问题

瑞士纸张及包装纸生产商Model Group，业务遍布七个国家的15个地区，共有4500名员工。

他们位于瑞士魏因费尔登的工厂，每天有大约200个任务在19台不同的机器上生产。他们所有的日常日程安排都由4名生产规划人员完成，他们尽力为每天制定最佳时间表。这些规划人员依靠他们的经验来做出决定，但没有办法验证和比较他们设计的时间表，以了解哪个更好。

初始作业车间调度技术

规划人员希望改进他们的作业车间调度，使其更好、更高效。由于生产线系统元素之间的依赖关系，调度创建是一个复杂的过程。

解决方案

ProSim 是一家主要与制造和物流公司合作的公司，帮助他们使用数据和仿真做出更好的业务决策。他们还在研究人工智能驱动的仿真，因为他们看到了其中的巨大潜力。

为了解决 Model Group 提出的作业车间调度问题，ProSim 开发了一个 AnyLogic 仿真模型，其中包含不同的作业车间调度技术，为规划人员的调度提供反馈。

规划人员继续手动创建时间表，然后将其输入模型，每天进行比较和验证。因此，时间表每天都在改进。


在此之后，ProSim 决定在仿真模型中使用 AI智能体，以便在规划人员没有任何输入的情况下创建时间表。


这效果很好，并产生了良好的结果，但他们决定通过在仿真模型中使用遗传算法进行作业调度来进一步发展这一点。

遗传算法解决了基于自然选择的优化问题。这一代是由各有优缺点的个体组成的。因为这些，一些个体存活了下来，而一些没有。那些存活下来的个体试图产生新的变异个体，这些个体比以前的个体更强大、更好。在这之后，会有全新的一代，这个过程不断重复，直到再也没有更好的个体。在这种情况下，我们谈论的是作为个体的新时间表。

作业调度过程的第一步是在模型中随机生成时间表。每次发生此过程时，开始时都会生成大约 200 个调度。然后，使用遗传算法，每一代的时间表都会得到改进。

该模型通常会运行大约 100 代，每次都会减少计划的数量。最后，将提供最佳时间表。然后，用户可以查看仿真模型中的最佳解决方案，以更详细地了解生产调度、总设置时间、总生产时间和总延迟时间。

结果

在实施的作业车间调度技术中，遗传算法已被证明比人工智能驱动的仿真和人工调度产生更好的结果。根据模型组定义的 KPI，作业车间调度改进了 18%。目前，在仿真模型中已经使用遗传算法对三条生产线进行了建模，但计划在未来进行更多工作。ProSim还继续研究人工智能驱动的仿真和遗传算法，以进一步解决问题。

该案例研究由ProSim的Patrick Kehrli在2022年AnyLogic会议上展示。