Real-Time Optimization of Production Scheduling: Strategies, Models, and Algorithms
Notice bibliographique
Résumé
In practice, manufacturing systems are highly dynamic and continuously facing unexpected events and interruptions. This puts production managers in charge of making frequent updates to the ongoing plans and schedules to cope with these changes. This is done by adopting different scheduling strategies and optimization models. Despite several attempts in the literature, the need for models that can minimize the effect of changes (i.e., stochastic and robust models) or react to them using real-time information (i.e., real- time optimization models) is still felt. This dissertation includes three main contributions with different optimization models and heuristic algorithms that can help managers deal with different unexpected events and interruptions on the shop floor. In the first contribution (Chapter 2), the case of stochastic deterioration-based failures in a single machine production system is considered. The machine’s degradation is modeled as a multi-state system. The obtained formulations are then integrated into an optimization model that jointly optimizes the production sequences, machine inspections, and condition-based maintenance actions. The results showed an average improvement of about 35% in total expected costs when information about the machine’s degradation level was used. In the second contribution (Chapter 3), the case of unexpected new job arrivals and random machine breakdowns in a flexible job shop production environment is considered. The effect of random machine breakdowns on the processing durations is formulated and then integrated into a dynamic optimization model. The proposed model investigates how real-time updates can be utilized to improve scheduling decisions based on unexpected arrivals, the availability of machines (downtimes and recovery times), and the completion times of operations. Finally, in Chapter 4, the case of integrating production scheduling and condition-based preventive maintenance (PM) planning in a flexible job shop production system is addressed. The study considers the case of stochastic machine degradation, random machine breakdowns, minimal repairs, condition-based PM, due date changes, and new job arrivals. The reliability of machines is modeled as a multi-state system, in which the obtained formulations are incorporated into an integrated dynamic optimization model. The developed model aims to study the effects of different RTS policies on each of the considered cases and empirically quantify the potential benefits of using real-time information to enhance scheduling decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».