Job Shop Scheduling

(Weitergeleitet von Job Shop)

Job Shop Scheduling oder das Job Shop Scheduling Problem (JSP) ist ein Optimierungsproblem mit Anwendungen in der Maschinenbelegungsplanung mit dem Produktionssysteme mit Werkstattfertigung modelliert werden können. Die Aufgabe besteht darin, Aufträge (auch Jobs) optimal auf Maschinen zu verteilen, wobei jeder Auftrag aus verschiedenen Arbeitsschritten besteht, die auf bestimmten Maschinen bearbeitet werden müssen. Dabei kann jeder Auftrag grundsätzlich auch mehrmals auf derselben Maschine bearbeitet werden oder auch manche Maschinen auslassen.

Aufträge durchlaufen in der Produktion Maschinen in unterschiedlichen Reihenfolgen. Der rote Auftrag muss etwa auf den Maschinen 3, 2 und 6 verarbeitet werden.

Formulierung als Optimierungsmodell

Bearbeiten

Es gibt verschiedene Möglichkeiten, das Job Shop Scheduling Problem als gemischt-ganzzahliges lineares Optimierungsproblem (MILP) zu formulieren. Vorgestellt wird das folgendeOptimierungsmodell, welches als disjunctive JSP formulation bezeichnet wird und sich laut Literatur im Vergleich zu anderen Modellen als vorteilhaft erwiesen hat.[1]

Notation

Bearbeiten

Es seien   die Menge der zu verteilenden Jobs und   die Menge der zur Verfügung stehenden Maschinen. Für jeden Job   sei   die Reihenfolge der Maschinen, welche durch die Abarbeitung der Arbeitsschritte benötigt werden. Beispielsweise würde   bedeuten, dass Job Nr. 7 aus drei Arbeitsschritten besteht, die zunächst auf Maschine 2 und anschließend auf den Maschinen 1 und 3 erfolgen. Die benötigte Arbeitszeit für Arbeitsschritt   auf Maschine   wird mit   bezeichnet.

Entscheidungsvariablen

Bearbeiten

Die kontinuierliche Entscheidungssvariable   gibt den Startzeitpunkt des Jobs   auf Maschine   an und die binäre Variable   modelliert, ob Job   vor Job   auf Maschine   durchgeführt wird ( ) oder nicht ( ).

Zielfunktion

Bearbeiten

Die zu minimierende Zielfunktion ist die gesamte Produktionsdauer   (auch makespan), d. h. die Dauer zwischen Produktionsbeginn und dem Ende des letzten Bearbeitungsvorgangs.

Nebenbedingungen

Bearbeiten
  • Zunächst wird durch die Nebenbedingung   für alle Jobs   und Maschinen   sichergestellt, dass innerhalb eines Jobs die Reihenfolge der Arbeitsschritte eingehalten wird.
  • Die Restriktionen   und   für alle   mit   sowie alle   garantieren, dass nicht zwei Jobs gleichzeitig auf derselben Maschine durchgeführt werden können. Dabei ist das   eine Zahl, die ausreichend groß gewählt werden sollte. Eine mögliche Wahl ist  . Die Variable   aktiviert und deaktiviert also mit Hilfe der großen Zahl   jeweils eine der beiden Ungleichungen, was als Big-M-Formulierung bezeichnet wird.[2]
  • Letztlich gilt für die Produktionsdauer   für alle Jobs  .

Lösungsmethoden

Bearbeiten

Das oben vorgestellte Optimierungsmodell kann für kleine bis mittlere Problemgrößen (bis etwa 30 Jobs und 30 Maschinen) exakt mit Hilfe von Branch-and-Bound-Methoden gelöst werden, die in Solvern wie CPLEX, Gurobi oder SCIP implementiert sind.[1] Außerdem eignen sich Constraint Programming Methoden und auf Scheduling spezialisierte Verfahren wie das iSTS-SGS[3] für die Lösung moderater Instanzen. Für größere Probleminstanzen werden Metaheuristiken und problemspezifische Heuristiken, die gute Konfigurationen berechnen, ohne eine Aussage bezüglich deren globaler Optimalität zu treffen.

Varianten

Bearbeiten

Wenn die Folge der Arbeitsgänge für jeden Auftrag identisch ist, handelt es sich um einen Flow-Shop, der ein Modell der Fließproduktion darstellt. Wird auf jeder Maschine die gleiche Folge von Aufträgen bearbeitet, handelt es sich um einen Permutations-Job Shop. Für den Fall, dass nur eine Maschine vorhanden ist, ergibt sich ein Ein-Maschinen Problem; falls die Aufträge aus nur einem Arbeitsgang bestehen, der auf einer beliebigen Maschine zu bearbeiten ist, handelt es sich um ein Maschinenbelegungsproblem mit parallelen Maschinen.

Siehe auch

Bearbeiten

Literatur

Bearbeiten

Einzelnachweise

Bearbeiten
  1. a b Wen-Yang Ku, J. Christopher Beck: Mixed Integer Programming models for job shop scheduling: A computational analysis. In: Computers & Operations Research. Band 73, September 2016, ISSN 0305-0548, S. 165–173, doi:10.1016/j.cor.2016.04.006 (utoronto.ca [PDF; abgerufen am 18. Januar 2024]).
  2. Nathan Sudermann-Merx: Einführung in Optimierungsmodelle. 2023, doi:10.1007/978-3-662-67381-2 (springer.com [abgerufen am 19. Januar 2024]).
  3. J. Christopher Beck, T. K. Feng, Jean-Paul Watson: Combining Constraint Programming and Local Search for Job-Shop Scheduling. In: INFORMS Journal on Computing. Band 23, Nr. 1, Februar 2011, ISSN 1091-9856, S. 1–14, doi:10.1287/ijoc.1100.0388.