En förbättrad valoptimaliseringsalgoritm för flexibla jobbutplaceringsproblem med maskinförslitningseffekter

Varför fabriksplanering är viktig

Bakom vardagliga produkter som telefoner, bilar och förpackad mat ligger ett dolt pussel: att bestämma vilken maskin som hanterar vilken uppgift och i vilken ordning. Denna planeringsutmaning, kallad schemaläggning, avgör om en fabrik levererar i tid eller får kunder att vänta. Artikeln undersöker hur man planerar fabriksarbete när maskiner gradvis slits och introducerar en valinspirerad datoralgoritm som kan hitta snabbare, mer realistiska produktionsplaner.

Hur verkliga maskiner åldras på verkstadsgolvet

I läroboksexempel behandlas maskiner som perfekta: deras processhastighet ändras aldrig. Verkliga verkstäder är annorlunda. När maskiner går många timmar slits delar, värme byggs upp och prestandan sjunker. Jobb som startar senare på samma maskin kan ta längre tid än identiska jobb som bearbetats tidigare. Denna effekt, kallad försämring, är vanlig i industrier som stål, plast, maskintillverkning och försvar. Att ignorera den gör att scheman ser bra ut på papper men blir besvikna i praktiken, eftersom faktiska sluttider blir mycket längre än förutsagt.

Göra slitage enkelt med en regel

Författarna studerar en flexibel jobbverkstad, där varje steg i varje jobb kan utföras på mer än en maskin, och de lägger till en realistisk regel för maskinåldrande. Istället för att anta att bearbetningstiden växer oändligt antar de ett trappstegsmönster: för tidig användning går maskinen i grundhastighet; efter en viss arbetsbelastning läggs extra tid på varje jobb i takt med att slitaget ökar; över en övre gräns slutar förseningen att öka och ligger kvar på en fast extra fördröjning. Med denna regel bygger de en matematisk modell vars mål är att minimera den totala tiden tills alla jobb är klara, samtidigt som jobbordning, maskinval och de växande fördröjningarna orsakade av försämring respekteras.

Låna idéer från jagande valar

För att tackla detta komplexa planeringsproblem förbättrar artikeln Whale Optimization Algorithm, en sökmetod inspirerad av hur knölvalar cirklar in och fångar byte. Varje ”val” i algoritmen representerar ett möjligt schema. Genom att uppdatera dessa scheman upprepade gånger söker gruppen efter bättre planer. Författarna omarbetar flera delar av processen. De skapar ett smartare sätt att generera den första kullen scheman, som blandar globalt resonemang, lokal förfining och slumpmässighet. De justerar också hur de virtuella valarna skiftar från bred utforskning i början till finjustering senare, med en böjd konvergensregel och en förändrande "inertial" som styr steglängd.

Hålla sökningen mångsidig och undvika återvändsgränder

Standardversioner av valmetoden kan fastna och cirkla runt en endast hygglig lösning istället för att hitta en bättre. För att förhindra detta lånar författarna ett mutationsknep från en annan algoritmfamilj, där nya kandidatplaner skapas genom att kombinera skillnader mellan befintliga. Detta slumpmässiga differentiella steg injicerar variation tillbaka i gruppen. De introducerar också en gyllene sinusstrategi, som använder mjuka vågliknande rörelser och det gyllene snittet för att knuffa sökningen genom ett bredare område i lösningsrymden samtidigt som den dras mot lovande områden. Tillsammans balanserar dessa förändringar djärv utforskning med noggrann polering.

Vad testerna visar i praktiken

Teamet testar sin förbättrade algoritm på standardiserade referensproblem för schemaläggning som anpassats för att inkludera maskinslitage. De jämför resultat med den ursprungliga valmetoden, en klassisk genetisk algoritm och en grey wolf-optimizer. I de flesta testsatserna hittar den nya metoden scheman som blir klara tidigare och gör det mer konsekvent från körning till körning. I ett detaljerat exempel fördubblar helt enkelt att lägga till maskinförslitning den förväntade avslutningstiden om ingen omplanering görs. När den förbättrade valmetoden tillämpas minskar den totala tiden med slitage inkluderat med ungefär en tredjedel jämfört med denna naiva plan, vilket visar klara effektivitetvinster.

Vad detta betyder för verkliga fabriker

Enkelt uttryckt visar studien att planering av fabriksarbete under antagandet att maskiner aldrig saktar in kan vilseleda chefer allvarligt. Genom att bygga in maskinåldrande i schemat och använda en förfinad valinspirerad sökning kan fabriker ordna uppgifter och maskinval på sätt som bättre stämmer överens med verkligheten, minska väntetider och förbättra genomströmning. Även om tillvägagångssättet fortfarande antar stabila förhållanden och inställda parametrar, pekar det mot smartare digitala verktyg som hjälper verkstäder hantera både flexibilitet och slitage och för de datorgenererade planerna närmare vad som faktiskt händer på verkstadsgolvet.

Citering: 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

Nyckelord: schemaläggning, optimering, tillverkning, maskinslitage, metaheuristiker