Resource-Constrained Project Scheduling Problem s optimalizací spotřeby elektrické energie

Abstract

V této práci studujeme Resource-Constrained Project Scheduling Problem (RCPSP) s omezeními a kritérii spojenými se spotřebou (elektrické) energie. Rozšiřujeme Multi-Mode RCPSP (MMRCPSP) variantu tak, že je uvažována různá spotřeba energie aktivit na základě jejich módu, limity maximální nasmlouvané energie a hodinová Time-of-Use cena elektřiny. Formulujeme a studujeme dva podobné problémy, kde celková spotřeba energie je buď omezena tvrdým limitem na rozpočet nebo zkombinována s makespanem projektu ve váženém lineárním kritériu. Pro řešení těchto problémů jsou navrženy a implementovány Constraint Programming (CP) modely a genetický algoritmus (GA), který rozšiřuje existující dobře performující GA pro RCPSP na naše problémy. Dále navrhujeme machine learning model pro další zlepšení výběru módu aktivity v GA a konstruujeme hybridní přístup, ve kterém GA warm-startuje CP model. Pro vyhodnocení navržených metod jsou vytvořeny nové datasety vycházející z existujících MMRCPSP benchmark datasetů PSPLIB a MMLIB. V experimentech analyzujeme optimalitu exaktních přístupů, porovnáváme různé metody vytváření počáteční generace pro GA, studujeme přínos použití machine learning modelu v GA a vyhodnocujeme všechny navržené přístupy na sadách instancí o různé velikosti.

In this thesis, we study the Resource-Constrained Project Scheduling Problem (RCPSP) with the constraints and criteria related to (electrical) energy consumption. We extend the Multi-Mode RCPSP (MMRCPSP) variant so that the different energy consumption of activities based on their mode, maximum contracted energy limits, and hourly Time-of-Use electricity prices are considered. We formulate and study two similar problems, where the total energy cost is either restricted by a hard budget limit or combined with the project makespan in the weighted linear combination criterion. Constraint Programming (CP) models and a Genetic Algorithm (GA) extending an existing good-performing GA for RCPSP to our problems are proposed and implemented to solve these problems. Furthermore, for extra tuning of the activity mode selection in the GA, we propose a machine learning model. We also construct a hybrid approach, in which the GA warm-starts the CP model. For the evaluation of the proposed methods, new datasets are created based on the existing MMRCPSP benchmark datasets PSPLIB and MMLIB. In the experiments, we analyze the optimality of the exact approaches, compare different initial generation creation methods for the GA, study the benefits of the use of the machine learning model in the GA, and evaluate all proposed approaches on instance sets of different sizes.