Paralelní optimalizační algoritmy pro optimalizaci výroby

Abstract

Průmyslová výroba je založena na složitých procesech, které přímo ovlivňují výrobní kapacitu a celkové náklady. Není proto divu, že je snaha využít počítače k optimalizaci těchto procesů za účelem zlepšení rentability výroby. Optimalizace výrobních procesů je ovšem typicky velmi náročná na výpočetní zdroje, a tak je velmi výhodné použít vícejádrové procesory nebo grafické karty, od kterých lze typicky očekávat urychlení o jeden či dva řády, aby se nalezly lépe optimalizované procesy v daném časovém horizontu. Přechod k paralelní optimalizaci nicméně často vyžaduje nový návrh algoritmů a velmi dobrou znalost použité architektury. Z těchto důvodů nejsou paralelní algoritmy všeobecně používány v oblasti operačního výzkumu. Tato dizertační práce se zabývá návrhem nových paralelních algoritmů pro řešení dvou problémů, které jsou důležité pro optimalizaci výrobních procesů. První problém se týká optimalizace spotřeby robotických buněk, kde cíl je minimalizovat celkovou spotřebu energie bez dopadu na kapacitu výroby. Druhý problém je rozvrhování s omezenými zdroji, což je universální problém, jež najde uplatnění například v hutním průmyslu nebo v rozvrhování montážních hal. Výkonnost algoritmů byla ověřena na testovacích datech obsahujících optimalizační problémy. Experimenty ukázaly výbornou škálovatelnost a paměťovou efektivitu hybridní heuristiky a metody větví a mezí, které lze použít pro optimalizaci robotických buněk až s 12 roboty. Pro porovnání existující práce uvažovaly maximálně 4 roboty. Tabu Search algoritmus naproti tomu byl navržen pro grafické karty a jeho efektivita překonává ostatní existující implementace tohoto algoritmu. Algoritmy byly také použity k optimalizaci existující robotické buňky ve Škodě Auto. Změřená úspora 20 % energie naznačuje, že pokud by se optimalizace běžně používala v průmyslu, tak pak by to mělo pozitivní dopad na prostředí a ekonomiku. Tento výsledek podnítil další spolupráci s průmyslovými partnery (Blumenbecker, Škoda Auto), s kterými v rámci projektu eRobot pracujeme na integraci navržených algoritmů do softwaru pro virtuální zprovoznění robotických buněk. Integrace umožní snadné použití optimalizace širokému okruhu vývojářů robotických buněk.

The industrial production involves complex processes that directly determine the throughput and manufacturing cost, therefore, it is not surprising that there is a great demand for computer-aided optimization to improve the profitability. Such optimization is, however, typically computationally expensive, and therefore, it is very beneficial to use modern multi-core processors or graphics cards, which can accelerate the optimization about one to two orders of magnitude, in order to find better-optimized processes in a limited time. The transition to the parallel optimization, however, often requires the redesign of the algorithms and good knowledge of architecture. For that reason, it cannot be taken as granted in Operations Research. In this thesis, we propose novel parallel algorithms to solve two problems that are important to optimize production processes. The first problem is the energy optimization of robotic cells which goal is to minimize the total energy consumption without any deterioration in the throughput. The second problem is the Resource Constrained Project Scheduling Problem that is a universal problem applicable in, e.g., the metallurgical industry and assembly shop scheduling. The performance of our algorithms was verified on benchmark datasets. The experiments revealed that the Hybrid Heuristic and Branch & Bound algorithm can optimize industrial-sized robotic cells with up to 12 robots, compared to the existing works where 4 robots were considered at maximum. The Tabu Search algorithm, on the other hand, is designed for graphics cards and its performance is superior to other existing Tabu Search implementations. Besides the benchmarks, the outcomes were also used to optimize an existing robotic cell from Škoda Auto with the result of 20 % energy saving, which indicates that if the optimization is widely used in industry, it will improve the environmental and financial sustainability. The cooperation with industrial partners (Blumenbecker, Škoda Auto) continues within the eRobot project, which main goal is to integrate the proposed algorithms into the digital factory software in order to make the optimization accessible to designers of robotic cells.