1 / 18

Lineaarisen optimointitehtävän formulointi

Lineaarisen optimointitehtävän formulointi. 2.12.2009 Eeva Vilkkumaa. Ohjelma. Joustavan ja ohittavan vuolaitosmallin skedulointi Luentojen aikataulutus Ohion yliopistossa. Joustava ja ohittava vuolaitosmalli. Joustava vuolaitosmalli Työt käyvät läpi useita työpisteitä

virote
Download Presentation

Lineaarisen optimointitehtävän formulointi

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Lineaarisen optimointitehtävän formulointi 2.12.2009 Eeva Vilkkumaa

  2. Ohjelma • Joustavan ja ohittavan vuolaitosmallin skedulointi • Luentojen aikataulutus Ohion yliopistossa

  3. Joustava ja ohittava vuolaitosmalli • Joustava vuolaitosmalli • Työt käyvät läpi useita työpisteitä • Työpisteiden kiertojärjestys sama kaikille töille • Jonojen järjestys voi muuttua työpisteiden välillä • Kullakin pisteellä voi olla useita rinnakkaisia koneita • Ohitus mahdollista • Rajoitettu määrä erilaisia tuotetyyppejä • Valmistusprosessi on syklinen, joten yritetään maksimoida suoritusteho

  4. Joustava ja ohittava vuolaitiosmalli • Esitelmä 7 (Jarno Ruokokoski); Flexible flow line loading (FFLL) -heuristiikalla • Koneiden allokointivaihe (LPT-heuristiikalla) • Töiden järjestelyvaihe (Dynaamisen tasapainotuksen heuristiikka; pyritään pitämään kukin kone yhtä työllistettynä) • Julkaisuajan ajastus (työnnetään pullonkaulakoneita edeltävien/seuraavien koneiden töitä mahdollisimman paljon myöhemmäksi/aiemmaksi) • Tavoitteet: • Suoritustehon maksimointi • WIP-varaston minimointi

  5. Joustava ja ohittava vuolaitosmalli:Sekalukuformulointi (MIP) • Parametrit n = Töiden lkm L = Työvaiheiden lkm Ml = Rinnakkaisten koneiden lkm vaiheessa l pjl = Työn j prosessointiaika vaiheessa l • Päätösmuuttujat: = 1, jos työ i prosessoidaan koneella k välittömästi työn j jälkeen vaiheessa l; muuten 0 = 1, jos työ i prosessoidaan ensimmäisenä koneella k vaiheessa l; muuten 0 = 1, jos työ i prosessoidaan viimeisenä koneella k vaiheessa l; muuten 0 Cjl= työn j valmistumishetki vaiheesta l Cmax= Hetki, jolloin kaikki työt valmiina kaikista vaiheista

  6. Joustava ja ohittava vuolaitosmalli:MIP-formulointi Kussakin vaiheessa kullekin työlle 1-käs. kone, jolla ko. työ prosessoidaan joko ensin tai jonkin toisen työn jälkeen Kussakin vaiheessa, jos työ i prosessoidaan koneella k, on sillä tasan 1 seuraaja (tai viimeisenä) Jos työ h prosessoidaan vaiheessa l koneella k, on sillä tasan yksi edeltäjä ja yksi seruaaja (tai ensimmäinen/viimeinen) Kussakin vaiheessa kukin kone aloittaa ja lopettaa jollakin työllä

  7. Vaiheen 1 kunkin koneen ensimmäisen työn valmistumisaika on vähintään prosessointiaika Kussakin vaiheessa kunkin työn valmistumisaika on vähintään saman koneen edellisen työn valmistumisaika + oma prosessointiaika Kussakin vaiheessa kunkin työn valmistumisaika on vähintään ko. työn valmistumisaika edellisestä vaiheesta + prosessointiaika tässä vaiheessa Makespanin sisällä tulee saada kaikki työt kaikista vaiheista läpi Binäärimuuttuja Valmistumishetket ei-negatiivisia

  8. Esimerkki • Kolme vaihetta, 5 työtä • Vaiheissa 1 ja 3 kaksi konetta, vaiheessa yksi kone • Prosessointiajat

  9. FFLL vs. MIP t 0 10 20 30 32

  10. Luentojen aikataulutus • Esitelmä 13 (Lauri Talvikoski); kalifornialainen yliopisto • 30 000 opiskelijaa, 80 laitosta, 4000 luentoa/lukukausi, 250 luokkahuonetta • Tavoitteita • Luokka lähellä professorin työhuonetta • Opiskelijan saman päivän luennot lähekkäin • Salin koko suhteessa opiskelijoiden lkm jne jne • Voidaan formuloida MIP:nä • Kuitenkin 500 000 muuttujaa, 30 000 rajoitetta • Tällä hetkellä laskentateho riittää n. 7000 muuttujan IP-tehtäviin

  11. Luentojen aikataulutus:Ohion yliopisto • Ohion University College of Business • 65-75 opettajaa • 110-130 kurssia • 14-16 luokkahuonetta • Kurssien aikatauluttamiseen ja luokkahuonejakoon käytetty MIP-mallia vuodesta 1998 • 1900-2400 binäärimuuttujaa • 10-150 jatkuvaa • 1600-1900 rajoitetta • 13000-17000 nollasta poikkeavaa alkiota kerroinmatriisissa (tiheys n. 0.4%) • Optimiratkaisu CPLEXillä (600MHz Pentium PC) 2-5 sekunnissa

  12. Luentojen aikataulutus:Ohion yliopisto • Tavoitteita: • Opettajilla preferenssejä kurssien, luokkahuoneiden ja aikapaikkojen suhteen • Pyritään löytämään mahdollisimman hyvä aikataulutus opettajien ”tärkeyksillä” painotettujen preferenssien valossa • Minimoidaan lisäksi seuraavia • Kurssi kotirakennuksen ulkopuolella • Päivässä liian vähän opetusta • Laitoksella suhteettoman paljon opetusta kotirakennuksen ulkopuolella • Opettajalla opetusta kotirakennuksen ulkopuolella

  13. Luentojen aikataulutus:Ohion yliopisto • Rajoitteita: • Opettajan tulee opettaa määrätty määrä kursseja, ei kuitenkaan useampaa samaan aikaan • Yhdessä luokassa vain yksi kurssi yhdellä kertaa • Opettaja saattaa haluta rajoittaa opetuspäivien määrää • Opettaja ei välttämättä halua opettaa kahdella peräkkäisellä aikapaikalla • Opettaja saattaa haluta opettaa joko aamu- tai iltapäivällä, muttei molempina; ym. poissuljettuja aikapaikkayhdistelmiä • Osaa kursseista vetää useampi opettaja yhdessä • Joitakin kursseja ei tule pitää samaan aikaan

  14. Luentojen aikataulutus yliopistossa • Päätösmuuttujat: xijkl: 1, jos opettaja i opettaa kurssia j salissa k aikapaikalla l; muuten 0 mjkl: 1, jos moniopettajakurssi j pidetään salissa k aikapaikalla l; muuten 0 ri: Kuinka monta kurssia opettaja i joutuu pitämään kotirakennuksen ulkopuolella yj: Kuinka monta opettajaa kurssilla j joutuu opettamaan kotirakennuksen ulkopuolella zs: Kuinka monta kurssia jää uupumaan päivän s vähimmäismäärästä uh: Kuinka monta laitoksen h kurssia joutuu kotirakennuksen ulkopuolelle sallitun enimmäismäärän lisäksi vis: 1, jos päivä s opetusvapaa opettajalle i; muuten 0 wiq: 1, jos aikapaikka q opetusvapaa opettajalle i; muuten 0

  15. Luentojen aikataulutus yliopistossa Maksimoidaan opettajien kurssi-, luokka- ja aikapaikkapreferenssien painotettua summaa käypien allokaatioiden yli Kurssin j kotirakennusopettajien lkm yhtyy suunniteltuun Ij, tai alittuu määrällä yj. Minimoidaan kotirakennuksen ulkopuolelle joutuvien opettajien kursseittain painotettua summaa… …, päivittäisen minimikurssimäärän alle jäämistä …, toiseen rakennukseen asetettujen kurssien max-määrän ylitystä laitoksittain …sekä suunnitellun opetusmäärän alittumista (kotirakennuksessa) opettajittain Hetkellä t salissa k opetetaan enintään yhtä kurssia, mikäli sali on saatavilla (RA binääri) Opettajalle ei laiteta opetusta vapaapäiville / vapaille aikapaikoille eikä peräkkäisiin aikapaikkoihin Joukon G(p) kursseja ei saa opettaa samaan aikaan

  16. Luentojen aikataulutus yliopistossa Kunakin päivänä pyritään opettamaan vähintään Csminkpl kursseja Opettajan poissulkemat aikapaikkayhdistelmät Opettajan i opetusvapaiden päivien tulee summautua pyydettyyn määrään TFDi Laitoksen h kurssien kokonaisopettajavaje (kotirakennuksessa) pyritään saamaan alle luvun Chmax Kullekin opettajalle pyritään antamaan ”täysi” kurssimäärä Ci kotirakennuksessa Jos moniopettajakurssille on asetettu vähintään yksi opettaja, pätee mjkl=1

  17. Yhteenveto • Esitettiin MIP-formuloinnit kahdesta kurssilla käsitellystä skedulointitehtävästä • MIP-ratkaisijalla päästään optimaaliseen ratkaisuun, mutta tehtävän koon kasvaessa laskentatehon rajoitukset tulevat vastaan • Käytössä kuitenkin esim. Ohion yliopiston College of Businessin lukujärjestyksen laatimisessa

  18. Lähteet Guinet, A., Solomon, M.M., Kedia, P.K., Dussauchoy, A., (1996). A computational study for two-stage flexible flowshops, International Journal of Production Research, Vol. 34, pp. 1399-1415. Kis, T., Pesch, E., (2005). A review of exact solution methods for the non-preemptive multiprocessor flowshop problem, European Journal of Operatinoal Research, Vol. 164, pp. 592-608. Martin, C.H., (2004). Ohio University’s College of Business Uses Integer Programming to Schedule Classes, Interfaces, Vol. 34, pp. 460-465.

More Related