鲁棒优化模型和最优解解法毕业论文Word格式文档下载.docx
《鲁棒优化模型和最优解解法毕业论文Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《鲁棒优化模型和最优解解法毕业论文Word格式文档下载.docx(15页珍藏版)》请在冰豆网上搜索。
此外,弯管机分解并不常用来解决平衡问题。
事实上,绝大多数的研究使用动态规划,分支界限法或启发式方法。
另一方面,在实践中,在汽车,机械和电子行业的不同公司可能受益我们的模型和算法从而建立可靠的装配生产线。
此外,我们的算法具有不需要综合历史数据或概率分布的优势;
在许多行业中,以前的可靠的数据可能不能用来估计运行时间的概率分布,
特别是对新的生产线来说
本文的其余部分安排如下。
第2部分就相关问题和生产线平衡方法和模型的文献和对不确定性的规避做了总结。
第3.1节和3.2节分别叙述了确定性的数学模型和鲁棒问题。
为了解决争用问题,分解算法是在第4节表达,实验分析和计算结果在第5节,。
最后,第6节则给出了结论和未来研究的角度。
2•相关文献
为了使SALBP-2最优,绍尔和克莱因(1996)提出了一个分支定界算法,而学士学位urdag等(1997)开发了近似算法。
Goksen和Agpak(2006)随后提出了一个多准则决策方法及制定了目标规划模型,U型线。
然而,Simaria和维拉里纽(2004)强调了混合模型,具体MALBP-2生产,并得出与遗传算法的近似解。
奥兹坎和Toklu(2009)
提出了一个数学模型和模拟退火算法来平衡双面线路。
多桂等研究了一个生产线平衡不
同的扩展和最低成本目标下合并设备的选择(2012)。
对所有问题的分类方案和代表性的论文通过百胜等人提出(2007年)。
我们也参考了读者舍尔和Becker(2006),百胜等人的调查和BattaiaDolgui(2013)其他有关问题和模型。
需要注意的是生产线平衡的研究论文的大部分假设所有数据的完全了解。
但是,在
今天,为了达到输出目标对不确定性的来源保障机制的整合是至关重要的,。
为了这个
目的,我们可以使用鲁棒优化,这是那些模型不确定性和影响的基础优化方法之一,正如随机规划,灵敏度分析,参数规划和模糊规划一样。
在这些方法中,随机规划被广泛应用,因为它是一个使用概率分布来描述不确定的数据的功能强大的建模系统。
它同样也被应用到生产线平衡,但我们再次强调,随机的方法只有在准确的概率描述下是适用的。
最近已经吸引了许多研究者关注的另一种替代方法是模糊规划。
它采用模糊数字和
通过模糊集隶属函数,而不是随机变量的定义产生的约束。
隶属函数可能会允许一些约束违反和衡量约束补偿。
它也应用到生产线平衡。
敏感度分析或稳定性有所不同,因为它在本质上是反应性的,不适用于在建模阶段的不确定性。
Sotskov和Gurevsky等研究了解决生产线平衡问题的方案,并得出在加工
时间的微小变化下保持最优的预先解决方案的充要条件。
他们进行了事后最优性分析,而我们在处理时间模型的可变性,并得出鲁棒问题的最优解(S)。
鲁棒优化考虑最坏情况下的绩效,并寻求那些在最坏的情况表现良好的解决方案。
最常见的鲁棒模型是最小最大化模型和极大极小遗憾模型。
该最小最大模型是在所有情
况下最小化最高费用。
Kouvelis和Yu(1997)全面地讨论它们并将它们应用于宽范围组合优化问题之中。
最小最大后悔模型寻求最小化最大的遗憾,这就是解决方案的成本
和在所有的情况中最优方案的差别。
他们常被用来模拟鲁棒版本的组合优化问题:
比如最小生成树问题,一些生产线平衡问题。
最小最大化模型和极大极小遗憾方法是悲观的,所以他们可能在很多情况下表现不佳。
为了避免过度悲观,Bertsimas和Sim建议了一种限制不确定的方法,该方法中在所有系数子集得到他们的上界值。
使用这种限制不确定性的方法,Hazir得出多模式项
目调度的优化模型。
其在生产线平衡中的应用都是十分新的。
Al-ehashem提出了一个
混合模型生产线(MMALBP的构想。
Gurevsky(2012年)制定了鲁棒SALBP-1,并提出了分支定界求解算法。
近日,纳扎里安及高(2013年)调查了决策制定者的保守程度与生产线设计之间的关系;
不同的是,他们把研究重点放在车间的非生产时间的分析。
3.问题与模型
3.1确定性的单一模型
数(工作地总操作时间,方程(3))前提下的最小化周期时间(方程
(1)),一个工作
(1)
MinC
在上述配方中,二元决策变量
Xjk分配操作j站到k(式(5))。
图G=(N,A),
其中N为节点集和ANN是一组弧,操作的是模型的优先级关系。
此外,以下参
数是必需的,以消除多余的优先级约束:
在操作j可以被执行(ESj和LSj)的最早和最晚工作站,工作站区间(SIj=[ESj,LSj])和设置操作分配到台站k(Mk={j:
kSIj})
--1--1
ES厂1(tj+瓦t)/C
JJ1
LSj=K+1-(tj"
S/C
*
丨云Pj
底Fj
值得注意的是,本文这些参数的设定需要定义一系列前提条件(P;
和F;
)和设定
周期时间C的上限
我们使用两个鲁棒优化模型和现在的精确解算法制定了鲁棒SALBP-2(RSALBP-2)。
3.2鲁棒SALBP-2(RSALBP-2)。
在本节中,我们提出一个考虑操作时间变化的模型。
当考虑到变化时,时间周期不可避免地会比不考虑变化的确定性解决方案要长,。
然而,在这一点我们的主要目的是保持尽可能小的增加。
接下来,我们指出如下的鲁棒方法:
考虑到操作时间的区间不确定性,不确定的时间由tj定义,可以在其标准值和上限值之间取值,也就是tj-11j,tj,j=1,…,n。
假定标准值tj是逼近时间,以此降低观察到较低涨幅的可能性。
这样看来,随着误差的增加,操作j面临的风险也可能增加了。
我们第一个问题的解决借用了Bertsimas和Sim(2003)的方法,而第二个问题则遵循了一种新的方法。
应该注意到的是,RSALBP-2问题的两个版本都是非确定性难题,
因为作为因为一种特殊情况的SALBP-2也是非确定性困难问题。
3.2.1问题1
在这个问题中,只有操作-分配给有变化的工作地。
当-=0时,操作时间的变化所带来的后果被忽略,并且确定性问题标准时间值(SALBP-2被获得。
相比之下,这
个参数的高值表明风险规避行为。
极端的情况下成为一个极大极小优化问题。
这个鲁棒版本的组成如下:
MinC(6)
服从于'
tjXjk-g(x)Ck=1,…下(7)
j-Mk
和方程
(2),(4),(5)
g(x)Max{djXjkUjk:
Ujk—,Ujk{0,1}}(8)
j创kj创k
在这个模型中,g/x)定义了每个工作站的最大时间偏差k。
该组操作须遵守该二进制向量u,即「j:
Ujk=1\-k。
正如上面提到的,这些操作会有等于上界的操作时间。
然而,使用参数丨总可能的偏差是有界的,这也反映了决策者的悲观情绪程度。
因为随着丨变得更大,会考虑到更大数量的偏差。
尽管问题1包含操作时间的不确定性,它却没考虑操作分配给工作站的数量和对不确定性的影响。
不管是什么任务,考虑每站最坏的情况下的最多丨操作。
然而,作为一个工作站处理更多的操作,因为每个操作都涉及风险,总偏有可能会高更。
在下一节中,
取决于操作的数量总偏差说我一个新问题将被讨论。
3.2.2问题2
不同的是,这第二个问题,假设在工作站上的操作顶多有h%可以在上限取值。
因
此,由方程(8)定义的偏差函数组成如下:
gk(x)MaxpdjXjkUjk:
Ujk"
'
Xjk,Ujk{0,1}},-k(9)
jWkj讯kj^k
表1.表示从A到N的例子
在右边的,分配给工作站k的操作总数被表述出来并且其中至多有h%被考虑到。
这种方法的一个优点是,关于工作站数量分布的可变性将不知不觉地减少,因为工作站处理的操作由函数gk(x)约束。
为了说明问题1和2,我们给出具有K=3的工作站的单一流水线。
图1中的节点网络图显示的具有代表性的活动优先关系。
上面显示的节点显示了标准执行时间和上界值,_--
在表1中,3是可行的解决方案,FS1,FS2和FS3与一个确定的(:
=0)和两个鲁棒问题(丨二1和h=0.5)进行了比较。
每一行都指定一个解决方案。
第一列,标记为’负载’,表示出了操作(N=1,...,9)到工作站(K=1,2,3)的分配。
第二个,(丨=0)表示出了每个机器k确定的工作站的时间(ST和每个循环得到的时间。
对于鲁棒的问题,偏差(gk)和循环时间(参见方程(8)和(9))给出。
最好的解决方法标有符号“芋”。
注意,在问题1中至多有一个操作的持续性是不确定的;
然而,问题2中则大几乎有一半都是。
对于确定性问题,FS2(9比10)有最低的周期时间。
然而,对于鲁棒问题1,FS1是最好的(12比13),这是因为,在确定性的情况下被忽略的操作5的偏差
相对来说较高。
尽管如此,FS2和FS1在问题1中有相同的目标函数值,FS3则在问题2中明显占优势。
因为它包含一个有四个操作的工作站,其中0.54=2被认为是有风险的。
其结果是,计算偏差将会更高而我们的鲁棒方法将永远不会把FS3作为候选方案。
总结起来,这个例子告诉我们,每一种方法(确定性或鲁棒的)可能会产生不同的解决方案。
第二,我们观察到,当考虑到不确定性因素时,一条线在确定性的情况下的分配做得不错的
(FS)可能会导致不可接受的周期。
4•解决方法
偏差公式(方程(8)和(9))要求参数Mk被定义。
然而,对于鲁棒模型来说,这
个参数需要一个有效的上界。
接下来,我们要为RSALBP-2制定严格的上界,和介绍基
于分解算法的解决方案。
在算法的每一次迭代中,较宽松的问题被解决了。
因此对于下界(LB)来说,在非降迭代的次数中则会产生。
此外,上界也因更好的解决方案而得到更新。
4.1鲁棒模型的上界
肖勒在1999年使用相关的并行多机调度问题,提出SALBP-2的两个上限。
第一个约束忽视了优先关系。
第二个是基于优先关系的解决方案。
由于在鲁棒问题中,一些执行时间大于其标准值,这些范围对于RSALBP-2是无效的。
对于SALBP-2给定一个由Cd表示的上限值,我们用Cr来定义RSALBP-2的上限值。
下面,我们将使用两个步骤来介绍。
此过程假定具有操作的至少需要Cd时间单位然后再根据最坏情况情况对偏差进行了计算。
表1.从额模型中的点得到的三个可行方案
负载
:
=0
=1
二=0.5
FS
K=1
K=2
K=3
ST1
ST2
ST3
C
g1
g2
g3
1
1,2,3
4,5,6
7,8,9
10
7
9
2
4
3
12☆
12*
1,3,4
2,5,6
8
9☆
13
3,4,5,6
1,2,7
8,9
16
1.初始约束:
首先,忽略优先级约束和设置将会在第二部中使用的初始上限具体步骤如
下:
2.
通过集成有限关系进行改进:
第一步假定具有最大可能性的偏差的操作将会在同一工作站被处理。
然而,当优先约束被集成后,它们将会在装配的不同阶段被处理,一些是在开始,一些则会在最后,考虑到这些,我们建议了以下更加严格的约束:
+…Kl力为映:
工炊冬匚吗皿
II)」曰如口)
鲁棒问题的所有参数ESj,LSj,Slj和Mk将会由Cr也就是ES(Cr)计算出来。
这个约束对于问题1和问题2都是有依据的。
然而,对于问题2来说,我们考虑到了最坏情况并且将丨作为每个操作的最大值分配给工作站:
F=「日(n-K+1)」(10)
4.2分解算法
首先我们给出一个算法来解决问题1,其次我们来解释怎样改进这个算法使之解决问题2.在方程(8)中,gk(x)是一个具有飞空可行解的渐缩问题。
松弛线性规划有二进制松弛最优解。
用“(x)定义的多面体可以由一个已制定顶点的凸集合计算出来,
因此,使用方程(11),模型1就可以由以下方程表示:
(12)
c>
fj冷+匸厲呱为4k=1匕/=1,…丄(/t)
(13)
和方程
(2),(4),(5)
使用重组后的方程(13),一种奔德斯分解算法可以用来精确地解决这个问题。
这种方法可以通过把问题分解为一些简单的小问题用来解决大规模的线性规划和集成问题:
主要问题和次要问题。
主要问题是来解决松弛类型的和给整数变量和最小值的上限集成实验值。
次要问题时指那些整数变量暂时不变的一类问题。
在双次要问题中插入可行解和最优解,当可行解得到满足时,分解主要问题就会得到上限值。
直到上限值和下限值收敛时,只要问题和次要问题才会迭代求解。
因此,射线和极值点,可行性和最优解会根据需要产生。
奔德斯分解在组合优化中得到广泛的使用,它的高效性在各种项目调度相关问题和
网络优化问题中显示出来。
我们注意到线平衡问题有共同的结构,特别是在资源受限的
项目调度中。
我们注意到,它也可以很好的解决生产线平衡问题。
对应于解决RSALBP-2来说,由于当前存在的两个相关优化问题(第一个问题时由方程(6)和方程(7)定义
的,第二个最需要在方程(8)中解出g(x))的复杂性,分解方法就是十分适合的。
奔德斯分解遵循迭代的方法,并在每一次迭代后,较简单的问题都解决了。
指数t用来表示迭代t。
1•以初始解法开始
0=<
(Xm…川轨总{0.1},》冷=1J=
I啊J
使z°
=二,t=1
解决次要问题SpYxt)
如果t>
0,那么(不可见问题)
X,=心n{x€X°
:
W匚肿、V(iJ):
划>
0}
否则
解决次要问题sp2(xt)
设k*是具有最大负荷的机械和ut是最优解如果Ct>
zt-1
X’=Xi少叫⑴+町%)®
}
否则,停止并将xt作为最优解输出。
结束
3.解决主要松弛问题Mpt:
Zt=MinCX;
让xt作为最优解。
4.t=t+1,xt=xt-1
5.返回到步骤2
该算法解决了在每个迭代过程中的两个子问题(SP1和SP2)。
SP1是一个可行性检验问题(关于优先级限制)并产生可行性削减。
然而SP2则发现了最大负荷机器,它定
义周期时间和产生了最佳路径。
请注意,SP1包含一些可行性的辅助变量,yj,也就是
说,如果可=0,-(i,j)A,Ct和Zt分别为上限和下限。
4.3解决问题2
之前为问题1设计的算法对于问题2来说并不适用,因为不确定变量的数目不是固定的(每个工作站不是『)。
这取决于随着得带过程而改变的分配给工作站的总数。
此,我们给悲观水平模型引进了一个新的函数。
首先,重组后的方程(9)如下所示
卜Vk
(14)
j毛叭J丿
接下来,对于每个迭代t,定义了以下函数:
z(r,k)="
乂兄h,k=1,…K
(15)
通过函数-(t,k)解决了s£
后,接下来的不等式如下:
-t
然而,论文不等式当且仅当在最优解中,每个机器k包含至少j.^xjk个操作,以保
证这个条件以下约束插在每次迭代t中
匸1+£
/川丄)冷_|”苗+£
/疋加yrk
(17)
j€Mt
£
隊-切wMyrk
(18)
另应-谢十1WM(1-yft)
(19)
ytk{0,1}(20)
-1
在每步迭代中,如果机器k在最优解中至少包含Vj“xjk个操作,那么为了使ytk
等于0,一个二进制的变量ytk和分离约束方程(18)和(19)被插入,否则,它就会等
于1而且方程(17)就会变得多余。
参数M被定义为一个较大的数字而且设定为n-k+1<
值得注意的是尽管方程(8)和方程(9)是非线性的,但是因为变量x在每一步迭代中时固定的,因此该算法插入了线性不等式。
这就是我们迭代算法的优势。
另一个好处就是,无论是可行解还是最优解路径都会随需要增加,由于奔德斯分解收敛速度较慢,
一些加速机制被加到该算法以加速该算法。
431算法改进
在每一次迭代中,主要问题通过迭代的次数和时间来解决主要取决于效率。
此外,
从一个紧UB关键限制搜索空间。
考虑方面的论文,下面的增强策略建议。
此外,对搜索空间的限制需要一个较紧的上限。
考虑到这些方面,下面的提升策略被提出来。
1.多重路径:
为了减少迭代的次数,我们将多重路径插入迭代的每一步中。
我们决定
mt个工作站和在迭代t中添加mt个最优路径而不是是在迭代t中添加最优路径。
根据工作站书进行分类,ST、在周期时间中,那些执行时间超过100%的工作站被称为关键站,也就是CS5{kiSTk^C^,和m^CSt,其中CSt和Ct分别定义在迭代过程t中的关键工作站和周期t。
请注意,关键工作站可能是在随后的迭代过程中定义周期时间的。
在工作站次数变化非常低的情况下,插入多重路径是十分值得的。
这在操作次数变化较低的情况下是十分常见的,通过使用一些数据进行测试,如二10.85,0.90,0.95,0.97,0.99:
,最好的结果就可
以得出为=0.95
2.使用近似算法:
为了得出路径,所有主要问题的迭代都不需要得出最优结果,因为每个组要问题都是在近似的情况下解得的松弛答案,每个解决方案产生有效可见性和最优路径。
因此,对于较大的例子,在缩短方案中产生解决路径是有效的。
这就是
说,通过在对公差等级•1,,,5实验后得到的相对优化公差等级•3可以用来解决主要问题。
分支定界算法在每一次迭代和现有的解决方案中截断,所有这些是保证在3%的最优值。
如果最后主要问题迭代得到最优并且产生了可行解,那么解决方案就是最优的。
3.较严格上限:
之前的上限是在4.1部分中描述出来,这个界限是用较严格的上限来开始的。
除此之外,在每次迭代结束时就会获得一个上限,这个上限被用来消除变化和降低问题的规模。
5.实验结果
为了检测得出的算法,由肖勒和贝克尔提出的SALBP-2的随机实例的子集被使用。
我们考虑的测试中的子集包含有29-70个操作的规模。
更重要的是,为了精炼鲁棒模型,两个额外的参数被使用到:
鲁棒层次的[和二以及通过间隔长度定义的非确定性因子'
■非确定性因子是在统一分布间隔[0.1,0.5]之间产生的。
也就是说dj=「tj与'
[0.1,0.5]o其结果是,操作时间的间隔长短取决于正常时间,但是他们对于每个操作来说是随机生成的。
该算法在奔腾IV电脑(3GHz的2.5GB的内存)上运行和用C编程语言编写的。
优化软件CPLEX9是用来解决整数规划。
中小型实例可以得到最优解决,但是对于较大的例子,在第431节的解释的基于截断近似算法是一个很好的选择。
首先,我们探讨-对计算的影响。
图2显示的是以特定问题的实例N=35和K=6为代表的结果;
类似的模式在所有实例背观察到。
具有非常低或非常高的-更快地解决案件,因为该问题直达确定性问题。
最高的计算时间可以再这之间观察到。
问题1的结果在表2中表述出来,其中有操作数、工作站、以及当丨=3时用来解决实力的平均最长CPU运行时间。
计算上的工作站数有显著作用,这是因为由于决策变量的数目与工作站的数量增加。
对于给定的数据集(哈恩),结果为确定性和鲁棒模型在表3中表示出来。
比较平均CPU时间,我们就可以得出结论:
解决鲁棒问题(丨=3,=0.5)需要较大的计算量,因为在这个算法中需要更多的迭代和额外的优化路径。
图2•在CPU时间上悲观层次的影响
表2•对于问题1的标杆测试
作者
n
K
#1nst
CPUmin
CPUavg
CPUmax
Buxey
29
7-14
520
1992.63
3367
Gunther
35
6-15
115
2815.50
17.702
Hahn
53
3-10
552.50
1630
Killbridge
45
3-11
66
23082.78
65.212
Lutz1
32
8-12
5
313
1217.60
1716
Sawyer
30
1842
11367.75
31.362
Tonge
70
3-6
22
2275.25
7653