Een verbeterd walvisoptimalisatie-algoritme voor flexibele jobshop-planningsproblemen met machinedeterioratie-effecten

Waarom timingproblemen in fabrieken ertoe doen

Achter alledaagse producten zoals telefoons, auto’s en verpakte etenswaren schuilt een verborgen puzzel: bepalen welke machine welke taak uitvoert en in welke volgorde. Deze planningsuitdaging, bekend als scheduling, bepaalt of een fabriek op tijd levert of klanten laat wachten. Het artikel onderzoekt hoe je werk in een fabriek plant wanneer machines geleidelijk verslijten, en introduceert een door walvissen geïnspireerd computeralgoritme dat snellere, realistischer productieplannen kan vinden.

Hoe echte machines verouderen op de werkvloer

In leerboekvoorbeelden van scheduling worden machines als perfect behandeld: hun verwerkingssnelheid verandert nooit. In echte werkplaatsen is dat anders. Naarmate machines lange uren draaien, slijten onderdelen, loopt de temperatuur op en neemt de prestatie af. Taken die later op dezelfde machine beginnen, kunnen langer duren dan identieke taken die eerder werden verwerkt. Dit effect, deterioratie genoemd, komt veel voor in industrieën zoals staal, kunststoffen, machinebouw en defensie. Het negeren ervan laat planningen op papier goed lijken maar teleurstellend in de praktijk, omdat de werkelijke voltooiingstijden veel langer worden dan voorspeld.

Slijtage en veroudering terugbrengen tot een eenvoudige regel

De auteurs bestuderen een flexibele jobshop, waarbij elke stap van elk werk op meer dan één machine kan worden uitgevoerd, en voegen een realistische regel voor machineveroudering toe. In plaats van aan te nemen dat verwerkingstijd oneindig blijft groeien, hanteren ze een trapvormig patroon: bij vroeg gebruik draait de machine op basis­snelheid; na een bepaalde werklast wordt aan elk werk extra tijd toegevoegd naarmate slijtage toeneemt; voorbij een bovengrens stopt de vertraging met toenemen en blijft op een vaste extra vertraging staan. Met deze regel bouwen ze een wiskundig model met als doel de totale tijd tot alle werkzaamheden zijn afgerond te minimaliseren, waarbij de volgorde van taken, machinekiezen en de toenemende vertragingen door deterioratie gerespecteerd worden.

Ideeën lenen van jagende walvissen

Om dit complexe planningsprobleem aan te pakken, verbeteren de auteurs het Whale Optimization Algorithm, een zoekmethode geïnspireerd op hoe bultruggen cirkelen en prooi omsingelen. Elke “walvis” in het algoritme vertegenwoordigt een mogelijke planning. Door deze planningen herhaaldelijk bij te werken, zoekt de populatie naar betere plannen. De auteurs herontwerpen meerdere onderdelen van dit proces. Ze creëren een slimmere manier om de eerste lichting planningen te genereren, waarbij globaal redeneren, lokale verfijning en willekeurigheid worden gemengd. Ze passen ook aan hoe de virtuele walvissen verschuiven van brede verkenning vroeg in het proces naar fijnslijpen later, met behulp van een gekromde convergentieregel en een veranderende "inertie" die de stapgrootte regelt.

De zoektocht divers houden en doodlopende wegen vermijden

Standaardversies van de walvismethode kunnen vastlopen en blijven cirkelen rond een slechts behoorlijk plan in plaats van een beter plan te vinden. Om dit te voorkomen lenen de auteurs een mutatietrick uit een andere familie van algoritmen, waarbij nieuwe kandidaatplanningen worden gecreëerd door verschillen tussen bestaande plannen te combineren. Deze willekeurige differentiële stap brengt variatie terug in de populatie. Ze introduceren ook een gouden-sine-strategie, die vloeiende golfachtige bewegingen en de gulden snede gebruikt om de zoektocht door een breder deel van de oplossingsruimte te duwen terwijl ze toch naar veelbelovende gebieden toe blijven trekken. Samen brengen deze wijzigingen een balans tussen gedurfde verkenning en zorgvuldig polijsten.

Wat de tests in de praktijk laten zien

Het team test hun verbeterde algoritme op standaard benchmark-planningsproblemen die zijn aangepast om machineverslechtering mee te nemen. Ze vergelijken de resultaten met de originele walvismethode, een klassiek genetisch algoritme en een grey wolf optimizer. In de meeste testsets vindt de nieuwe methode planningen die eerder klaar zijn en doet dat consistenter van run tot run. In een gedetailleerd voorbeeld verdubbelt het simpelweg toevoegen van machinedeterioratie bijna de voorspelde voltooiingstijd als er geen herplanning plaatsvindt. Wanneer de verbeterde walvismethode wordt toegepast, daalt de totale tijd met verslechtering met ongeveer een derde vergeleken met dit naïeve plan, wat duidelijke efficiëntiewinsten laat zien.

Wat dit betekent voor echte fabrieken

In eenvoudige bewoordingen laat de studie zien dat plannen alsof machines nooit vertragen managers ernstig kan misleiden. Door machineveroudering in de planning op te nemen en een verfijnde walvis-geïnspireerde zoekmethode te gebruiken, kunnen fabrieken taken en machinelaten zo ordenen dat ze beter aansluiten op de realiteit, waardoor wachttijden verminderen en de doorvoer verbetert. Hoewel de aanpak nog steeds uitgaat van stabiele omstandigheden en getunede instellingen, wijst het op slimmere digitale hulpmiddelen die werkplaatsen helpen omgaan met zowel flexibiliteit als slijtage, en computergegenereerde plannen dichter bij wat daadwerkelijk op de werkvloer gebeurt brengen.

Bronvermelding: 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

Trefwoorden: planning, optimalisatie, productie, machineverslechtering, metaheuristieken