Simulation-based dynamic heuristic for the distributed optimisation of complex multi-objective multi-project multi-resource production processes
Software Engineering and Programming Languages
Final Report Abstract
Der weltweite Trend zur Nachfrage individueller Produkte in allen Branchen führt in der Regel zu einem Anstieg des Produktionsvorbereitungs- und Produktionsdurchführungsaufwandes und damit auch zu einem Anstieg der Kosten. Speziell in der heute noch vorwiegend durch manuelle Prozesse geprägten Montage kundenindividueller Großerzeugnisse (z.B. Maschinen, Anlagen und Großfahrzeuge) ist ein effizienter Ressourceneinsatz somit notwendig, um diese Produkte wettbewerbsfähig herzustellen. Zudem gilt es bei der Erstellung von Montageablaufplänen spezielle Restriktionen, wie z.B. projektspezifisch variierende Zielstellungen, zu berücksichtigen. Dabei besteht die besondere Herausforderung in der Lösung des Konfliktes zwischen projektspezifischer und produktionssystemseitiger Zielerfüllung. Komplexe Montagen zeichnen sich zudem nicht nur durch komplexe technologische Prozessmodelle aus, sie verfügen auch über heterogene, flexibel einsetzbare Ressourcenpools. Dabei können den Prozesselementen bzw. Vorgängen alternativ differenzierte Ressourcenqualifikationen und -mengen zugeteilt werden (Modi). Die beschriebene Problematik der Ablaufplanung in komplexen Montagen kann allgemein als Multimodus-Mehrziel-Multiprojekt-Multiressourcen-Projektplanungsproblem (engl. Multi-Mode Multi-Objective Multi-Resource-Constrained Multi-Project Scheduling Problem, kurz: MMRCMPSP) charakterisiert werden. Zur Lösung derartiger Probleme liefert die Methode der Simulationsbasierten Optimierung (SBO) vielversprechende Lösungen, welche im Forschungsvorhaben die Grundlage bildete. Die Kernentwicklung des Vorhabens ist eine dynamische Heuristik mit alternierenden Zielfunktionen zur projektspezifischen, differenzierten Optimierung von Multimodus-Multiprojekt-Planungsprozessen unter Einhaltung von produktionssystemseitigen Zielen. Die differenzierte Bewertung unterschiedlicher Zielgrößen (bspw. Durchlaufzeit und Kosten) wird durch die Kombination der Verfahren zur Bewertung mittels Pareto-Dominanz und Gewichteter Summe realisiert. Zur Optimierung wird ein zweiphasiger genetischer Algorithmus verwendet. In der ersten Phase werden die produktionssystemseitigen Ziele optimiert und die Suchrichtung für die zweite Phase vorgegeben, in der die projektspezifischen Ziele optimiert werden. Bei der Optimierung in der zweiten Phase dienen zudem die produktionssystemseitigen Zielfunktionswerte aus Phase 1 als weiteres Bewertungskriterium der projektspezifischen Ziele. Somit kann eine projektspezifische Optimierung der Zielfunktionswerte bei Einhaltung produktionssystemseitiger Ziele erfolgen. Mit dem entwickelten Algorithmus wurden umfangreiche Experimente zur Performance (Laufzeit und Zielwert) in Abhängigkeit der Parametereinstellungen bei unterschiedlichen Produktionsszenarien und Zielstellungen durchgeführt. Grundsätzlich kann die Aussage getroffen werden, dass eine projektspezifische, zielfunktionswertoptimierte Ablaufplanung möglich und sinnvoll ist. Es konnte jedoch keine Korrelation zwischen Parametrierung des genetischen Algorithmus, Produktionsszenario und Zielfunktionswert ermittelt werden und es besteht somit weiterer Forschungsbedarf zur Entwicklung einer übergeordneten Heuristik. Die entwickelte Heuristik zur Optimierung ist in einem Framework zur simulationsbasierten Optimierung integriert, welches im aktuellen Forschungsprojekt weiter entwickelt wurde. Weiterhin wurde eine den Anforderungen der Problemdomäne und simulationsbasierten Optimierung hinreichend genügende Testumgebung entwickelt, mit der das Potential und die grundsätzliche Machbarkeit von Optimierungskonzepten vor der Implementierung in das leistungsstärkere und komplexere Framework abgeschätzt wurde. Damit konnte Entwicklungszeit eingespart werden.
Publications
- Simulationsbasierte Optimierung von Produktionsprozessen unter Berücksichtigung von dynamischen Kostensätzen. ASIM-Fachgruppentagung Dynamische Kostensimulation: Continental AG, Karben, 29.06.2015
Kühn, M.
- (2016): Investigation Of Genetic Operators And Priority Heuristics for Simulation Based Optimization Of Multi-Mode Resource Constrained Multi-Project Scheduling Problems (MMRCMPSP). In: T. Claus, F. Herrmann, M. Manitz und O. Rose (Hg.): Proceedings, 30th European Conference on Modelling and Simulation, ECMS 2016. May 31st - June 3rd, 2016, Regensburg, Germany
Kühn, M.; Zahid, T.; Zhou, Z.; Rose, O.
(See online at https://doi.org/10.7148/2016-0481) - Ein Generator für ressourcenbeschränkte Planungsprobleme. In: T. Schmidt, M. Schmauder und S. Rank (Hg.): Forum Technische Logistik und Arbeitssysteme 2016. Dresden, 04.02.2016, S. 125–130
Kühn, M.; Völker, M.
- (2017): A decomposition method for the Multi-Mode Resource-Constrained Multi-Project Scheduling Problem (MRCMPSP). In: A. Fink, A. Fügenschuh und M. J. Geiger (Hg.): Operations Research Proceedings 2016: Selected Papers of the Annual International Conference of the German Operations Research Society (GOR), Helmut Schmidt University Hamburg, Germany, August 30 - September 2, 2016. Hamburg: Springer
Kühn, M.; Dirkmann, S.; Völker, M.; Schmidt, T.
(See online at https://doi.org/10.1007/978-3-319-55702-1_69) - (2017): A Two-phase Genetic Algorithm to Solve a Multi-objective Problem for Complex Assembly Lines. In: S. Wenzel (Hg.): Simulation in Production and Logistics. Unter Mitarbeit von T. Peter. Kassel: ASIM
Zhou, Z.; Angelidis, E.; Bohn, D.; Rose, O.
- (2017): Design of Project-Oriented Calculation Models for Job Priorities by Using a Customized Genetic Algorithm. In: S. Wenzel (Hg.): Simulation in Production and Logistics. Unter Mitarbeit von T. Peter. Kassel: ASIM
Schmidt, T.; Kühn, M.; Genßler, P.
