Professional Documents
Culture Documents
TERMELÉSI ÉS LOGISZTIKAI
FOLYAMATOK TERVEZÉSE ÉS
ELEMZÉSE SZIMULÁCIÓS
ESZKÖZÖKKEL
1
Tartalom
Bevezetés ............................................................................................................................... 5
1.1 A termelésütemezés.................................................................................................. 6
2
3. II. Rész: Összköltség minimum meghatározása gyártási sorrend és sorozatnagyságok
optimalizálásával ...................................................................................................................... 26
3.8 Egyes prioritási szabályok viselkedésének vizsgálata egy gépes rendszerben ...... 32
3
4. III. rész: Makspan minimalizálás elméleti teszkészleteken ....................................... 42
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
1
Schroeder, G. R. (1989): Operations Management, McGraw-Hill, h.n.
6
1. ÁBRA
A TERMELÉSTERVEZÉSI FOLYAMAT INFORMÁCIÓÁRAMLÁSA
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)
4
Prezenszki József (1999) (szerk.): Logisztika II (Módszerek, eljárások). Logisztikai Fejlesztési Központ,
Budapest
8
1. ÁBRA
PÉLDA EGY RUGALMAS JOB SHOP RENDSZERRE
9
1. TÁBLÁZAT
A JSSP LEGJELLEMZŐBB CÉLFÜGGVÉNYEI
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)
6
Jósvai János (2012): Proaktív termelésütemezési, logisztikai módszerek és alkalmazásaik. [doktori értekezés].
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
Pinedo, M. L. (2005): Planning and scheduling in manufacturing services. Springer Science+Business Media,
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
Pinedo, M. L. (2005): Planning and scheduling in manufacturing services. Springer Science+Business Media,
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
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
12
Jósvai János (2012): Proaktív termelésütemezési, logisztikai módszerek és alkalmazásaik. [doktori értekezés].
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.
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:
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:
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.
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
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
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
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
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
1.7.1 Az OptQuest
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
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
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.
25
10. ÁBRA
AZ OPTIMALIZÁCIÓ ÉS EREDMÉNYEI
OPTIMALIZÁLÁSÁVAL
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)
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
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
3.5 JELÖLÉSEK
3.6 A VIZSGÁLATOK
3.7.1 Asszumpciók
Bemenet
Az egyes feladatokra leadott igények beérkezése folyamatos.
Az alapanyagok az igényekkel egy időben érkeznek a rendszerbe.
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.
3.7.3 Adatbevitel
31
3.8 EGYES PRIORITÁSI SZABÁLYOK VISELKEDÉSÉNEK VIZSGÁLATA EGY GÉPES
RENDSZERBEN
32
3.9 PRIORITÁSI SZABÁLYOK VISELKEDÉSÉNEK VIZSGÁLATA JOB SHOP
RENDSZERBEN
33
10. ÁBRA
AZ EGYES PRIORITÁSI SZABÁLYOK ELŐFORDULÁSI GYAKORISÁGA A LEGJOBB ÉS LEGROSSZABB CÉLÉRTÉKEK
ESETÉN
21
12
7
6
4
3 3
2
1
0
MEGHATÁROZÁSA OPTQUEST-EL
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
Forrás: Saját szerkesztés
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
36
3.11 KÖTEGNAGYSÁGOK OPTIMÁLIS KOMBINÁCIÓJÁNAK MEGHATÁROZÁSA
OPTQUEST-EL
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
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
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
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
Forrás: Saját szerkesztés
43
14. ÁBRA
AZ ÚJ MŰVELET KIVÁLASZTÁSÁNÁL BEHÍVOTT PROGRAMSOR EGY RÉSZLETE
44
4.1.2 Felhasználói felület
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
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
4.2 VIZSGÁLATOK
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
Forrás: Saját szerkesztés
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.
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%
Forrás: Saját szerkesztés
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
Forrás: Saját szerkesztés
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
Forrás: Saját szerkesztés
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
52
5. ÖSSZEFOGLALÁS
53
BIBLIOGRÁFIA
Álmos Attila, Győri Sándor, Horváth Gábor,Várkonyiné Kóczy Annamária (2002): Genetikus
algoritmusok, Typotex Kiadó, Budapest
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.
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.
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
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
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
55