Ein verbessertes Whale-Optimierungsverfahren für Flexible Job-Shop-Planungsprobleme mit Maschinendegeneration

Warum Timing-Probleme in Fabriken wichtig sind

Hinter Alltagsprodukten wie Telefonen, Autos und verpackten Lebensmitteln steckt ein verborgenes Rätsel: Welche Maschine bearbeitet welche Aufgabe und in welcher Reihenfolge? Diese Planungsaufgabe, bekannt als Scheduling, entscheidet darüber, ob eine Fabrik pünktlich liefert oder Kunden warten müssen. Die Studie untersucht, wie man Produktionsplanung betreibt, wenn Maschinen mit der Zeit verschleißen, und stellt einen von Walen inspirierten Computeralgorithmus vor, der schnellere, realistischere Produktionspläne finden kann.

Wie reale Maschinen in der Werkstatt altern

In Lehrbuchbeispielen werden Maschinen als perfekt betrachtet: Ihre Bearbeitungsgeschwindigkeit ändert sich nie. In echten Werkstätten ist das anders. Wenn Maschinen lange laufen, verschleißen Teile, Wärme entsteht und die Leistung sinkt. Auf derselben Maschine gestartete Jobs können später länger dauern als zuvor bearbeitete identische Jobs. Dieser Effekt, Deterioration genannt, ist in Branchen wie Stahl, Kunststoffe, Maschinenbau und Verteidigung weit verbreitet. Wird er ignoriert, sehen Zeitpläne auf dem Papier gut aus, sind in der Praxis aber enttäuschend, weil die tatsächlichen Fertigstellungszeiten deutlich länger ausfallen als vorhergesagt.

Verschleiß in eine einfache Regel überführen

Die Autoren betrachten einen flexiblen Job-Shop, in dem jeder Arbeitsschritt auf mehr als einer Maschine ausgeführt werden kann, und fügen eine realistische Regel für Maschinenalterung hinzu. Anstatt anzunehmen, dass die Bearbeitungszeit unbegrenzt wächst, verwenden sie ein stufenartiges Muster: Bei geringer Auslastung arbeitet die Maschine mit Grundgeschwindigkeit; nach Erreichen einer bestimmten Arbeitslast wird jedem Job bei zunehmendem Verschleiß zusätzliche Zeit hinzugefügt; über einer oberen Schranke verharrt die Verlangsamung bei einer festen Zusatzverzögerung. Mit dieser Regel bauen sie ein mathematisches Modell auf, dessen Ziel es ist, die Gesamtzeit bis zur Fertigstellung aller Jobs zu minimieren, wobei Reihenfolge, Maschinenwahl und die wachsenden Verzögerungen durch Deterioration eingehalten werden.

Ideen von jagenden Walen übernehmen

Um dieses komplexe Planungsproblem anzugehen, verbessern die Autoren den Whale Optimization Algorithm, eine Suchmethode, die von der Umkreisung und Beutehandhabung von Buckelwalen inspiriert ist. Jede „Wal“-Lösung im Algorithmus repräsentiert einen möglichen Zeitplan. Durch wiederholtes Aktualisieren dieser Pläne durchsucht die Gruppe den Raum nach besseren Lösungen. Die Autoren überarbeiten mehrere Teile dieses Prozesses. Sie entwickeln eine schlauere Methode zur Erzeugung der anfänglichen Population von Plänen, die globales Denken, lokale Verfeinerung und Zufall mischt. Außerdem passen sie an, wie die virtuellen Wale von breiter Exploration am Anfang zu Feintuning später übergehen, mithilfe einer gekrümmten Konvergenzregel und einer veränderlichen „Trägheit“, die die Schrittgröße steuert.

Die Suche vielfältig halten und Sackgassen vermeiden

Standardversionen der Whale-Methode können stecken bleiben und eine nur mittelmäßige Lösung umkreisen, anstatt eine bessere zu finden. Um das zu verhindern, übernehmen die Autoren einen Mutations-Trick aus einer anderen Algorithmusfamilie, bei dem neue Kandidaten durch Kombination von Differenzen bestehender Lösungen erzeugt werden. Dieser zufällige Differentialschritt bringt wieder Vielfalt in die Population. Zusätzlich führen sie eine goldene Sinus-Strategie ein, die mit sanften wellenförmigen Bewegungen und dem goldenen Schnitt die Suche über ein größeres Gebiet des Lösungsraums schiebt, während sie zugleich zu vielversprechenden Bereichen hinzieht. Zusammen sorgen diese Änderungen für eine Balance zwischen kühner Exploration und sorgfältiger Verfeinerung.

Was die Tests in der Praxis zeigen

Das Team testet den verbesserten Algorithmus an standardisierten Benchmark-Problemen für Scheduling, die um Maschinenverschleiß ergänzt wurden. Sie vergleichen die Ergebnisse mit der ursprünglichen Whale-Methode, einem klassischen genetischen Algorithmus und einem Grey-Wolf-Optimizer. In den meisten Tests findet die neue Methode Zeitpläne mit früherer Fertigstellung und tut dies konsistenter von Lauf zu Lauf. In einem detaillierten Beispiel verdoppelt das einfache Hinzufügen von Maschinendegeneration nahezu die prognostizierte Fertigstellungszeit, wenn keine Umplanung erfolgt. Wendet man die verbesserte Whale-Methode an, sinkt die Gesamtzeit mit Verschleiß im Vergleich zu diesem naiven Plan um etwa ein Drittel, was klare Effizienzgewinne zeigt.

Was das für reale Fabriken bedeutet

Einfach gesagt zeigt die Studie, dass Planung unter der Annahme, Maschinen würden nie langsamer, Manager leicht in die Irre führen kann. Indem man Maschinenalter in den Zeitplan einbezieht und eine verfeinerte wal-inspirierte Suche verwendet, können Fabriken Aufgaben und Maschinenwahl so organisieren, dass sie besser zur Realität passen, Wartezeiten reduzieren und Durchsatz erhöhen. Obwohl der Ansatz weiterhin stabile Bedingungen und abgestimmte Parameter voraussetzt, weist er auf intelligentere digitale Werkzeuge hin, die Werkstätten helfen, mit sowohl Flexibilität als auch Verschleiß umzugehen und computererstellte Pläne näher an das zu bringen, was tatsächlich auf dem Werkstattboden passiert.

Zitation: Li, K., Tian, S. An improved whale optimization algorithm for flexible job shop scheduling problems with machine deterioration effects. Sci Rep 16, 14604 (2026). https://doi.org/10.1038/s41598-026-44409-4

Schlüsselwörter: Terminplanung, Optimierung, Fertigung, Maschinenverschleiß, Metaheuristiken