Методы искусственного интеллекта для краткосрочного планирования на примере процесса отпуска нефтепродукта

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В статье представлен критический аналитический обзор применения методов искусственного интеллекта в области теории расписаний, проведенный на примере ограничений проблемы краткосрочного планирования в процессе отпуска нефтепродуктов с нефтебаз автомобильным транспортом. Цель исследования заключалась в систематизации и оценке существующих подходов к решению задач планирования с учетом специфических временных ограничений, к которым относится процесс отпуска нефтепродукта. В ходе исследования проанализированы точные и приближенные методы решения задач теории расписаний, включая эвристические алгоритмы и подходы на основе искусственных нейронных сетей. Установлено, что существующие методы имеют существенные ограничения при решении задач полу-онлайн планирования. Результаты исследования демонстрируют необходимость разработки нового метода, способного оперативно перестраивать расписания с учетом непрогнозируемых изменений, возникающих в ходе процесса отпуска нефтепродукта. Результаты исследования демонстрируют перспективность развития методов искусственного интеллекта для решения задач краткосрочного планирования.

Полный текст

Доступ закрыт

Об авторах

Юрий Васильевич Игнатьев

Московский государственный технический университет имени Н.Э. Баумана

Автор, ответственный за переписку.
Email: Yuriy-Ig@yandex.ru

аспирант

Россия, г. Москва

Геннадий Иванович Афанасьев

Московский государственный технический университет имени Н.Э. Баумана

Email: gaipcs@bmstu.ru

кандидат технический наук, доцент; доцент

Россия, г. Москва

Список литературы

  1. Канторович Л. Математические методы организации и планирования производства. Л.: Изд-во Ленинградского гос. ун-та, 1939.
  2. Кривошеев О.В. Технология распределения ресурсов производственных систем в условиях неполноты данных для высокотехнологичных отраслей промышленности: дис. … канд. техн. наук. Саров, 2022.
  3. Кротов К.В. Математические модели и методы многоуровневой оптимизации расписаний многостадийных процессов с адаптацией: дис. … д-ра техн. наук. Севастополь, 2022.
  4. Лазарев А.А., Гафаров Е.Р. Теория расписаний задачи и алгоритмы. М.: Физический факультет МГУ, 2011. 222 с.
  5. Лазарев А.А. и др. Теория расписаний. Задачи железнодорожного планирования. М.: ИПУ РАН, 2021. 92 с.
  6. Танаев В.С., Шкурба В.В. Введение в теорию расписаний / под ред. Б.Д. Юдина. М.: Наука, 1975. 256 с.
  7. Agnetis A. et al. Fifty years of research in scheduling – theory and applications // Eur. J. Oper. Res. 2025. doi: 10.1016/j.ejor.2025.01.034.
  8. Bellman R. Mathematical aspects of scheduling theory // Journal of the Society for Industrial and Applied Mathematics. 1956. Vol. 4. No. 3. doi: 10.1137/0104010.
  9. Blackstone J.H., Phillips D.T., Hogg G.L. A state-of-the-art survey of dispatching rules for manufacturing job shop operations // Int. J. Prod Res. 1982. Vol. 20. No. 1. doi: 10.1080/00207548208947745.
  10. Brucker P. Scheduling algorithms. Fifth ed. Berlin: Springer-Verlag, 2007. 365 с.
  11. Cruz-Chávez M.A., Martínez-Rangel M.G., Cruz-Rosales M.H. Accelerated simulated annealing algorithm applied to the flexible job shop scheduling problem // International Transactions in Operational Research. 2017. Vol. 24. No. 5. doi: 10.1111/itor.12195.
  12. Dürr Ch. The Scheduling Zoo. URL: https://github.com/xtof-durr/schedulingzoo/wiki/The-Scheduling-Zoo-project (data of accesses: 05.06.2024).
  13. Gantt N.L. A Graphical daily balance in manufacture // Journal of Fluids Engineering, Transactions of the ASME. 1903.
  14. Garey M.R., Johnson D.S., Sethi R. The complexity of flowshop and jobshop scheduling // Mathematics of Operations Research. 1976. Vol. 1. No. 2. Pp. 117–129. doi: 10.1287/moor.1.2.117.
  15. Graham R.L. et al. Optimization and approximation in deterministic sequencing and scheduling: A survey // Annals of Discrete Mathematics. 1979. Pp. 287–326.
  16. Haddad N., Myshenkov K.S., Afanasiev G.I. Introducing text analysis algorithms in decision support systems for automated evaluation of the doctor prescriptions // 6th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE, 2024. Pp. 1–5.
  17. Hasan S.M.K. et al. Memetic algorithms for solving job-shop scheduling problems // Memet. Comput. 2009. Vol. 1. No. 1. Pp. 69–83. doi: 10.1007/s12293-008-0004-5.
  18. Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems // Biol. Cybern. 1985. Vol. 52. No. 3. Pp. 141–152. doi: 10.1007/BF00339943.
  19. Hu Y., Duan Q. Solving the TSP by the AALHNN algorithm // Mathematical Biosciences and Engineering. 2022. Vol. 19. No. 4. Pp. 3427–3448. doi: 10.3934/mbe.2022158.
  20. Ignatyev Y.V., Afanasyev G.I. Neural network architecture for scheduling tank trucks loading at petroleum products storages // 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). Moscow: IEEE, 2025.
  21. Ivanyuk V., Shuvalov K. Neural network-based methods for forecasting financial time series // 14th International Conference Management of Large-scale System Development (MLSD). IEEE, 2021. Pp. 1–4.
  22. James R.J. Scheduling a production line to minimize maximum tardiness. Los Angeles: Office of Technical Services, 1955.
  23. Johnson S.M. Optimal two‐ and three‐stage production schedules with setup times included // Naval Research Logistics Quarterly. 1954. Vol. 1. No. 1. doi: 10.1002/nav.3800010110.
  24. Jun S., Lee S., Chun H. Learning dispatching rules using random forest in flexible job shop scheduling problems // Int. J. Prod. Res. 2019. Vol. 57. No. 10. Pp. 3290–3310. doi: 10.1080/00207543.2019.1581954.
  25. Khobotov E.N., Ermolova M.A. Formation of work plans and schedules at enterprises with conveyor assembly // IFIP Advances in Information and Communication Technology. 2021. Pp. 572–579.
  26. Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by simulated annealing // Science (1979). 1983. Vol. 220. No. 4598. Pp. 671–680. doi: 10.1126/science.220.4598.671.
  27. Lenstra J.K., Rinnooy Kan A.H.G., Brucker P. Complexity of machine scheduling problems // Annals of Discrete Mathematics. 1977. Vol. 1. No. C. doi: 10.1016/S0167-5060(08)70743-X.
  28. Li F. et al. A transformer-based deep reinforcement learning approach for dynamic parallel machine scheduling problem with family setups // J. Intell Manuf. 2024. doi: 10.1007/s10845-024-02470-8.
  29. Li X. et al. Integrated optimization approach of hybrid flow-shop scheduling based on process set // IEEE Access. 2020. Vol. 8. Pp. 223782–223796. doi: 10.1109/ACCESS.2020.3044606.
  30. Michael L.P. Scheduling theory, algorithms, and systems. Sixth ed. New York: Springer, 2022.
  31. Noorul Haq A. et al. A hybrid neural network-genetic algorithm approach for permutation flow shop scheduling // Int. J. Prod. Res. 2010. Vol. 48. No. 14. Pp. 4217–4231. doi: 10.1080/00207540802404364.
  32. Parthasarathy S., Rajendran C. An experimental evaluation of heuristics for scheduling in a real-life flowshop with sequence-dependent setup times of jobs // Int. J. Prod. Econ. 1997. Vol. 49. No. 3. Pp. 255–263. doi: 10.1016/S0925-5273(97)00017-0.
  33. Richard W. et al. Theory of scheduling, 1967.
  34. Saidi-Mehrabad M., Fattahi P. Flexible job shop scheduling with taboo search algorithms // International Journal of Advanced Manufacturing Technology. 2007. Vol. 32. No. 5–6. doi: 10.1007/s00170-005-0375-4.
  35. Saprykin Y., Ryazntsev V., Smirnov A. Application of neural networks to the analysis of time series data in the recognition of driver fatigue // International Conference on Information Technology and Nanotechnology (ITNT). IEEE, 2021. Pp. 1–5.
  36. Smith W.E. Various optimizers for single‐stage production // Naval Research Logistics Quarterly. 1956. Vol. 3. No. 1–2. doi: 10.1002/nav.3800030106.
  37. Tassel P., Gebser M., Schekotihin K. A reinforcement learning environment for job-shop Scheduling // International Journal of Computer Information Systems and Industrial Management Applications. 2021. Vol. 12.
  38. Yazdani M. et al. A simulated annealing algorithm for flexible job-shop scheduling problem // Journal of Applied Sciences. 2009. Vol. 9. No. 4. doi: 10.3923/jas.2009.662.670.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Юр-ВАК, 2025

Ссылка на описание лицензии: https://www.urvak.ru/contacts/