennek oka könnyen levezethető.
Mivel a döntések pillanatában mind az idő, mind a feldolgozási idők megegyeznek, ezért a
döntéshez felhasználandó adatok a mindig a határidő ugyanakkora mértékben csökkentett
értékével egyenlők.
A vizsgálatok során megállapítottam, hogy a gépek kihasználtsága és a késő feladatok
erőskapcsolatot mutatnak. Minél nagyobb a kihasználtság annál több a késő feladat. Ez
természetesen triviális. Viszont bizonyítást nyert az a tény is, hogy az egyes prioritási
szabályok esetén a késő munkák száma a gépkihasználtság függvényében nem viselkednek
azonosan.
Ez felveti annak lehetőségét, hogy az ütemezésben a prioritási szabályok dinamikusan
változzanak a gép átlagos kihasználtságának függvényében.
32
3.9 PRIORITÁSI SZABÁLYOK VISELKEDÉSÉNEK VIZSGÁLATA JOB SHOP
RENDSZERBEN
A vizsgálat tesztkészlete az alábbi táblázatról leolvasható. Az egyes gépek

kihasználtságának mértékét a műveleti idők változtatásával igazítottam a kívánt értékre.
5. TÁBLÁZAT
1. TESZTKÉSZLET A PRIORITÁSI SZABÁLYOK VISELKEDÉSÉNEK VIZSGÁLATÁHOZ JOB SHOP RENDSZERBEN

A vizsgálat során enumeratív eljárással határoztam meg a célfüggvény értékeit az egyes
pontokban. Az eredmények azt mutatják, hogy a késések átlagos ideje akkor a legkisebb,
mikor egyik gép sem FCFS szerint működik. A legrosszabb esetekben viszont jól látható,
hogy az FCFS dominál.
1. TÁBLÁZAT
AZ EGYES PRIORITÁSI SZABÁLYOK KOMBINÁCIÓJÁNAK ÉS A MEGRENDELÉSEK ÁTLAGOS KÉSÉSÉNEK
KAPCSOLATA
WC1 WC2 WC3 Average WC1 WC2 WC3 Average

Dispatch Dispatch Dispatch Lateness Dispatch Dispatch Dispatch Lateness
Rule Rule Rule Time Rule Rule Rule Time
1 STR/OP STR STR/OP 403,47 115 STR/OP FCFS FCFS 601,09
2 STR/OP EDD STR/OP 403,47 116 CR FCFS FCFS 601,21
3 CR CR STR 404,59 117 FCFS STR/OP FCFS 610,43
4 STR/OP CR STR 407,93 118 FCFS FCFS CR 626,30
5 CR STR CR 409,77 119 STR FCFS FCFS 628,40
6 CR EDD CR 409,82 120 EDD FCFS FCFS 631,76
7 STR CR 410,66 121 FCFS FCFS EDD 638,58
8 STR/OP EDD CR 410,66 122 FCFS FCFS STR 647,54
9 CR STR/OP STR 411,15 123 FCFS EDD FCFS 677,07
10 CR CR EDD 411,41 124 FCFS STR FCFS 677,07
… 125 FCFS FCFS FCFS 786,26
33
10. ÁBRA
AZ EGYES PRIORITÁSI SZABÁLYOK ELŐFORDULÁSI GYAKORISÁGA A LEGJOBB ÉS LEGROSSZABB CÉLÉRTÉKEK
ESETÉN
Incidence in the top 10 Incidence in the bottom 10
21
12
7
6
4
3 3
2
1
0
CR EDD FCFS STR STR/OP
3.10 PRIORITÁSI SZABÁLYOK OPTIMÁLIS KOMBINÁCIÓJÁNAK
MEGHATÁROZÁSA OPTQUEST-EL
A következőkben a Simul8 programcsomag által biztosított optimalizáló eszközzel

határoztam meg a kötegnagyságok optimális kombinációját determinisztikus esetben. A
tesztkészlet paraméterei az alábbi táblázatból kiolvashatóak. Célfüggvényként a gyártásközi
és a késztermékek átlagos készletének, valamint az időre ki nem elégített igények átlagos
számának összegét határoztam meg. A késések átlaga 2-szeres, míg a gyártásközi készletek
átlaga 1,5-szörös súllyal szerepel a célfüggvényben, tükrözve a való életben vett prioritásokat.
34
6. TÁBLÁZAT
TESZTKÉSZLET AZ OPTQUEST-EL VÉGZETT OPTIMALIZÁLÁSI PRÓBÁKHOZ
Simulation time Warm Up time Results Collection time
20160 960 19200
Operation Times Batch Interarrival
Demand
bj-rj times of
Quantity
Sequence
M1 M2 M3 Size demands
J1 14 25 13 5 2500 1,2,3
From Normal
J2 13 22 21 5 2300 (40,20) 1,3,2
sheet
J2 12 21 24 5 1800 3,2,1
Setup times matrix M1 Setup times matrix M2 Setup times matrix M3
j 1 2 3 j 1 2 3 j 1 2 3
1 0 103 16 1 0 87 68 1 0 35 56
2 120 0 44 2 101 0 80 2 69 0 96
3 64 91 0 3 108 60 0 3 39 93 0
Day Minute J1 J2 J3
1 0 39 60 41
2 1440 0 0 0
3 2880 27 0 0
4 4320 0 75 0
5 5760 0 42 0
6 7200 0 0 0
7 8640 0 42 0
8 10080 48 64 0
9 11520 0 0 39
10 12960 59 0 33
11 14400 32 0 70
12 15840 22 41 0
13 17280 36 26 48
14 18720 44 67 0
15 20160 0 0 0
A vizsgált esetben a problématér könnyen kezelhető volt a szoftver számára. A megoldást
nem enumerációs módszerrel határozta meg. Elég volt a 125 (53) elemű problématér kevesebb
mint 60 elemének meghatározása, hogy jelezze, megtalálta az optimumot. A CR prioritási
szabály alkalmazása bizonyult a legeredményesebbnek. Az optimális kombinációt már a
negyedik lépésben megtalálta, ami leginkább a kezdeti értékek megfelelő manuális
megválasztásának köszönhető.
7. TÁBLÁZAT
A PRIORITÁSI SZABÁLYOK KOMBINÁCIÓJÁNAK OPTIMALIZÁLÁSÁNAK EREDMÉNYE
35
A konvergencia görbe az optimális érték korai felfedezése miatt hamar kiegyenesedik. A
függvény az eddigi futtatások legjobb célfüggvény-értékét (y tengely) mutatja, a szimulációs
futtatások számának (x) függvényében.
11. ÁBRA
A PRIORITÁSI SZABÁLYOK KOMBINÁCIÓJÁNAK OPTIMALIZÁLÁSÁNAK KONVERGENCIA GÖRBÉJE

Mint ahogyan a korábbi enumerációs próbák is kimutatták, itt is a CR prioritási szabályok
dominálnak a legjobb értékek között, mint az az alábbi táblázatról is leolvasható. A legjobb
kombinációk célfüggvény-értékei alacsony szórást mutatnak.
8. TÁBLÁZAT
A PRIORITÁSI SZABÁLYOK LEGJOBB KOMBINÁCIÓI

Az optimális kombináció kiértékelését később, a következő vizsgálatok eredményeivel
összevetve elemzem.
36
3.11 KÖTEGNAGYSÁGOK OPTIMÁLIS KOMBINÁCIÓJÁNAK MEGHATÁROZÁSA
OPTQUEST-EL
A teszthez az előző vizsgálat tesztkészletét alkalmaztam azzal a különbséggel, hogy az

egyes gépeken alkalmazott prioritási szabályok az előző próba eredménye alapján lettek
kiválasztva (5,5,2) és a kötegnagyságok értelemszerűen nem fixek. A kötegnagyság alsó és
felső határa rendre 5 és 20. Ez (20-5+1)3, azaz 4096 elemű problémateret jelent. Az
optimalizációt 120 percen át futtattam.
9. TÁBLÁZAT
A KÖTEGNAGYSÁGOK KOMBINÁCIÓJÁNAK OPTIMALIZÁLÁSÁNAK EREDMÉNYE

Az elfogadható eredményt a 147. próbálkozásként vizsgálta a szoftver. Ebben az esetben is
sikerül a kezdeti értékeket, oly módon meghatározni, hogy a majd 700 vizsgált kombináció
közül az lett a második legjobb. Ennek köszönhetően a konvergencia görbe szögletessé vált.
12. ÁBRA
A KÖTEGNAGYSÁGOK KOMBINÁCIÓJÁNAK OPTIMALIZÁLÁSÁNAK KONVERGENCIA GÖRBÉJE

Ebben az esetben az egyes kombinációk esetén a célfüggvény értéke már széles
intervallumba esik, mint az jól leolvasható az alábbi táblázatról.
10. TÁBLÁZAT
A VIZSGÁLT KOMBINÁCIÓK EREDMÉNYEINEK STATISZTIKAI ADATAI
37
A tételnagyságok egyes kombinációi a hetedik legjobb érték után nagy ugrást mutat. Az
egyes kombinációk elemei viszonylag eltérőek.
11. TÁBLÁZAT
A KÖTEGNAGYSÁGOK LEGJOBB KOMBINÁCIÓI
3.12 PRIORITÁSI SZABÁLYOK ÉS KÖTEGNAGYSÁGOK OPTIMÁLIS
KOMBINÁCIÓJÁNAK MEGHATÁROZÁSA OPTQUEST-EL
Az optimalizáció 90 percig futott. A vizsgálathoz az eddig alkalmazott tesztkészletet

alkalmaztam azzal a különbséget csak a változók jelentenek. A számuk 6-ra növekedett. A 3
feladat kötegnagysága és a 3 gép prioritási szabálya. A problématér nagyságát leíró képlet:
𝑛
|𝑃| = (∏(𝑏𝑗𝑢 − 𝑏𝑗𝑙 + 1)) ∙ 𝑘𝐷𝑃 𝑚

𝑗=1
ahol
|𝑃|: a problématér elemeinek száma
𝑛: a feladatok száma (number of jobs/tasks)
𝑚: a gépek száma (number of machines)
𝑏𝑗𝑢 : kötegnagyság felső határa j feladat esetén
𝑏𝑗𝑙 : kötegnagyság alsó határ j feladat esetén
𝑘𝐷𝑃 : a lehetséges prioritási szbályok száma
Esetünkben a problématér elemszáma kötegnagyságok lehetséges kombinációinak száma
(163) szorozva a prioritási szabályok lehetséges kombinációinak számával (53),
azaz 512 000 elem.
38
Az összevont optimalizációs eljárás kezdeti értékeinek az előző vizsgálatok legjobb
eredményeit adtam meg. Ezek csak a negyedik legjobb célfüggvény-értéket produkálták. Az
optimális kombináció összetétele ebben az esetben lényegesen eltér az eddigiektől.
12. TÁBLÁZAT
A PRIORITÁSI SZABÁLYOK ÉS KÖTEGNAGYSÁGOK OPTIMALIZÁLÁSÁNAK EREDMÉNYE

A konvergencia görbéről leolvasható, hogy az optimalizáció első harmadában történt
változás a legjobb vizsgált értéket illetően.
13. ÁBRA
A PRIORITÁSI SZABÁLYOK ÉS KÖTEGNAGYSÁGOK OPTIMALIZÁLÁSÁNAK KONVERGENCIA GÖRBÉJE
A célfüggvény-értékek szórása a kötegnagyságok optimalizálásánál megfigyeltekhez

hasonlóan magas.
13. TÁBLÁZAT
A PRIORITÁSI SZABÁLYOK ÉS KÖTEGNAGYSÁGOK OPTIMALIZÁCIÓJA SORÁN VIZSGÁLT KOMBINÁCIÓK
STATISZTIKAI ADATAI
39
3.13 AZ OPTQUEST-EL VÉGZETT VIZSGÁLATOK ÉRTÉKELÉSE
Abban az esetben mikor mind a kötegek, mind a prioritási szabályok változóként jelentek
meg az optimális ütemezés paraméterei egész más irányt vettek, mint mikor a
kötegnagyságot, vagy a prioritási szabályokat önmagukban vizsgáltam. Végül is az utolsó
optimalizálás vezetett a legjobb eredményhez. Ez annak köszönhető, hogy a kötegnagyságok
csökkentésével és a prioritási szabályok szabad választása által a work centerek tiszta
munkaidejének aránya megnőtt, míg az átállási idő lecsökkentek. Ez által az egyes
feladatelemek átlagos átfutási ideje csökkent, így kevesebb időt töltöttek el gyártásközi
készletként, melynek súlya a célfüggvényben 1,5 volt, és hamarabb jutottak a késztermék
raktárba, mely átlagos készletszintjének súlya csak 1 volt. Ez azt eredményezte, hogy
csökkent a késő feladatok száma, melyek késésének mérőszámának súlya 2 volt a
célfüggvényben.. A rendszeren áthaladó elemek, azaz a kielégített igények száma is
szignifikánsan magasabbra szökött ez által.
Ez mindenképpen megerősíti sejtésem mi szerint megfelelő tételnagyság esetén az
alacsony kihasználtságú work centereken a FCFS prioritás a legcélravezetőbb, mivel
csökkenti az átállási időket, így növelve a rendelkezésre állást. A fennmaradó prioritási
szabályok között a különbség nem annyira szignifikáns. Azok kiválasztásához iterációt
javaslok, vagy work centerek kezelhető száma esetén enumerációt, vagy optimalizálási
eljárást.
Az OptQuest a problématerek nagyságától függetlenül jól teljesített. Viszonylag rövid idő
alatt vezetett elfogadható eredményekhez, ebből kifolyólag nagyobb gép és feladatszámú
rendszerek esetén is sikerrel alkalmazható.
Az egyes vizsgálatok pontos eredményeit az alábbi 14. táblázat szemlélteti.
40
14. TÁBLÁZAT
AZ EGYES OPTIMALIZÁLÁSOK EREDMÉNYEINEK ÖSSZEHASONLÍTÁSA
41
4. III. RÉSZ: MAKSPAN MINIMALIZÁLÁS ELMÉLETI
TESZKÉSZLETEKEN
A vizsgálatokat szakirodalomból vett elméleti feladatkészleteken végeztem el. Muth és

Thompson,33 valamint Taillard34 job shop feladatkészleteit választottam az elemzések
végrehajtási alapjául. Ezek több különböző nagyságrendű problémát ölelnek fel, amely a hat
gépestől a húsz gépes rendszerig terjed. A gépeken minimálisan hat, maximálisan 100
egymástól különböző feladatot lehet végrehajtani. A Taillard feladatkészletek esetén minden
gépszám és feladatméret kombinációjához tíz különböző műveleti- idő, és sorrend táblázat
tartozik, melyek közül minden feladat-gépszám kombinációból kettőt választottam ki.
Az elméleti feladatkészletek kiértékeléséhez a specifikációkhoz által tartalmazott eddigi
legjobb eredmények szolgáltak összehasonlítási alapul.
33
Fisher, H., Thompson G.L. (1963), Probabilistic learning combinations of local job-shop scheduling rules, in
J.F. Muth, G.L. Thompson (eds.), Industrial Scheduling, Prentice Hall, Englewood Cliffs, New Jersey, 225-
251.
34
Taillard E.. Benchmarks for basic scheduling problems. European Journal of Operational Research, 64:278–
285, 1993.
42
15. TÁBLÁZAT
A FELHASZNÁLT ELMÉLETI TESZKÉSZLETEK ÉS FŐ PARAMÉTEREIK
No. of No. of
Upper Lower
Instance jobs machines
bound bound
[M] [J]
1. ft06 6 6 55*
2. ft10 7 10 930*
3. ft20 20 5 1165*
4. ta01 15 15 1231 1005
5. ta05 15 15 1233 940
6. ta11 20 15 1376 1254
7. ta15 20 15 1366 1163
8. ta21 20 20 1663 1217
9. ta25 20 20 1598 1256
10. ta31 30 15 1770 1764
11. ta35 30 15 2007 1754
12. ta41 30 20 2064 1850
13. ta45 30 20 2032 1785
14. ta51 50 15 2760 2760
15. ta55 50 15 2679 2679
16. ta61 50 20 2868 2868
17. ta65 50 20 2725 2725
18. ta71 100 20 5464 5464
19. ta75 100 20 5392 5392
*makespan in case of optimal schedule
4.1 A SZIMULÁCIÓS MODELL
A szakdolgozatban kiválasztott sorrendtervezési eljárások implementálására és a kísérleti

futtatások végrehajtására a Simul8 programcsomag 2009-es verziója szolgált. A modell
működését vezérlő programsorokat szoftver logikai irányítási műveleteinek bevitelére
szolgáló belső programnyelvében a Visual Logic-ban szerkesztettem meg.
43
14. ÁBRA
AZ ÚJ MŰVELET KIVÁLASZTÁSÁNÁL BEHÍVOTT PROGRAMSOR EGY RÉSZLETE
4.1.1 A problémakör vizsgálatához szükséges elvárások a szimulációs modellel

szemben
 Minden egyes feladat…

o véges számú műveletből áll.
o a rendszerbe lépve az azt először megmunkáló géphez áramlik.
o előre meghatározott sorrendben érinti a gépeket.
o várakozhat két egymást követő műveletek között. A gyártásközi készlet
megengedett.
o rendelkezésre áll 𝑡 = 0 időpontban, azaz minden 𝑟𝑗 = 0. További feladatok az idő
előrehaladtával nem kerülnek a rendszerbe. Ez a statikusság feltétele.
 Minden egyes gép…
o 100%-os hatékonysággal üzemel.
o egyszerre csak egy műveletet végezhet, mely meg nem szakítható.
 A műveleti idők adott feladat és gép kombinációjára meghatározottak.
 Nem számolunk átállási, műveletközi anyagmozgatási és határidőkkel.
 A modell nem tartalmaz valószínűségi változókat. Minden paraméter determinisztikus.
44
4.1.2 Felhasználói felület
A Simul8 számos funkciója támogatja a felhasználói felület tetszőleges testreszabását. Ezeket

kihasználva a gyakran használt funkciók eléréséhez parancsgombokat, illetve párbeszéd
paneleket hoztam létre. A felületről leolvashatóak a legfontosabb információk.
A különböző prioritási szabályok, vagy azok kombinációinak különböző
feladatkészleteken való vizsgálatát automatizáltam. Három kísérlet közül választhatunk a bal
felső sarokban található parancsgombok segítségével. Az első két futtatási mód esetén
lefuttathatjuk az összes szabályt az összes, második esetben pedig csak az aktuális
feladatkészleten. A harmadik működési funkció az OptQuest-el való kommunikációt teszi
lehetővé. Természetesen a szoftver alapvető funkciói, mint modelltervezési mód is
visszaállíthatóak.
15. ÁBRA
A LÉTREHOZOTT MODELL FELHASZNÁLÓI FELÜLETE

A felület jobb oldalán helyezkednek el a legfontosabb információkat tartalmazó
táblázatokat és a párbeszédablakok előrehívására szolgáló parancsgombok, melyek nagyban
segítették a modell létrehozási folyamatát, valamint a szimulációval kapcsolatos egyéb
műveleteket.
4.1.3 Feladatkészletek inicializálása
A szimulációs modell építése során fontos szempont volt, hogy annak lefutásához szükséges
CPU idő a lehető legkevesebb legyen. Ez azért lényeges, mert az eredmények előállításához
annak számos alkalommal történő futtatása szükséges. Ennek érdekében a statikus adatok,
melyek nem függnek az időtől vagy a választott prioritási szabálytól, nem a szimuláció
45
közben kerülnek kiszámolásra, hanem már a feladatkészlet inicializálása során. Ezáltal a
dinamikus adatok előállítása szimuláció közben lényegesen egyszerűbbé válik. A betöltendő
feladatkészletek kiválasztása párbeszédablak segítségével történik.
16. ÁBRA
A FELADATKÉSZLETEK KIVÁLASZTÁSÁRA SZOLGÁLÓ PÁRBESZÉDABLAK

A feladatkészletek inicializálása során az alábbi segédtáblázatok generálódnak:
 Jobs Matrix Sheet (A szimuláció során innen kerülnek kiolvasásra a feladatkészletek által
meghatározott paraméterek, mint az útvonalak és a műveleti idők.)
 Jobs Info Sheet (Ez a mátrix tartalmazza az egyes feladatok részletes információit, ami a
prioritási szabályok működéséhez szükséges.)
 Machine Info Sheet (Az egyes gépekkel kapcsolatos információkat tartalmazza)
 Lower Bounds Sheet (A műveleti idők összegét tartalmazza gépenként és feladatonként.
Ezeken felül számos paraméter beállításra kerül, melyek elengedhetetlenek a modell

megfelelő működéséhez.
4.1.4 Szakirodalmi és új prioritási szabályok implementációja
Az implementálandó szabályok a job shop ütemezésre leggyakrabban alkalmazottak közül

kerültek ki. Az FCFS, LCFS, SPT, LPT, LWKR, MWKR, FOPNR, GOPNR, SRMPT,
LRMPT, SQNO, TWORK és az SPT/TWORK prioritási szabályokon felül két saját szabály is
tesztelésre került ezek az EPT/t és az ATWRM.
Azt EPT/t szabály tulajdonképpen egy százalékos ráta. Azt mutatja meg, hogy az adott
feladat a rendszerbe kerülése óta eltelt idő hány százaléka telt hasznosan, azaz művelettel.
Célja, hogy azon feladatok végrehajtását priorizálja, melyek a legtöbbet várakoztak a
szimuláció indítása óta, így gyorsítva azok áthaladását a rendszeren.
Az ATWRM azon gépek átlagos összmunkáját veszi alapul, melyeket az adott feladat még
érinteni fog. Az összmunka a gépen végrehajtott és végrehajtandó összes művelet
46
időszükségletét jelenti. Célja, hogy azon feladatokat priorizálja, melyek útvonalai a leginkább
terhelt gépeket érintik, így biztosítva azok lehető legnagyobb utilizációs szintjét.
16. TÁBLÁZAT
ÚJ PRIORITÁSI SZABÁLYOK
1. EPT/t Ellapsed Processing Time/Time (𝑚𝑖𝑛), ∑𝑖𝑞=1 𝑝𝑖𝑞

𝐽
Average Total Work on the Remaining ∑𝑚
𝑞=1 ∑𝑗=1 𝑝𝑖𝑗
2. ATWRM (𝑚𝑎𝑥),
Machines 𝑚𝑖 −𝑗+1
Forrás: Saját szerkeztés
Az SQNO szabály két változatban került implementálásra. Ez elengedhetetlen volt

zavartalan működéséhez, mivel egy feladat utolsó művelete előtt már nem alkalmazható. Az
SQNO1 esetén az előbb említett szituációban 0 állítódik be paraméternek az adott feladaton,
így úgy kezeli, mint ha annak következő műveletéhez tartozó tároló üres lenne, így siettetve
annak feldolgozását. Az SQNO2 esetén az adott feladat feldolgozását az összes többi feladat
után soroljuk, így siettetve azokat a feladatokat, melyek befejezéséhez még több mint egy
művelet van hátra.
A szabályok abban az időpillanatban kerülnek lehívásra, mikor egy adott gép nem, vagy
már nem végez műveletet. Ekkor egy szabály-specifikus mátrix generálódik. Ide kerülnek
beolvasásra a döntéshez szükséges információk vagy kiszámításra feladatválasztáshoz
szükséges paraméterek, melyek egyezése esetén a FCFS vagy LCFS szabály érvényesül.
17. ÁBRA
PRIORITÁSI SZABÁLYOK KIVÁLASZTÁSÁRA SZOLGÁLÓ PÁRBESZÉDABLAKOK

A prioritási szabályok párbeszédablak segítségével választhatóak ki. Ez lehetséges
egyesével, de minden gépre érvényesen is.
4.2 VIZSGÁLATOK
A következőkben a makspan minimalizálást használva célfüggvényként a különböző

konstruktív eljárások alkalmazásának hatékonyságát vizsgálom.
47
4.2.1 Makespan vizsgálata minden gépen megegyező prioritási szabályokkal
Először az egyes prioritási szabályokkal történő ütemezés által elérhető maximális átfutási
idők szerint vizsgáltam a rendszert. Szimulációs futtatásokat végeztem minden egyes
feladatkészlet-prioritási szabály kombinációra. Azok maximális átfutási idő eredményeit az
alábbi táblázat tartalmazza.
17. TÁBLÁZAT
MAKESPAN AZ EGYES PRIORITÁSI SZABÁLYOK ÉS FELADATKÉSZLETEK SZERINT
Instance
ATWRM
TWORK
TWORK
GOPNR
SQNO1
SQNO2
SRMPT
LRMPT
FOPNR
MWKR
LWKR
EPT/t
SPT/
FCFS
LCFS
SPT
LPT
ft06 0,000 62 69 68 72 81 68 61 59 68 62 68 62 65 60 69 60
ft10 0,000 1184 1283 1240 1324 1226 1474 1122 1205 1307 1182 1247 1225 1224 1133 1262 1137
ft20 1,386 1645 1291 1336 1606 1442 1491 1526 1608 1430 1485 1516 1301 1534 1525 1651 1530
ta01 0,000 1486 1713 1431 1780 1800 1933 1443 1510 1759 1616 1690 1426 1560 1560 1609 1426
ta05 0,000 1457 1726 1607 1828 1792 1735 1462 1510 1602 1709 1604 1575 1542 1542 1592 1580
ta11 0,288 1671 2084 1798 1960 2043 2026 1688 1694 1839 1849 1848 1732 1754 1653 1691 1841
ta15 0,288 1798 1877 1829 2013 1853 1904 1730 1677 1768 1713 1958 1832 1787 1800 1832 1688
ta21 0,000 2089 2174 2134 2501 2240 2186 2044 1956 2028 2281 2304 2060 2114 2038 1992 2151
ta25 0,000 2160 2426 2201 2457 2270 2325 1905 1949 2171 2133 2143 2142 2018 1968 2040 2083
ta31 0,693 2277 2469 2611 2606 2733 2813 2152 2122 2564 2468 2643 2239 2206 2040 2237 2211
ta35 0,693 2478 2686 2362 2800 2864 2739 2296 2305 2442 2649 2528 2372 2559 2341 2406 2259
ta41 0,405 2543 2939 2467 3075 2804 3102 2612 2529 2852 2703 3104 2640 2554 2603 2915 2579
ta45 0,405 2565 2603 2689 2850 3189 2934 2596 2548 2902 2762 2825 2802 2479 2453 2872 2446
ta51 1,204 3705 3599 3806 3831 3868 3533 3451 3526 3318 3423 3634 3301 3412 3258 3605 3435
ta55 1,204 3267 3407 3225 4005 3882 3876 3123 3200 3482 3277 3333 3171 3364 3083 3345 3244
ta61 0,916 3628 3868 3931 4026 4529 4245 3505 3307 3762 3792 3854 3456 3750 3809 4102 3360
ta65 0,916 3310 3769 3611 4064 4059 4121 3345 3280 3439 3556 3827 3480 3471 3467 3667 3376
ta71 1,609 6248 6702 6316 7501 6960 6798 6029 5947 5893 6561 6832 6113 6183 5994 6834 6307
ta75 1,609 6361 6443 6219 7080 6806 6927 6051 6152 6363 5920 6506 6053 5891 5901 6568 6229
Deviation % 7,6 15,1 9,9 23,3 22,1 21,7 3,8 4,0 11,6 10,8 15,4 5,9 7,6 4,4 12,3 5,4
A mátrix elemeit az Excel automatikus formázási lehetőségével élve értékük alapján
színeztem. A legkedvezőbb eredmények zöld, a legkevésbé kedvezőek piros háttérrel lettek
ellátva. A kettő átlagai fehér hátteret kaptak, így vizuálisan könnyen kielemezhetővé váltak az
eredmények. Kirívó értékek is feltűnővé váltak.
A táblázaton jól látható, hogy az MWKR, a GOPNR szerepeltek a legjobb eredményekkel.
Esetükben az átlagos eltérés a módszerrel elért legjobbtól mindössze 3,8% és 4%. Jól
teljesítettek az SPT/TWORK, az SQNO és az EPT/t szabályok is. Az utóbbi esetén
bizonyítást nyerni látszik annak létjogosultsága a prioritási szabályokkal való job shop
ütemezés területén.
48
A legrosszabb eredményeket az LCFS, a TWORK, az LPT és az LWKR szabályok hozták.
Ezek átlagos eltérése a legjobbtól az első két esetben 15%, a többi esetében 20% feletti. Ez
alapján méltán sejthetjük, hogy az 𝐶𝑚𝑎𝑥 célfüggvény esetén azokat nem érdemes alkalmazni.
Az ATWRM sajnos az átlagnál rosszabb eredményeket hozott, ez mindenképpen indokolja
működési paramétereinek újragondolását.
4.2.2 Prioritási szabályok kombinálása OptQuest-el
Az optimalizációt két különböző teljesítményű hordozható PC-n futtattam, melyek

legfontosabb adatai az alábbi táblázatból kiolvashatóak. Mivel a két számítógép teljesítménye
merőben eltérő, ami akár másfélszeres eltérést is jelenthet egy kísérlet lefutásának időtartamát
tekintve, ezért azok időszükségletét nem vettem figyelembe. Minden feladatkészlet esetén
1000 szimulációs futtatást végeztem, a legjobb prioritási szabály kombináció fellelése
érdekében, ami a feladatkészlet méretétől és az alkalmazott PC-től függően 45-200 percet vett
igénybe. Ez azt is maga után vonja, hogy az egyes feladatkészletek problémateréből nem volt
képes arányos nagyságú mintát venni az OptQuest, de a rendelkezésre álló eszközökkel ez
semmiképpen sem lett volna lehetséges.
18. TÁBLÁZAT
AZ OPTIMALIZÁLÁSHOZ HASZNÁLT PC-K LEGFONTOSABB ADATAI
1 2
Operációs rendszer Windows 7 (64 bit) Windows Vista (32 bit)
CPU Intel Core i5-3210M 2,5 GHz Intel Core 2 Duo T5250 1,5GHz
Memória 8 GB 2 GB
Az optimalizáció eredményeit több szempontból vizsgáltam. Először az egyes DP
kombinációk célérték javításai során generált, majd a legjobb makespan eredményeket
hasonlítottam össze az előző vizsgálat eredményeivel. Ezután az egyes szabályok előfordulási
gyakoriságát határoztam meg azon kombinációk esetén, melyek eredményeinek százalékos
eltérése nem több mint 0,5% a legjobbtól.
Az alábbi táblázatról leolvasható, hogy minél több javulást elérő lépést sikerült megtenni a
problématérben, a javulás annál számottevőbb az előző pontban leírt eljárás eredményeihez
képest.
49
19. TÁBLÁZAT
AZ OPTIMALIZÁCIÓ CÉLÉRTÉK JAVÍTÁSAI
Improvement
Improvement
Improvement
Simulation
Simulation
Simulation
Makespan
Makespan
Makespan
Instance
Instance
Instance
ft06 21 59 = 0,0% ta15 17 1675 * 0,1% ta51 11 3104 * 4,7%
ft06 748 58 * 1,7% ta15 19 1596 * 4,8% ta51 308 3049 * 6,4%
ft10 1 1116 * 0,5% ta15 514 1583 * 5,6% ta51 406 3045 * 6,5%
ft10 2 1117 * 0,4% ta15 639 1582 * 5,7% ta55 238 3081 * 0,1%
ft10 8 1118 * 0,4% ta15 695 1579 * 5,8% ta55 311 3048 * 1,1%
ft10 9 1119 * 0,3% ta15 769 1570 * 6,4% ta55 430 3022 * 2,0%
ft10 19 1087 * 3,1% ta21 150 1944 * 0,6% ta55 932 3012 * 2,3%
ft10 37 1078 * 3,9% ta21 591 1921 * 1,8% ta65 43 3208 * 2,2%
ft10 188 1071 * 4,5% ta21 764 1911 * 2,3% ta65 112 3202 * 2,4%
ft10 441 1057 * 5,8% ta21 932 1880 * 3,9% ta65 376 3199 * 2,5%
ft20 935 1289 * 0,2% ta25 213 1896 * 0,5% ta65 524 3193 * 2,7%
ta01 35 1415 * 0,8% ta25 313 1834 * 3,7% ta65 529 3141 * 4,2%
ta01 131 1380 * 3,2% ta31 774 2034 * 0,3% ta65 993 3132 * 4,5%
ta05 2 1457 = 0,0% ta31 832 2025 * 0,7% ta71 1 5893 = 0,0%
ta05 12 1441 * 1,1% ta31 863 2009 * 1,5% ta71 153 5859 * 0,6%
ta05 20 1434 * 1,6% ta31 991 2003 * 1,8% ta71 174 5857 * 0,6%
ta05 75 1413 * 3,0% ta35 15 2216 * 1,9% ta71 255 5744 * 2,5%
ta05 77 1399 * 4,0% ta35 264 2207 * 2,3% ta75 41 5891 = 0,0%
ta05 470 1393 * 4,4% ta35 360 2197 * 2,7% ta75 233 5882 * 0,2%
ta05 540 1386 * 4,9% ta35 394 2196 * 2,8% ta75 234 5857 * 0,6%
ta05 688 1383 * 5,1% ta35 461 2188 * 3,1% ta75 238 5791 * 1,7%
ta05 791 1370 * 6,0% ta35 469 2156 * 4,6% ta75 298 5790 * 1,7%
ta11 15 1646 * 0,4% ta41 222 2449 * 0,7% ta75 363 5766 * 2,1%
ta11 154 1641 * 0,7% ta41 420 2444 * 0,9% ta75 431 5759 * 2,2%
ta11 160 1636 * 1,0% ta41 446 2435 * 1,3% ta75 537 5730 * 2,7%
ta11 173 1627 * 1,6% ta41 475 2430 * 1,5% ta75 667 5675 * 3,7%
ta11 186 1626 * 1,6% ta41 481 2346 * 4,9% * better than the best
ta11 329 1563 * 5,4% ta45 80 2381 * 2,7% = equal with the best
ta11 684 1555 * 5,9% ta45 277 2373 * 3,0%
ta11 833 1552 * 6,1% ta45 483 2355 * 3,7%
50
Az alábbi táblázatról leolvashatóak az egyes feladatkészletekhez tartozó legkedvezőbb
célérték eredmények azokban az esetekben, mikor minden gépen ugyanazon szabály szerint
határoztam meg a sorrendet, valamint mikor azon legjobb kombinációját határoztam meg
OptQuestel. Jól látható, hogy tizennyolc feladatkészlet esetén sikerült javulást elérni és csak
egy esetében nem. Az átlagos javulás majdnem 4%-os. Az előző kísérlet eredményeit
átlagosan 217 lépessel sikerült felülmúlni, míg a legjobb eredményekhez átlagosan 643 lépés
volt szükséges.
20. TÁBLÁZAT
CÉLÉRTÉKEK ÉS LÉPÉSSZÁMOK
Best
Best
(same DRs First better Best
Instance (DP Improvement
on all combination combination
combinations)
machines)
ft06 59 58 1,72% 748 748
ft10 1122 1057 6,15% 9 441
ft20 1291 1289 0,16% 935 935
ta01 1426 1380 3,33% 35 131
ta05 1457 1370 6,35% 12 791
ta11 1653 1552 6,51% 15 833
ta15 1677 1570 6,82% 17 769
ta21 1956 1880 4,04% 150 932
ta25 1905 1834 3,87% 213 313
ta31 2040 2003 1,85% 774 991
ta35 2259 2156 4,78% 15 469
ta41 2467 2346 5,16% 222 481
ta45 2446 2355 3,86% 80 483
ta51 3258 3045 7,00% 11 406
ta55 3083 3012 2,36% 238 932
ta61 3307 3323 -0,48% 846 846
ta65 3280 3132 4,73% 43 993
ta71 5893 5744 2,59% 153 255
ta75 5891 5675 3,81% 233 667
Average improvement: 3,926% 250 653
Megfigyelhető az is, hogy az első javulást hozó lépés sorszáma erős fordított arányú
korrelációs kapcsolata fedezhető fel a javulás mértékével, melynek értéke 85,9%. Ez azt
jelenti, hogy minél korábban talált az alkalmazott metaheurisztika kedvezőbb eredményt az
előző kísérlethez képest, annál jobb eredményt volt képes elérni.
Az egyes prioritási szabályok előfordulása a legjobb, azaz az optimalizáció során elért
legkedvezőbbtől, csak maximum 0,5%-al eltérő célértékű kombinációk esetén merőben eltérő
aspektusba helyezte a felhasznált szabályokat, mint az első kísérlet, melynek során minden
gépen azonos DR-t alkalmaztam. A gyakorisági tényezők összehasonlítását az előző vizsgálat
51
eredményeit képező DR-ek legjobb célértékétől való eltérést adta. Ezt az alábbi táblázat
szemlélteti.
21. TÁBLÁZAT
DR-EK ELŐFORDULÁSÁNAK AZ EGYES KOMBINÁCIÓKBAN, VALAMINT A HOMOGÉN KOMBINÁCIÓK
ÖSSZEHASONLÍTÁSÁHOZ ALKALMAZOTT MÉRŐSZÁMOK
SPT/TWORK
ATWRM
TWORK
GOPNR
SQNO1
SQNO2
SRMPT
LRMPT
FOPNR
MWKR
LWKR
EPT/t
FCFS
LCFS
SPT
LPT
Incidence 127 51 52 11 26 66 41 168 273 218 349 233 194 327 199 208
- - - - - - - -
Deviation % 7,59 -15,15 9,89 -23,35 -22,05 3,80 -21,72 4,02 -11,56 -10,82 7,59 4,37 -15,44 5,92 5,38 -12,32
Az alábbi diagramon jól megfigyelhető, hogy néhány az előző pontban leírt vizsgálat
eredményét képező jól teljesítő DR a kombinációk esetén kevésbé kedvelt. Ilyenek az FCFS
és az MWKR. Vannak olyan DR-ek melyek, míg az előző vizsgálat során gyengén
teljesítettek, itt nagy gyakorisággal szerepelnek. Ilyenek a TWORK és a saját ötlet alapján
létrehozott ATWRM. Ennek okát kár lenne elemezni, mivel megannyi, a feladatkészletek
sajátosságaival és az OptQuest részletes működési elvét érintő kérdést kellene megválaszolni.
E kérdések megválaszolása dolgozatom határait meghaladják.
18. ÁBRA
AZ EGYES PRIORITÁSI SZABÁLYOK ELŐREFORDULÁSI GYAKORISÁGA A LEGJOBB KOMBINÁCIÓKBAN
400
349
350 327
300 273
250 233
218
194 199 208
200 168
150 127
100 66
51 52 41
50 26
11
0

Azon DR-ek, melyek egyik vizsgálat során sem teljesítettek jól (LCFS, SPT, LPT, LWKR,
FOPNR) kijelenthetjük, hogy a jelenlegi céljainkra nem alkalmasak, azaz a felhasznált
feladatkészletek maximális átfutási idejének minimalizálására. Így azokat elhagyhatjuk a
kombinációk képzése során így csökkentve a problématér nagyságát.
52
5. ÖSSZEFOGLALÁS
A dolgozatban többféleképpen próbáltam körüljárni szimulációs technikák

eredményességének kérdését a termelési sorrendtervezés és sorozatnagyság optimalizálás
problémakörének vizsgálata által. Ez koránt sem tekinthető egyszerű feladatnak megfelelő
matematikai háttér megléte nélkül, de a szimulációs szoftver alkalmazásával megkerülhető
volt néhány korlát A három szimulációs modell megalkotásával nagy tapasztalatra sikerült
szert tennem a modellalkotás területén. Születtek ötletek, melyekre érdemes lenne komolyabb
figyelmet szentelni, mint az új konstrukciós eljárások, melyek a ma rendelkezésre álló
informatikai eszközeink segítségével jóval könnyebben kezelhetőek, mint azok
alkalmazásának fénykorában és sebesség tekintetében a metaheurisztikus eljárásokat
messzemenően felülmúlják.
A dolgozatban bemutatott három modell jól reprezentálja, hogy egy problémakört
mennyire különbözőképpen közelíthetünk meg. A feltételezések számtalanféleképpen
variálhatóak és azok apró változtatásának eredménye csak nehezen látható előre.
Az utolsó fejezetben bemutatott szimulációs modell már minden kívánalomnak megfelel a
JSSP vizsgálatához, de még a meglévő optimalizálási eljárások implementálása is hatalmas
feladat, nem szólva új eljárások tervezéséig.
A dolgozatomban modellezett és szimulált problémák megoldásának eredményei
megdönthetetlen bizonyítékai annak hogy a a diszkrét, eseményvezérelt szimuláció
eredményesen alkalmazható olyan gyakorlatban előforduló problémák mint a termelési
sorrend illetve sorozatnagyságok optimalizálása. Az egyes rendszerek tervezését és operatív
működtetését is nagyban segíthetik a bemutatott eljárások. Hipotézisem sikerrel igazoltam.
53
BIBLIOGRÁFIA
Álmos Attila, Győri Sándor, Horváth Gábor,Várkonyiné Kóczy Annamária (2002): Genetikus
algoritmusok, Typotex Kiadó, Budapest
Banks, J. (1998): Handbook of simulation: principles, methodology, advances, applications,

and practice. Wiley-IEEE, h.n.
Banks, J. et. al. (2009).: Discrete-Event System Simulation. Prentice Hall, h.n.
Chase, R. B., Jacobs, F. R., Aquilano, N. J. (2006): Operational Management for Competitive
Advantage, McGraw-Hill, h.n.
Concannon, K. et. al (2007): Simulation Modeling with SIMUL8. Visual Thinking

International, h.n.
Fisher, H., Thompson G.L. (1963), Probabilistic learning combinations of local job-shop
scheduling rules, in J.F. Muth, G.L. Thompson (eds.), Industrial Scheduling, Prentice
Hall, Englewood Cliffs, New Jersey, 225-251.
Földesi Péter (2006): Logisztika I-II. Széchenyi István Egyetem (elektronikus jegyzet), Győr
Fu, M. C. (2002): Feature Article: Optimization for simulation: Theory vs. Practice. Journal
on Computing archive, 4., 192-215.
Giffler, B. and Thompson, G. L. (1960): Algorithms for Solving Production-Scheduling

Problems. Operations Research, Vol. 8, No. 4 (Jul. - Aug., 1960), pp. 487-503
Hasan, S. M. K., Sarker, R., Cornforth, D. (2007): GA with Priority Rules for Solving Job-
Shop Scheduling Problems, http://rajeeb.netii.net/pdf/hasanwcci08.pdf,
[elérve:2012.11.10.]
Hauge, J. W.-Paige, K. N (2004): Learning SIMUL8: The complete guide. Plain Vu

Publishers, Bellingham
Jávor András (2000): Diszkrét szimuláció. BME Információmenedzsment Tanszék, Budapest
Jones, A., Rabelo, L. (1998): Survey of Job Shop Scheduling Techniques. National Institute
of Standards and Technology, California Polytechnic State University, Elérve:
http://www.nist.gov/customcf/get_pdf.cfm?pub_id=821200 [elérve: 2012.04.13.]
54
Jósvai János (2012): Proaktív termelésütemezési, logisztikai módszerek és alkalmazásaik.
[doktori értekezés]. Széchenyi István Egyetem. Multidiszciplináris Műszaki
Tudományi Doktori Iskola, Győr
Jósvai János, Perger J. (2010): Digitális gyár, módszerek és alkalmazások termelési

környezetben. Logisztikai innovációs füzetek, 3., 2-10.
Kardos Károly, Jósvai János (2008): Termelési rendszerek számítógépes kezelése Gyártási és
logisztikai folyamatok tervezése szimulációs eljárással. Gyártástrend, 4., 36-37.
Kardos Károly, Jósvai János. (2006): Gyártási folyamatok tervezése. Széchenyi István
Egyetem (elektronikus jegyzet), Győr
Kovács Z. (2004): Termelés-menedzsment. Veszprémi Egyetemi Kiadó, Veszprém

Laguna, M. (2011): OptQuest Optimization of Complex Systems,
Pinedo, M. L. (2005): Planning and scheduling in manufacturing services. Springer

Science+Business Media, New York
Pinedo, M. L. (2008):. Scheduling: Theory, Algorithms, and Systems. Springer

Science+Business Media, New York
Prezenszki József (1999) (szerk.): Logisztika II (Módszerek, eljárások). Logisztikai

Fejlesztési Központ, Budapest
Prezenszki József (2004) (szerk.): Logisztika I (Bevezető fejezetek). BME

Mérnöktovábbképző Intézet, Budapest
Schroeder, G. R. (1989): Operations Management, McGraw-Hill, h.n.
Szily István (1994): Döntéselőkészítés I-II. SZIF, Győr
Taillard E.. Benchmarks for basic scheduling problems. European Journal of Operational
Research, 64:278–285, 1993.
Whitley, D. (1995): A Genetic Algorithm Tutorial. Statistics and Computing, 4., 65-85.
Womack, James P.-Jones, Daniel T (2009): Lean szemlélet. HVG Kiadó, Budapest
Zapata, J. C. - Pekny, J.- Reklaitis, G. V. (2011): Simulation-Optimization in Support of

Tactical and Strategic Enterprise Decisions In: Kempf, K. G.- Keskinocak, P. - Uzsoy,
R. (ed.) (2011): Planning Production and Inventories in the Extended Enterprise.
Springer Science+Business Media, h.n.
55

Katona Rajmund - Szakdolgozat 2014

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Katona Rajmund - Szakdolgozat 2014

Uploaded by

Copyright:

Available Formats

1. Szakirodalom feldolgozása .......................................................................................... 6

1.1.1 Az termelésütemezés vállalati szerepe ............................................................. 6

1.1.2 Ütemezési modellek .......................................................................................... 7

1.2 A job shop modell .................................................................................................... 8

1.3 A job shop ütemezési probléma ............................................................................... 9

1.3.1 A gyártási sorrendtervezés megoldási eljárásai Job Shopok esetén ............... 10

1.3.2 Konstruktív eljárások (prioritási szabályok) ................................................... 11

1.4 A szimuláció fogalma és folyamata ....................................................................... 14

1.4.1 Szimulációs szoftvercsomagok ....................................................................... 14

1.4.2 A SIMUL8 bemutatása ................................................................................... 15

1.5 A szimulációs modell tervezése és felépítése ........................................................ 16

1.5.1 Alkalmazási területek ..................................................................................... 17

1.5.2 Szimuláció előnyei a gyakorlatban ................................................................. 18

1.6 Metaheurisztikák .................................................................................................... 19

1.7 Optimalizáló szoftvercsomagok ............................................................................. 20

1.7.1 Az OptQuest ................................................................................................... 21

2. I. Rész: Összköltség minimalizálás gyártási sorozatnagyságok optimalizálásával ... 22

2.1 Problémaleírás ........................................................................................................ 22

2.1.1 Asszumpciók ................................................................................................... 23

2.1.2 Az optimum feltétel ........................................................................................ 24

2.2 Az eredmények értékelése ...................................................................................... 24

2.3 A vizsgált modell optimalizálásának eredményei .................................................. 25

3.1 A kiterjesztett job shop ütemezési probléma.......................................................... 27

3.2 Prioritási szabályok kötegelt gyártás esetén ........................................................... 27

3.3 Új prioritási szabályok elméleti átgondolása ......................................................... 28

3.4 Trade-off-ok kötegelt job shop ütemezésben ......................................................... 29

3.5 Jelölések ................................................................................................................. 29

3.6 A vizsgálatok .......................................................................................................... 30

3.7 A vizsgálati környezet, avagy a szimulációs modell.............................................. 30

3.7.1 Asszumpciók ................................................................................................... 30

3.7.2 Tesztkészletek paramétereinek meghatározása............................................... 31

3.7.3 Adatbevitel ...................................................................................................... 31

3.9 prioritási szabályok viselkedésének vizsgálata job shop rendszerben ................... 33

3.10 prioritási szabályok optimális kombinációjának meghatározása OptQuest-el ... 34

3.11 Kötegnagyságok optimális kombinációjának meghatározása OptQuest-el ....... 37

3.12 prioritási szabályok és kötegnagyságok optimális kombinációjának

3.13 Az OptQuest-el végzett vizsgálatok értékelése .................................................. 40

4.1 A szimulációs modell ............................................................................................. 43

4.1.1 A problémakör vizsgálatához szükséges elvárások a szimulációs modellel

4.1.2 Felhasználói felület ......................................................................................... 45

4.1.3 Feladatkészletek inicializálása ........................................................................ 45

4.1.4 Szakirodalmi és új prioritási szabályok implementációja ............................... 46

4.2 Vizsgálatok ............................................................................................................. 47

4.2.1 Makespan vizsgálata minden gépen megegyező prioritási szabályokkal ....... 48

4.2.2 Prioritási szabályok kombinálása OptQuest-el ............................................... 49

Termelésütemezés alatt az egyes műveletek végrehajtási helyének és idejének meghatározását

1.1.1 Az termelésütemezés vállalati szerepe

A termeléstervezési és -ütemezés funkciók a vállalat számos más funkciójával érintkeznek. A

Forrás: Pinedo, 2004 és 2008, p5.

1.1.2 Ütemezési modellek

1.2 A JOB SHOP MODELL

Többműveletes műhelyekben a feladatoknak gyakran különböző útvonalakon kell

Forrás: Pinedo, 2004,2008

Forrás: Prezenszki, 2001

1.3 A JOB SHOP ÜTEMEZÉSI PROBLÉMA

A job-shop ütemezési probléma (JSSP) általános nehézség a termelő iparágakban. A

Teljes átfutási idő minimalizálása Makespan 𝐶𝑚𝑎𝑥

Árfutási idők összegének minimalizálása Total Flow Time ∑ 𝐶𝑗

Késések összegének minimalizálása Total Tardiness ∑ 𝑇𝑗

1.3.1 A gyártási sorrendtervezés megoldási eljárásai Job Shopok esetén

A JSSP szakirodalma a gyakorlatban is felmerülő meghatározó szerepe és a feladat

1.3.2 Konstruktív eljárások (prioritási szabályok)

„A rendelkezésre álló információk alapján kezdődő eljárás során a megoldás létrehozása