Ամբողջ թվերի օպտիմալացման կիրառումը արտադրության պլանավորման մեջ
Արտադրության պլանավորումը գործառնությունների կառավարման հիմնական գործառույթ է, որը որոշում է, թե ինչ արտադրել, որքան արտադրել, երբ արտադրել և ինչպես պետք է ռեսուրսները բաշխվեն՝ շուկայական պահանջարկը ծախսարդյունավետ կերպով բավարարելու համար: Գործնականում արտադրական որոշումները հազվադեպ են «շարունակական» կամ անվերջ բաժանելի: Շատ որոշումներ դիսկրետ են. ակտիվացված մեքենաների քանակը պետք է լինի ամբողջ թիվ, նախատեսված աշխատողների քանակը՝ ամբողջ թիվ, արտադրական խմբաքանակների չափերը չեն կարող կիսով չափ կրճատվել, և արտադրության տեմպի ընտրությունը հաճախ սահմանափակվում է նվազագույն հզորությամբ: Ահա թե որտեղ է ամբողջ թվերի օպտիմալացումը դառնում հատկապես արդիական: Ամբողջ թվերի օպտիմալացման միջոցով ընկերությունները կարող են իրատեսորեն մոդելավորել դիսկրետ որոշումները և կազմել արտադրական պլաններ, որոնք կարող են իրականացվել դաշտում:
Ի՞նչ է ամբողջ թվերի օպտիմալացումը։
Ամբողջ թվերի օպտիմալացումը մաթեմատիկական օպտիմալացման այն ճյուղն է, որտեղ որոշ կամ բոլոր որոշման փոփոխականները սահմանափակված են ամբողջ թվերով: Եթե բոլոր փոփոխականները պետք է ամբողջ թվեր լինեն, ապա խնդիրը կոչվում է ամբողջ թվերի ծրագրավորում (IP): Եթե միայն որոշ փոփոխականներ պետք է ամբողջ թվեր լինեն, մինչդեռ մյուսները շարունակական են, ապա դա կոչվում է խառը ամբողջ թվերի ծրագրավորում (MIP): Արտադրության պլանավորման համատեքստում MIP-ն ամենից հաճախ օգտագործվում է, քանի որ որոշ որոշումներ, ինչպիսիք են արտադրության միավորների քանակը, պետք է ամբողջ թվեր լինեն, մինչդեռ այլ որոշումներ, ինչպիսիք են արտաժամյա ժամերի քանակը, կարող են դիտարկվել որպես շարունակական որոշակի միջակայքում:
Ամբողջ թվերի օպտիմալացման մոդելները սովորաբար ունեն երեք հիմնական բաղադրիչ՝ (1) նպատակային ֆունկցիա, օրինակ՝ արտադրության և պաշարների ընդհանուր ծախսերի նվազագույնի հասցնելը կամ շահույթի մեծացումը, (2) որոշման փոփոխականներ, օրինակ՝ մեկ ժամանակահատվածում արտադրված միավորների քանակը, մեքենայի միացման/անջատման վիճակը կամ հումքի գնման որոշումները, և (3) սահմանափակումներ, օրինակ՝ մեքենայի հզորությունը, աշխատուժը, հումքի առկայությունը, պահանջարկի մակարդակը, պաշարների սահմանափակումները և այլ գործառնական կանոններ։
Ինչո՞ւ է արտադրության պլանավորումը պահանջում ամբողջ թվերի փոփոխականներ։
Շատ արտադրական ընկերություններում որոշումները չեն կարող կայացվել կոտորակներով: Օրինակ, եթե ընկերությունը արտադրում է խմբաքանակներով, խմբաքանակի չափը պետք է լինի ամբողջ թիվ: Կոնկրետ մեքենան կարող է աշխատել միայն այն դեպքում, եթե այն լիովին սնուցվում է, ինչը պահանջում է երկուական փոփոխական (0–1)՝ «մեքենան միացված է» կամ «մեքենան անջատված է» վիճակը ներկայացնելու համար: Նույնը վերաբերում է նաև կարգավորման որոշումներին. երբ արտադրական գիծը անցնում է A արտադրանքից B արտադրանքի, կարգավորման ծախսերը և կարգավորման ժամանակը սովորաբար առաջանում են միայն այն դեպքում, եթե այդ արտադրանքի արտադրությունը տեղի է ունենում այդ ժամանակահատվածում: Երկուական փոփոխականների միջոցով մոդելը կարող է արձանագրել «կարգավորումը տեղի է ունեցել, թե ոչ» վիճակը:
Ամբողջ թվերի օպտիմալացումը նաև թույլ է տալիս ընկերություններին ավելի ճշգրիտ ներառել բարդ բիզնես կանոններ: Օրինակ՝ որակի կայունությունը պահպանելու համար արտադրության նվազագույն քանակները , նույն մեքենայով մեկ հերթափոխով երկու կոնկրետ արտադրանք արտադրելու արգելքները կամ առաջնահերթ հաճախորդների հետ պայմանագրերը կատարելու պարտավորությունը: Այս տեսակի կանոնները դժվար է ճշգրիտ ներկայացնել մաքուր գծային անընդհատ օպտիմալացման մեջ:
Արտադրական որոշումների տեսակները, որոնք հարմար են ամբողջ թվերի օպտիմալացմամբ մոդելավորման համար
Ամբողջ թվերի օպտիմալացումը կիրառվում է պլանավորման տարբեր մակարդակներում՝ ռազմավարականից մինչև գործառնական։ Դրա կիրառությունների որոշ օրինակներ են՝
1. Ագրեգատային պլանավորում
Հաշվի առնելով սեզոնային պահանջարկը՝ որոշեք արտադրության ընդհանուր ծավալը ըստ ժամանակահատվածի, պաշարների մակարդակը և աշխատուժի պահանջները: Ամբողջ թվերի փոփոխականները կարող են ներկայացնել վարձված/ազատված աշխատողների թիվը կամ ազատված հերթափոխերի քանակը:
2. Խմբաքանակի չափսերի որոշում և բազմաշրջանային արտադրության պլանավորում
Որոշում է, թե յուրաքանչյուր ապրանքից որքան է արտադրվում յուրաքանչյուր ժամանակահատվածում՝ պահանջարկը բավարարելու համար՝ միաժամանակ նվազագույնի հասցնելով արտադրության, տեղադրման և պահեստավորման ծախսերը: Երկուական փոփոխականը հաճախ օգտագործվում է ցույց տալու համար, թե արդյոք ապրանքը արտադրվում է տվյալ ժամանակահատվածում (տեղադրման ծախսերի ակտիվացում):
3. Մեքենայի ժամանակացույց
Արտադրության հաջորդականության որոշում և մեքենաներին աշխատանքների բաշխում՝ ժամանակի ավելացումը, ուշացումները կամ ծախսերը նվազագույնի հասցնելու համար: Այս մոդելը հաճախ օգտագործում է երկուական փոփոխական՝ որոշելու համար, թե արդյոք i աշխատանքը ավարտված է j աշխատանքից առաջ:
4. Հզորության և ներդրումների ընտրություն
Նոր մեքենաներ գնելու, արտադրական գիծ ավելացնելու կամ լրացուցիչ օբյեկտ բացելու նման որոշումների համար այս որոշումները սովորաբար դիսկրետ և բարձր արժեք ունեն, ուստի երկուական/ամբողջական փոփոխականները իդեալական են։
5. Նյութերի և բաղադրիչների պլանավորում (MRP օպտիմալացմամբ)
Բարդ նյութերի ցուցակներ (BOM) ունեցող ոլորտներում ամբողջ թվերի օպտիմալացումը օգնում է որոշել, թե երբ և քանի բաղադրիչ արտադրել կամ պատվիրել, միաժամանակ խուսափելով նյութերի պակասից և նվազեցնելով պաշարների ծախսերը։
Պարզ մոդելային կառուցվածքի օրինակ
Ավելի կոնկրետ՝ պատկերացրեք մի ընկերություն, որը արտադրում է երկու ապրանք՝ P1 և P2: Ընկերությունը ցանկանում է նվազագույնի հասցնել ընդհանուր ծախսերը, որոնք բաղկացած են արտադրական ծախսերից, տեղադրման ծախսերից և պաշարների պահպանման ծախսերից՝ երեք ժամանակահատվածների համար: Որոշման հիմնական փոփոխականներն են՝ յուրաքանչյուր ժամանակահատվածում արտադրված P1 և P2 քանակները (ամբողջ թվեր), յուրաքանչյուր ժամանակահատվածում վերջնական պաշարները (ամբողջ թվեր) և երկուական փոփոխական, որը ցույց է տալիս, թե արդյոք այդ ժամանակահատվածում արտադրվում է P1, թե P2 (տեղադրման ծախսերը ակտիվացնելու համար): Սահմանափակումները ներառում են՝ պաշարների մնացորդը (արտադրություն + սկզբնական պաշար – պահանջարկ = վերջնական պաշար), մեքենա-ժամյա հզորությունը յուրաքանչյուր ժամանակահատվածում և նվազագույն արտադրական սահմանափակում, եթե արտադրանքը գործարկվում է:
Հայեցակարգային առումով, նման մոդելը օգնում է պատասխանել կառավարչական տարածված հարցին. ավելի լավ է նախապես ավելի շատ արտադրել՝ կրկնակի կարգավորումներից խուսափելու համար, նույնիսկ եթե պահպանման ծախսերը աճում են: Կամ, ընդհակառակը, արտադրել պահանջարկի համաձայն՝ յուրաքանչյուր ժամանակահատվածում պաշարները ցածր պահելու համար, նույնիսկ եթե կարգավորման ծախսերը աճում են: Ամբողջ թվերի օպտիմալացումը կարող է գտնել լավագույն համադրությունը՝ հիմնվելով առկա ծախսերի և հզորությունների տվյալների վրա:
Ամբողջ թվերի օպտիմալացման առավելությունները արդյունաբերության համար
Ամբողջ թվերի օպտիմալացման հիմնական առավելությունը իրագործելի և իրատեսական լուծումներ ստանալու ունակությունն է: Անընդհատ մոդելներից ստացված լուծումները երբեմն ենթադրում են «12,7 խմբաքանակի» կամ «0,3 մեքենաների» արտադրություն, որոնք ակնհայտորեն անիրագործելի են: Ամբողջ թվերի սահմանափակումներով, արդյունքում ստացված արտադրական պլանը դառնում է անմիջապես կատարելի:
Բացի այդ, ամբողջ թվերի օպտիմալացումը թույլ է տալիս ընկերություններին անցկացնել կառուցվածքային սցենարային և զգայունության վերլուծություններ: Օրինակ, ընկերությունները կարող են ուսումնասիրել պահանջարկի փոփոխությունների, էներգիայի գների աճի, հումքի ուշացումների կամ լրացուցիչ տեղաշարժերի ազդեցությունը: Քանի որ մոդելը մաթեմատիկական և հստակ է, ենթադրությունների ցանկացած փոփոխություն կարող է ներառվել և արագորեն նոր լուծումներ մշակվել՝ խթանելով տվյալների վրա հիմնված որոշումների կայացումը :
Մրցակցային արդյունաբերական համատեքստում ամբողջ թվերի օպտիմալացումը նաև օգնում է նվազեցնել ընդհանուր ծախսերը և բարելավել հաճախորդների սպասարկման մակարդակը: Ավելի ճշգրիտ արտադրության պլանավորման միջոցով ընկերությունները կարող են կրճատել ավելցուկային պաշարները, նվազագույնի հասցնել ավելորդ արտաժամյա աշխատանքը, նվազագույնի հասցնել մեքենաների պարապուրդը և նվազեցնել առաքման ուշացումները:
Իրական աշխարհում ներդրման մարտահրավերներ
Իր հզորությանը չնայած, ամբողջ թվերի օպտիմալացումն ունի իր մարտահրավերները: Նախ, MIP խնդիրները կարող են շատ բարդ և հաշվողականորեն ժամանակատար լինել, հատկապես, եթե ապրանքների, ժամանակահատվածների, մեքենաների և սահմանափակումների քանակը մեծ է: Երկրորդ, լուծման որակը մեծապես կախված է տվյալների որակից. անճշտ տեղադրման ծախսերը, մեքենաների անիրատեսական հզորությունները կամ սխալ պահանջարկի տվյալները կարող են հանգեցնել դժվար իրականացվող ծրագրերի: Երրորդ, ոլորտում արտադրական պայմանների փոփոխությունները, ինչպիսիք են մեքենաների խափանումները կամ նյութերի ուշացումները, կարող են պահանջել սկզբնական պլանի արագ ճշգրտում:
Այս խնդիրը լուծելու համար ընկերությունները սովորաբար կիրառում են փուլային մոտեցում՝ սկսելով պարզ մոդելից, ստուգելով արդյունքները արտադրական թիմի հետ, ապա մեծացնելով մոդելի բարդությունը՝ տվյալների և գործընթացների հասունացմանը զուգընթաց: Շատ կազմակերպություններ նաև ժամանակային սահմանափակում են կիրառում լուծողի համար, թույլ տալով նրան ստանալ «բավականաչափ լավ» լուծում ընդունելի ժամանակահատվածում՝ փոխարենը սպասելու կատարյալ օպտիմալ լուծման:
Ծրագրային ապահովման և համակարգի ինտեգրում
Տեխնոլոգիական տեսանկյունից, ամբողջ թվերի օպտիմալացումը աջակցվում է տարբեր լուծիչների կողմից, ինչպիսիք են Gurobi-ն, CPLEX-ը և CBC-ն, և կարող է մոդելավորվել Python (PuLP, Pyomo), AMPL-ի կամ GAMS-ի նման մոդելավորման լեզուներով: Արդյունաբերական իրականացումներում մոդելները սովորաբար ինտեգրվում են ERP և MES համակարգերի հետ՝ հումքի, ժամանակացույցի և արտադրության արդյունքի տվյալները ավտոմատ կերպով հոսքային փոխանցելու համար: Այս ինտեգրումը կարևոր է ապահովելու համար, որ օպտիմալացումը դառնա ոչ միայն վերլուծական նախագիծ, այլև պլանավորման գործընթացի մաս :
Եզրակացություն
Ամբողջ թվերի օպտիմալացումը արժեքավոր գործիք է արտադրության պլանավորման մեջ, քանի որ այն կարող է մոդելավորել գործարանում իրականում տեղի ունեցող առանձին որոշումները՝ կարգավորումներ, խմբաքանակներ, աշխատուժ, մեքենայի վիճակներ և տարբեր գործառնական կանոններ: Մշակելով օբյեկտիվ ֆունկցիաներ և սահմանափակումներ, որոնք արտացոլում են իրական աշխարհի պայմանները, ընկերությունները կարող են ստեղծել արտադրական պլաններ, որոնք արդյունավետ, իրատեսական և հեշտ կատարելի են: Չնայած հաշվարկների և տվյալների որակի հետ կապված մարտահրավերներ կան, փուլային և ինտեգրված ներդրումը կարող է զգալի օգուտներ բերել՝ ավելի ցածր ծախսեր, ավելի լավ պաշարների վերահսկողություն և ավելի լավ հաճախորդների սպասարկում: Վերջիվերջո, ամբողջ թվերի օպտիմալացումը օգնում է արտադրության պլանավորումը վերափոխել պարզ ենթադրություններից չափելի, մոդելի վրա հիմնված որոշումների:
