![](/user_photo/_userpic.png)
книги из ГПНТБ / Голенко Д.И. Статистические модели в управлении производством
.pdfраторов f2u f22,-., |
f2n |
приводит к последовательности P2U |
|
Р22,---, Р2п, имея которую, можно найти |
|||
Q(Pi\)=mmQ(Pf |
) , |
||
|
|
і |
|
где і2 — номер |
шага |
во второй |
итерации, приводящего |
к перестановке, принимаемой за исходную в третьей ите рации.
Описанная выше процедура повторяется до выполне
ния условия |
Р\ |
=Pl^n\ |
где |
ka |
— номер шага |
в а-й |
|
итерации, которому соответствует |
перестановка |
Р | а , |
по |
||||
вторяющаяся |
в |
(а + п2 )-й |
итерации |
на шаге ka. |
Это |
усло |
вие означает зацикливание, т. е. получение такой пере становки, для которой последовательное применение п2 операторов рі (і, /==1, 2,..., п) не приводит к улучшению плана. Целесообразно применить описанный алгоритм к нескольким исходным перестановкам.
Достоинством эвристических методов является удоб ство реализации их на ЭВМ даже яри решении громозд ких задач, поскольку формирование расписания связано •с его моделированием во времени. Основным недостат ком этих методов, отнюдь не препятствующих их прак тическому применению, является сравнительно невысо кая точность, которая объясняется тем, что трудно скон струировать правило, одинаково хорошее для всех раз новидностей задач. Другой недостаток заключается в невозможности построения опенок близости полученных расписаний к оптимальным. Развитием чисто эвристиче ских методов (развивается и обобщается идея модели
рования) являются статистические методы. |
|
|
|||
Статистические |
методы также |
хорошо |
реализуются |
||
на ЭВМ, поскольку связаны с Л/'-кратным |
моделировани |
||||
ем случайных расписаний. Естественно, |
что |
с |
увеличе |
||
нием значения N растет точность полученного |
расписа |
||||
ния, но величина |
N ограничена |
сверху |
возможностями |
ЭВМ и располагаемым для решения задач временем, что
всегда надо иметь в |
виду при календарном планирова |
нии. Статистические |
методы позволяют полностью ис |
пользовать как располагаемое время, так и возможности ЭВМ. для получения более точных решений.
При решении задач больших «площадей», когда чис ло N ограничено несколькими десятками испытаний, до-
вольно эффективными являются комбинации метода ста тистических испытаний с различными эвристическими правилами предпочтения.
Ниже мы рассмотрим статистические методы и их «комбинации с эвристическими для исследования моделей календарного планирования.
Статистические методы. Статистические методы, или как их иногда называют, методы случайного поиска нача ли применяться совсем недавно (начало 60-х годов) для решения различных задач оптимизации. Особенно эффек тивно применение этих методов для решения сложных задач большой размерности с произвольным заданием целевой функции — критерия оптимальности и ограниче ний, т. е. в тех случаях, когда регулярные методы непри менимы. Именно к таким задачам относятся задачи ка лендарного планирования.
Под поиском понимается процесс отыскания хотя бы одного расписания А\ из множества допустимых рас писаний D, которое близко к оптимальному, т. е.
K(AR*)<mmK(A)+e, A<=D
где є > 0 наперед заданное число.
В процессе функционирования метода случайного по |
||
иска можно— |
выделить два важных этапа: |
|
— моделирование последовательности случайных рас |
||
писаний |і |
|ь> причем любое | { может |
моделирова |
ться многократно; |
|
|
— выделение из случайных реализаций |
наилучшего |
•расписания, которое является приближением к оптималь ному.
Различают ненаправленный случайный поиск; направ ленный случайный поиск без самообучения; направлен ный случайный поиск с самообучением.
Ненаправленный |
случайный поиск (или метод Мон |
||
те-Карло) заключается в следующем. |
Строим последо |
||
вательность Аи А2,..., |
Ап |
независимых случайных рас |
|
писаний, равномерно распределенных в области D, оп |
|||
ределяем значения Q |
(Л,), |
Q (Л2 ),..., Q (Ап) и находим |
|
Q (An) =min {Q (.4,) ,'Q (Л2 ) ,...,Q |
(Ап)}. |
Если поиск оптимального плана ведется среди дей ствительных планов, то область D конечна и существует
отличная от нуля вероятность р обнаружить оптималь ный план при каждом испытании. Вероятность найти оп тимальный план в одном из п независимых испытаний составит
|
рп |
= 1 . - ( 1 - / > ) « • |
|
|
|
|
|
(2.3.1) |
||||||||
последовательность |
|
р п - » - 1 , |
т. е. |
|
|
|||||||||||
При п—УООlim |
P{Q(An)=Q(A*)} |
|
|
|
= h |
|
|
|
|
|
||||||
lim |
Р{Ап=А*} |
|
= |
\, |
|
|
|
|
|
|
|
|||||
где А* — оптимальное расписание, |
|
|
|
|
|
|
|
|
||||||||
Л п — план, полученный |
после п |
испытаний. |
|
|
||||||||||||
Другими словами, последовательность Qn |
|
(А) |
с веро |
|||||||||||||
ятностью, равной |
единице, |
|
сходится |
к Q |
(А*), т. е. неог |
|||||||||||
раниченно продолжая испытания, |
мы |
с вероятностью, |
||||||||||||||
равной единице, получим оптимальный план. |
|
|
|
|||||||||||||
Из [2. 3. 1] следует, что |
если |
мы |
хотим |
получить |
оп |
|||||||||||
тимальный план |
с вероятностью р, |
то для этого |
необхо- |
|||||||||||||
дим о произвести не |
менее чем п— |
|
1 п ( 1 —р) |
|
испытании. |
|||||||||||
l |
n |
|
|
|
||||||||||||
Так как при малых |
р In (1 |
|
|
р) |
^ |
—р, |
то п « |
D |
' " l i p р ^ |
• |
||||||
В задаче очередности |
|
с k |
деталями |
в |
имеется k\ |
|||||||||||
|
— |
|
|
|
|
|
|
|
|
|
|
|
||||
действительных |
планов, |
|
|
|
|
соответственно |
р — |
и |
||||||||
ln (1—pj. |
|
|
|
|
|
|
|
|
|
|
|
|
|
k\ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Легко подсчитать, что |
|
требуемое |
|
количество |
испыта |
|||||||||||
ний даже в этом простейшем случае |
получается |
боль |
||||||||||||||
шим; это обстоятельство |
приводит |
|
к всевозможным |
мо |
дернизациям методов ненаправленного случайного по иска, к разработке специальных методов с предпочти тельными направлениями поиска, или точнее, с предпочтительным характером поиска. Здесь использу ются методы, сочетающие метод Монте-Карло и всевоз можные правила приоритетов,-—комбинации ненаправ ленного случайного поиска с эвристическими методами построения лучших расписаний.
Несколько другой характер носят методы направлен ного случайного поиска (без самообучения). Под этим названием подразумевают обычно группу методов, у ко-
торых улучшение сходимости достигается за счет более разумной организации поиска, при которой отдельные испытания становятся более зависимыми между собой, т. е. результаты уже проведенных испытаний использу ются для формирования последующих испытаний.
Примерами направленного случайного поиска без самообучения могут служить алгоритмы поиска с возв ратом и поиска с пересчетом. В первом случае моделиру
ется следующая случайная точка |
(расписание) |
и опреде |
||||
ляется A Q = Q (Ai)— |
Q (Ai-i). |
Если |
A Q < 0 , |
то |
шаг |
|
считается удачным, |
если A Q ^ O , |
то возвращаемся в |
ис |
|||
ходную точку и моделируем новое |
расписание. |
Во вто |
||||
ром случае (поиск с пересчетом) |
после неудачной |
по |
||||
пытки делается новый шаг из |
новой |
(плохой) |
точки, но |
сравнение показателя качества производится с ранее рас считанным (лучшим) показателем. Более общие приемы локального поиска будут рассмотрены отдельно.
Направленный поиск с самообучением подразумева ет более полное использование информации о прошлом поиске. Если в предыдущих методах связь между после довательными шагами либо вовсе отсутствовала (метод Монте-Карло), либо была слишком сильной, то в мето дах с самообучением характер этой связи все время ме няется. При случайном поиске самообучение проявляется
вперестройке вероятностных характеристик поиска, т. е.
вопределенном целенаправленном воздействии на слу
чайный выбор. Для целей календарного планирования случайный поиск с самообучением используется в соче тании с эвристическими методами, т. е. в целях разреше ния конфликтных ситуаций используется определенный набор приоритетов, каждый из которых выбирается с определенной частотой (вероятностью), которая является функцией всех предшествующих испытаний. Такой под ход позволяет выбирать из множества приоритетов наи лучший, так как процесс обучения как бы стремится «задетерминировать» систему.
Практически процесс самообучения можно осуществ лять по-разному. Например, самообучение методом ис ключения подразумевает исключение из набора приори тетов такого, который с большей вероятностью приводит к плохим планам, соответственно вероятности выбора других приоритетов увеличиваются.
§2. 4. Методы ненаправленного случайного поиска
Вметодах ненаправленного случайного поиска слу чайное расписание предполагается обычно равномерно распределенным в области действительных планов. Мно гократное моделирование обеспечивает равномерное «просматривание» последних и запоминание наилучше го. Метод Монте-Карло относится к числу универсаль ных методов, поскольку позволяет решать многоэкстре мальные задачи общего вида с отысканием глобального экстремума.
Рассмотрим |
возможность |
использования |
метода |
||||
Монте-Карло для |
решения |
задач |
очередности |
(зада |
|||
ча II) и общей задачи |
(задача |
I) |
календарного |
плани |
|||
рования. Для нахождения |
оптимального |
расписания в |
|||||
задаче обработки |
п деталей |
на |
т |
станках, сводящейся |
|||
к задаче очередности, необходимо моделировать |
случай |
||||||
ную перестановку |
я = |
і'г,..., in) |
из |
чисел |
1, 2,..., п, рав |
номерно |
распределенную на множестве всех перестано |
||||
вок. Для |
этого моделируем |
п |
раз случайную величину |, |
||
равномерно распределенную |
|
в интервале |
(0,1) |
и k-й ре |
|
ализации присваиваем номер |
ik, который |
она |
принима |
||
ет среди |
всех п реализаций |
в порядке убывания. |
Пусть, например, при моделировании случайной пе рестановки я = ( ї ь і2, із, ц, is) получены следующие 5 ре ализаций |: 0,01214;А 0,31256^0,11255; 0,84257; 0,38142, тогда я = (53412). Методика моделирования случайной величины, равномерно распределенной в интервале (0,1), представлена в ряде монографий, например в [2.11].
Чтобы построить вероятностные оценки сходимости расписаний, полученных по методу Монте-Карло, к опти мальному, необходимо построить плотность или функцию распределения значений критерия, рассматривая их как случайные величины. Можно показать, что при достаточ но большом числе деталей это распределение является приблизительно нормальным (результаты демонстриру ются на двух задачах — одна объемом 100x10, дру г а я — 20X10). Если, далее, известен вид этого распреде ления, то можно, в частности, ответить на вопрос о том (проблема решения с риском), сколько испытаний ме тодом Монте-Карло следует произвести, прежде чем сто имость очередного испытания будет больше средней
(математического ожидания) выгоды -в нахождении луч шего плана.
Исследование функции распределения длительности цикла обработки для различных случаев задания исход ной матрицы трудоемкостей связано с разбиением мно жества всех деталей на два типа. К первому типу отно сятся детали, трудоемкости обработки которых на на чальных операциях меньше или равны трудоемкостям на
конечных операциях, |
а ко второму типу — детали, харак |
|||||||||
теризующиеся |
обратным |
соотношением трудоемкостей. |
||||||||
Иными |
словами, |
при |
|
|
|
|
|
|||
- п |
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
thj, к-я |
деталь относится к |
1 типу; |
||||
2 |
tki |
|
|
|||||||
3=1 |
|
|
|
+1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
[ г |
hi |
> |
п |
|
thj, |
к-я деталь |
относится |
ко 2 типу, |
||
2 |
2 |
|
||||||||
3=1 |
|
|
п |
+1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
. |
2 |
|
|
|
|
|
|
где |
— |
| — целая часть |
числа |
п |
|
|
||||
2 |
|
|
||||||||
При |
|
|
|
|
|
|
одного типа |
величина |
||
обработке деталей только |
длительности цикла имеет закон распределения, близкий к нормальному. При обработке деталей, которые явля ются ярко выраженными представителями различных ти
пов, эмпирическая |
плотность |
распределения |
цикла име |
||||||||||
ет ярко выраженный |
двумодальный |
характер. |
|
|
|||||||||
Например, для |
матрицы |
трудоемкости |
|
|
|
||||||||
|
Г 6 |
24 |
0 |
0 |
7 |
14 |
13 |
20 |
0 |
21 |
21 |
0 - 1 |
|
|
1 |
5 |
3 |
3 |
0 |
0 |
0 |
6 |
6 |
5 |
5 |
3 |
І |
|
|
|
|
|
|
|
|
|
|
|
0 |
||
т= |
8 |
3 |
17 |
15 |
20 |
9 |
0 |
4 |
5 |
3 |
0 |
j |
|
1 |
9 |
0 |
9 |
12 |
8 |
0 |
6 3 |
и |
4 |
4 |
|
||
|
|
||||||||||||
|
4 |
2 |
5 |
5 |
9 |
0 |
6 |
3 |
0 |
5 |
2 |
0 |
|
|
5 |
7 |
0 |
5 |
9 |
5 |
6 |
8 |
3 |
0 |
2 |
5 _ |
i |
|
|
|
|
|
|
|
|
|
|
|
|
первая и третья строки являются наиболее резко выра женными представителями соответственно первого и вто рого типов.
/Гистограмму частот для данной матрицы можно ап проксимировать следующим выражением для плотнос ти / ( 0 ;
|
|
(<-Л1,)2 |
|
((-ЛГ2)2 |
|
С |
20^" |
1 - е |
2022 |
/(/) = |
- |
е |
+—~=-е |
|
|
аіУ2я |
|
" а2У2я |
|
где Mi и М 2 —моды распределения, a O ^ c ^ l .
iB общем случае различие между элементами строк' первого и второго типов в соответствующих частях матри цы выражено не столь резко.
Можно с достаточной уверенностью констатировать, что двумодальные распределения цикла имеют место лишь для матриц малого и среднего размеров. Для мат риц' большого размера (50 деталей и более) следует ожидать одномодальное распределение, близкое к нормальном_у^__
' |
Для задач |
типа пХт |
(п |
деталей |
|
обрабатываются |
|||||
|
на т станках) с различными технологическими маршру |
||||||||||
|
тами (задача |
I I I ) и вообще для всех календарных |
задач, |
||||||||
|
не сводящихся к задаче очередности, число |
допустимых |
|||||||||
|
расписаний резко возрастет и моделирование |
случайного |
|||||||||
|
расписания, равномерно (и даже неравномерно) распре |
||||||||||
|
деленного в D, связано с большими трудностями, кото |
||||||||||
|
рые заключаются в том, что |
не каждой |
последователь |
||||||||
|
ности обработки деталей соответствует допустимое рас |
||||||||||
|
писание, |
другими словами, |
не каждая |
|
последователь |
||||||
|
ность обработки деталей на |
станках |
совместима |
с тех |
|||||||
|
нологией |
обработки детали. Поясним |
это |
утверждение |
|||||||
|
подробнее. |
|
I |
|
|
|
|
|
|
|
|
|
В задачах |
с различной |
последовательностью |
обра |
|||||||
|
ботки каждому допустимому расписанию можно поста |
||||||||||
|
вить в соответствие набор из |
т различных |
последова |
||||||||
|
тельностей из чисел 1, 2,..., п. |
Каждая |
из |
последователь |
|||||||
|
ностей Яг |
( t = l , 2,..., т) укажет порядок |
обработки |
дета |
|||||||
|
лей на і-м станке; при этом для задачи І ЯІ может со-' |
||||||||||
|
держать |
одинаковые числа, а |
для задачи |
I I яг- является |
|||||||
|
перестановкой |
из чисел 1, 2,..., п. Этот факт |
выражают |
ут |
|||||||
|
верждением, что каждому |
допустимому |
|
расписанию |
А |
||||||
|
можно поставить в соответствие вектор Я = (Яь Яг,..., |
пт) |
|||||||||
|
либо, что то же самое, матрицу |
|
|
|
|
|
|
|
.1 |
|
.1 |
.1 |
Г |
/ І |
' |
/2 ' — • / » , |
|
|
. |
2 . |
2 |
. 2 |
|
/і |
' |
/2 |
> •" ' /ft jj |
m.
при ЭТОМ
К. сожалению, далеко не любому вектору я соответст вует допустимое расписание А, что хорошо видно из сле дующего примера. Пусть технологическая матрица Т об работки деталей 1, 2, 3 имеет вид:
Т = N |
2 |
3 |
' |
1 |
3 |
« |
|
2 |
3 |
|
Напомним, что ряд чисел, стоящих в і-й строке, озна чает последовательность станков, на которых обрабаты вается і-я деталь в соответствии с технологией; соответст
вующее время обработки здесь не указано. |
Если |
в ре |
|||||
зультате моделирования мы получим, |
что |
на |
первом |
||||
станке вначале |
обрабатывается |
третья |
деталь, |
затем |
|||
вторая, затем |
первая, то лі = (3, 2, |
1). Если я 2 |
= (З, 1, 2), а |
||||
я 3 = |
(1, 2, 3), |
то |
в такой последовательности |
при |
задан |
||
ной |
матрице |
Т |
детали обработать невозможно. Это хо |
рошо видно из графа (рис. 2.4.1), где элементарные работы-операции обозначены кружками, цифры внутри означают соответственно номер детали и номер станка (например, 2—1—обработка второй детали на первом станке). Горизонтальные стрелки между кружками, оз начающие технологические связи (технологическую пос ледовательность обработки), проставлены в соответствии с Т, а вертикальные стрелки, указывающие порядок об работки деталей на каждом из станков, проставлены в соответствии с я = (яь Яг, я:з).
Из рисунка видно, что единственной работой, которую можно произвести (нет входящих стрелок) немедленно, является работа 3—2 (первая операция третьей детали); после нее можно произвести работу 3—1 (вторую опера цию третьей детали), все остальные семь работ произ вести невозможно.
Рис. 2. 4. 1. Пример графа деталеопераций
Таким образом, в множестве всех вектор-переста новок существуют векторы, которым не соответствуют действительные расписания (планы); в то же время лю бому вектору я соответствует не более чем одно дей ствительное расписание. В связи с этим говорят, что множество векторов л «мощнее» множества действитель ных расписаний, т. е. расписаний без неоправданных простоев.
Сформулируем алгоритм, который дает возможность определить, соответствует ли данной матрице П допусти мое расписание или нет.
Для этого по матрицам Т и П строим матрицы Т и 17/ следующим образом: если в матрице Т на пересечении 1-Й СТрОКИ И /-ГО СТОЛбца НаХОДИТСЯ ЭЛемеНТ (ttjj, t{j), то
в матрице Т на этом месте поставим элемент (і, п^), ес ли в матрице П на пересечении t'-й строки и /-го столб ца находится элемент п%ч, то в матрице ІГ на этом месте ставим элемент («,•' j, і').
Упорядоченную пару (і, п^) обозначим через Ojj, а
(Пі-j, |
Ї) |
— через |
C V j |
и будем считать что Oij = CVj, если |
|
i = n/j |
и |
Пі, = ї. |
Алгоритм состоит |
из операций, цикличе |
|
ски повторяющихся |
в следующей |
последовательности. |
|||
1. |
Формируем множество операций LK так, что в LK |
входит из каждой строки матрицы 7V_i первая слева незачеркнутая операция (элемент матрицы);
2. Формируем множество операций FK так, что в FK
входит |
из каждой |
строки матрицы Пк-і |
первая слева |
|||
незачеркнутая операция. |
|
|
|
|||
3. Выделяем из |
множеств L K |
и FK операции О, при |
||||
надлежащие |
одновременно этим |
множествам |
(находим |
|||
пересечение |
Ьк П FK множеств L„ и FK). |
Если такие опе |
||||
рации |
отсутствуют, |
то процесс закончен. |
|
|||
4. Зачеркиваем |
в Тк-і и П*-] |
все операции |
из L K |~| FK |
иполученные матрицы обозначаем соответственно Тк
иП'к.
5.Переобозначим к—*-к+1 и переходим к первому пункту алгоритма.
Начальными данными для описанной циклически по
вторяющейся последовательности операций являются
к = 1 , То = Г/ |
и П 0 = П/ . После |
конечного |
числа шагов |
К, |
|
не превышающего количества |
элементов матрицы Т, про |
||||
цесс вычислений |
обрывается |
в п. 3; если при этом в мат |
|||
рицах Т'к и Пд: |
не останется |
незачеркнутых элементов, |
|||
то матрице |
П соответствует |
некоторое |
действительное |
||
расписание, |
если же процесс закончен, |
а матрицы Т'к |
и |
П'к содержат незачеркнутые элементы, то не существует расписаний, соответствующих матрице П и согласован ных с технологией Т. Доказательство этих утверждений вытекает из сформулированного алгоритма.
Если матрице П соответствует некоторое расписание А, то его можно построить, применяя алгоритм Форда к се ти, в которой элементарными работами являются деталеоперации, а связи однозначно определяются матри цами Г и П.
Продемонстрируем вышеизложенное на следующем примере. Три детали обрабатываются на трех станках и
заданы |
матрицы |
|
" 1 |
2 |
|
3 |
|
|
"(1,1) |
(2,1) |
(3,2) |
|
|||
Т= |
(1,2) |
(3,1) |
(2,2) , |
п = 3 |
|
1 |
2 |
|
(2,1) |
(1,3) |
(3,1) |
1 |
|
2 |
3 |
при этом матрицы Т' и П' имеют вид |
|
|
||||
|
(1.1) |
(1,2) |
(1,3) |
(1.1) |
(2,1) |
(3,1) |
V- |
(2,1) |
(2,3) |
(2,2) •П' = |
(3.2) |
(1,2) |
(2,2) |
|
(3.2) |
(3,1) |
(3,3) J |
(1.3) |
(2,3) |
(3,3) |
|
|
|
|