하나의

Scientific Reports 13권, 기사 번호: 9309(2023) 이 기사 인용

측정항목 세부정보

본 논문에서는 임시 유지 관리 활동과 위치 기반 학습 효과를 통해 임시 기간을 최소화하는 단일 기계 스케줄링 문제에 대해 논의합니다. 소규모 문제의 정확한 솔루션을 얻기 위해 하나의 새로운 2단계 이진 정수 계획법 모델이 공식화되었습니다. 또한 경계 방법과 가지치기 규칙을 결합한 분기 및 경계 알고리즘도 제안됩니다. 최적해의 속성에 따라 특별한 검색 이웃이 구축된다. 중규모 및 대규모 문제를 해결하기 위해 금기 기술을 연산자로 사용하는 유전 메커니즘 기반의 하이브리드 유전-금기 검색 알고리즘을 제안합니다. 또한 유전자 알고리즘과 하이브리드 유전자-타부 탐색 알고리즘의 효율성을 높이기 위해 매개변수 튜닝에는 다구치(Taguchi) 방법을 사용한다. 또한, 이러한 알고리즘의 효율성과 성능을 비교하기 위해 계산 실험을 수행합니다.

기존 머신 스케줄링에서는 스케줄링 기간 동안 모든 머신을 항상 사용할 수 있다고 가정하는 것이 일반적입니다. 그러나 이러한 가정은 실제 공정 산업과 제조 시스템에서는 적용되지 않습니다. 많은 경우 예방적 유지보수, 고장 수리 등 다양한 이유로 인해 예약 중에 기계를 정지해야 합니다. 따라서 현실적인 예약 모델에서는 유지 관리 활동을 고려해야 합니다.

유지보수 활동은 교정 유지보수와 예방 유지보수1로 구분됩니다. 고장이 발생한 후에 교정 유지 보수를 수행하는 반면, 예방 유지 보수는 사전에 계획됩니다. 예방 유지 관리에 비해 교정 유지 관리는 비용이 더 많이 들고 더 심각한 결과를 초래합니다. 따라서 교정 유지 관리를 피하는 것이 중요합니다. 예방적 유지보수 활동을 수행하면 고장 가능성을 효과적으로 줄일 수 있습니다. 즉, 예방적 유지보수를 통해 기계의 가용성을 향상시킬 수 있습니다.

예방정비 활동에는 기계부품 교체, 점검, 청소, 윤활, 급유 등이 포함됩니다. 지난 30년 동안 일정 관리 문헌에서 예방적 유지 관리를 논의하는 연구자가 많이 있었습니다. Lee와 Liman은 전체 흐름 시간을 최소화하기 위해 예정된 유지 관리로 인해 제약을 받는 단일 기계 스케줄링을 연구했으며 문제가 비결정적 다항식 시간 완료(NP-complete)2임을 밝혔습니다. Lee는 다양한 성능 측정을 통해 병렬 시스템 및 단일 시스템 스케줄링 문제의 가용성 제약에 대해 논의했습니다3. 그 후, Qi et al. 위의 문제를 확장하여 기계 유지 관리 활동과 작업 일정을 동시에 고려했습니다4. 또한 Qi는 다중 유지 관리 하에서 단일 머신 스케줄링 문제를 연구하고 휴리스틱 알고리즘의 성능을 분석했습니다5. Zammoriet al. 순서에 따른 설정 시간과 유지 관리 작업을 동시에 수행하는 단일 기계 스케줄링에 중점을 둡니다6. Chenet al. 다양한 개선 효율성을 갖춘 예방 유지보수가 이루어지는 로터 생산 작업장에서 파생된 단일 기계 스케줄링 문제를 해결했습니다7.

최근 예방적 유지보수 활동과 임시 기간 기준을 고려한 단일 기계 스케줄링 문제가 상당한 주목을 받고 있습니다. Jiet al. 재개할 수 없는 작업의 문제를 연구하고 가장 긴 처리 시간 알고리즘의 최악 사례 비율을 분석했습니다8. Wong et al. Makespan9을 최소화하기 위해 유전 알고리즘(GA)을 사용했습니다. Ángel-Bello et al.10,11 및 Pacheco et al.12,13은 예방적 유지 관리 및 시퀀스 종속 설정 시간 문제를 해결하기 위해 다양한 경험적 접근 방식과 지능 알고리즘을 개발했습니다. 이와 관련된 보다 최근의 연구 결과는 14,15,16,17,18에서도 찾아볼 수 있습니다.

결정론적 스케줄링 상황에서는 일반적으로 작업 처리 시간이 스케줄링 기간 동안 알려져 있고 고정되어 있다고 가정합니다. 그러나 많은 실제 제조 시스템에서는 작업자가 동일하거나 유사한 작업을 반복적으로 처리한 후 경험이 축적되고 기술이 향상되므로 실제 처리 시간이 단축됩니다. 이런 현상을 학습효과라고 합니다. Biskup19와 Cheng 및 Wang20은 처음으로 단일 머신 스케줄링에 학습 효과를 독립적으로 적용했습니다. Biskup은 위치 기반 학습 효과가 있는 단일 기계 스케줄링이 총 흐름 시간 또는 공통 만기일로부터의 편차가 최소화되는 다항식 시간에 해결 가능함을 입증했습니다19. Mosheiov와 Sidney는 Biskup 모델을 확장하여 일반적인 위치 기반 학습 효과 모델을 제시하고 다양한 기계 환경에서 다양한 기준으로 스케줄링 문제의 복잡성을 분석했습니다. Wu와 Lee는 실제 처리 시간이 해당 위치 및 현재 처리되는 작업의 총 처리 시간과 관련되는 학습 효과 모델을 더욱 확장했습니다. 이후 Biskup은 학습 효과를 이용한 일정 관리에 대해 종합적으로 검토했습니다23. 학습 효과가 있는 단일 머신 스케줄링에 대한 최근 연구는24,25,26을 참조하세요.