Udoskonalony algorytm optymalizacji wielorybów dla problemów elastycznego planowania z uwzględnieniem zużycia maszyn

Dlaczego problemy z czasowaniem w fabryce mają znaczenie

Za codziennymi produktami — telefonami, samochodami czy pakowaną żywnością — kryje się ukryta łamigłówka: która maszyna wykona które zadanie i w jakiej kolejności. To wyzwanie planistyczne, zwane harmonogramowaniem, decyduje, czy fabryka dostarczy na czas, czy zmusi klientów do czekania. Artykuł bada planowanie pracy zakładu, gdy maszyny stopniowo się zużywają, i przedstawia inspirowany wielorybami algorytm komputerowy, który potrafi znaleźć szybsze, bardziej realistyczne plany produkcji.

Jak rzeczywiste maszyny starzeją się na hali produkcyjnej

W podręcznikowym harmonogramowaniu maszyny traktuje się jak doskonałe: ich tempo przetwarzania się nie zmienia. W rzeczywistych warsztatach jest inaczej. W miarę długiej pracy elementy się zużywają, rośnie nagromadzenie ciepła, a wydajność spada. Zadania uruchomione później na tej samej maszynie mogą trwać dłużej niż identyczne zadania wykonane wcześniej. Ten efekt, nazywany deterioracją, jest powszechny w branżach takich jak stal, tworzywa sztuczne, przemysł maszynowy czy obronny. Ignorowanie go sprawia, że harmonogramy wyglądają dobrze na papierze, ale rozczarowują w praktyce, bo rzeczywiste czasy zakończenia są dużo dłuższe niż przewidywane.

Uproszczenie zużycia do prostej reguły

Autorzy badają elastyczny zakład produkcyjny, w którym każdy etap zadania może być wykonany na więcej niż jednej maszynie, i wprowadzają realistyczną regułę starzenia się maszyn. Zamiast zakładać, że czas przetwarzania rośnie w nieskończoność, przyjmują wzorzec schodkowy: przy niewielkim obciążeniu maszyna pracuje z podstawową prędkością; po przekroczeniu określonego progu do każdego zadania dodawany jest dodatkowy czas w miarę narastania zużycia; po osiągnięciu górnego limitu spowolnienie przestaje rosnąć i pozostaje na stałym dodatkowym opóźnieniu. Na podstawie tej reguły budują model matematyczny mający na celu minimalizację całkowitego czasu do zakończenia wszystkich zadań, przy jednoczesnym respektowaniu kolejności zadań, wyboru maszyn i rosnących opóźnień spowodowanych deterioracją.

Zapożyczając pomysły od polujących wielorybów

Aby rozwiązać to złożone zadanie planistyczne, autorzy udoskonalają Algorytm Optymalizacji Wielorybów, metodę poszukiwania zainspirowaną krążeniem i obławą humbaków na ofiarę. Każdy „wieloryb” w algorytmie reprezentuje jeden możliwy harmonogram. Poprzez wielokrotne aktualizowanie tych harmonogramów grupa poszukuje lepszych planów. Autorzy przeprojektowali kilka elementów tego procesu. Stworzyli inteligentniejszy sposób generowania początkowej populacji harmonogramów, łącząc podejście globalne, lokalne usprawnienia i losowość. Dostosowali też sposób, w jaki wirtualne wieloryby przechodzą od szerokiego eksplorowania na początku do precyzyjnego dopracowywania później, stosując zakrzywioną regułę zbieżności i zmienne „bezwładności” kontrolujące rozmiar kroków.

Utrzymanie różnorodności poszukiwań i unikanie ślepych zaułków

Standardowe wersje metody wielorybów mogą utknąć, krążąc wokół przeciętnego rozwiązania zamiast znaleźć lepsze. Aby temu zapobiec, autorzy zapożyczają trik mutacyjny z innej rodziny algorytmów, w którym nowe kandydackie harmonogramy powstają przez łączenie różnic między istniejącymi. Ten losowy krok różnicowy wprowadza do populacji nowość. Wprowadzają też strategię złotego sinusa, wykorzystującą płynne, falowe ruchy i złoty podział, aby przesunąć poszukiwania przez szerszy obszar przestrzeni rozwiązań, a jednocześnie wciąż przyciągać je w kierunku obiecujących rejonów. Razem te zmiany równoważą odważne eksplorowanie z uważnym dopracowaniem.

Co pokazują testy w praktyce

Zespół testuje swój udoskonalony algorytm na standardowych benchmarkach do harmonogramowania, które zostały zmodyfikowane o efekt zużycia maszyn. Porównują wyniki z oryginalną metodą wielorybów, klasycznym algorytmem genetycznym i optymalizatorem szarych wilków. W większości zestawów testowych nowa metoda znajduje harmonogramy kończące się wcześniej i robi to bardziej spójnie między kolejnymi uruchomieniami. W szczegółowym przykładzie samo uwzględnienie deterioracji maszyn niemal podwaja przewidywany czas zakończenia, jeśli nie przeprowadzi się przerysowania harmonogramu. Po zastosowaniu udoskonalonej metody wielorybów łączny czas z uwzględnieniem zużycia spada o około jedną trzecią w porównaniu z tym naiwnym planem, co pokazuje wyraźne korzyści efektywnościowe.

Co to oznacza dla rzeczywistych fabryk

Mówiąc prosto, badanie pokazuje, że planowanie pracy w fabryce przy założeniu, iż maszyny nigdy się nie spowalniają, może poważnie wprowadzać menedżerów w błąd. Włączając starzenie się maszyn do harmonogramu i stosując udoskonalone wyszukiwanie inspirowane wielorybami, fabryki mogą układać zadania i wybierać maszyny w sposób lepiej odzwierciedlający rzeczywistość, skracając czasy oczekiwania i zwiększając przepustowość. Choć podejście wciąż zakłada stabilne warunki i dobrane parametry, wskazuje drogę do inteligentniejszych narzędzi cyfrowych, które pomagają warsztatom radzić sobie zarówno z elastycznością, jak i zużyciem, zbliżając plany komputerowe do tego, co faktycznie dzieje się na hali produkcyjnej.

Cytowanie: 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

Słowa kluczowe: planowanie, optymalizacja, produkcja, zużycie maszyn, metaheurystyki