Smart and sustainable flow-shop scheduling problems: Scenario-based robust optimization and strong heuristics

Fathollahi-Fard, Amir M. (2023). Smart and sustainable flow-shop scheduling problems: Scenario-based robust optimization and strong heuristics. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

This Ph.D. thesis is dedicated to the development of a smart and sustainable approach to the Distributed Permutation Flow Shop Scheduling Problem (DPFSP) through the utilization of practical optimization models, efficient reformulations, heuristics, and advanced metaheuristics. The DPFSP is an extension of the Permutation Flow Shop Scheduling Problem (PFSP) and serves as its foundational model. The key distinction between the DPFSP and the PFSP lies in their respective scheduling scopes. While the PFSP focuses on scheduling tasks within a single plant, the DPFSP addresses the more complex challenge of scheduling tasks across multiple distributed factories.

While prior research has made contributions to the field of DPFSP, this Ph.D. project stands out by incorporating the concepts of sustainability, real-time scheduling, and scenario-based robust optimization into the DPFSP framework. The primary objective of this research is to integrate environmental and social criteria based on the Triple Bottom Line (TBL) to meet the guidelines of the Sustainable Development Goals (SDGs). By considering criteria such as energy consumption, job opportunities, and lost workdays, a multi-objective optimization model and an efficient multi-objective metaheuristic algorithm are developed.

Another critical research gap in the field of production scheduling involves the intelligent collection, analysis, and conversion of data into actionable information using real-time decision-making strategies for production systems. In response to this grand challenge, the second objective of this Ph.D. project is to address the uncertainty in the DPFSP by modeling it within the real-time optimization framework of Industry 4.0. A real-time optimization approach is proposed to handle task reassignment to machines under uncertain process times, new task arrivals, or planned machine breakdowns. By incorporating the concepts of Industry 4.0, a comprehensive optimization model using different manual and automated modes of production is proposed and various real-time scheduling strategies and policies are examined into this model. For solving it, constructive heuristics, Lagrangian relaxation and Benders decomposition reformulations are studied.

While the second objective addresses uncertainty to some extent, the third objective utilizes a scenario-based robust optimization approach to efficiently address uncertainty in the DPFSP by considering all possible scenarios. The final objective of this Ph.D. project is to address the challenges of the smart and sustainable DPFSP through the development of a comprehensive optimization framework. This framework combines a scenario-based robust optimization model and an advanced metaheuristic algorithm based on adaptive large neighborhood search (ALNS) using various heuristic and local search algorithms. By employing a scenario-based robust optimization approach, the framework considers a range of possible scenarios that may arise due to various disruptions in production schedules. These disruptions can include machine breakdowns, arrival of new tasks, or variations in task processing times. By incorporating these uncertainties into the optimization process, the framework enables the identification of schedules that are robust and resilient to unforeseen circumstances.

Overall, this Ph.D. project represents a significant advancement in the field of DPFSP by leveraging the principles of sustainability, real-time scheduling, and robust optimization. Through the application of practical optimization models, efficient reformulations, heuristics, and metaheuristics, this research aims to address the unique challenges posed by scheduling tasks across distributed factories. By contributing to the development of smarter and more sustainable production systems, this work has far-reaching implications for the field and industry as a whole.

Titre traduit

Problèmes d'ordonnancement des magasins de flux intelligents et durables: scenario optimisation robuste et heuristique forte

Résumé traduit

Cette thèse de doctorat est consacrée au développement d'une approche intelligente et durable au problème d'ordonnancement de permutation d'ateliers distribués (DPFSP) en utilisant des modèles d'optimisation pratiques, des reformulations efficaces, des heuristiques et des métaheuristiques avancées. Le DPFSP est une extension du problème d'ordonnancement de permutation d'ateliers (PFSP) et sert de base au problème proposé. La principale distinction entre le DPFSP et le PFSP réside dans leurs domaines d'ordonnancement respectifs. Alors que le PFSP se concentre sur l'ordonnancement des tâches au sein d'une seule usine, le DPFSP relève le défi plus complexe de l'ordonnancement des tâches distribuées dans plusieurs usines. Bien que des recherches antérieures aient contribué au domaine du DPFSP, ce projet de doctorat se distingue en intégrant les concepts de durabilité, d'ordonnancement en temps réel et d'optimisation robuste dans le cadre du DPFSP. L'objectif principal de cette recherche est d'intégrer des critères environnementaux et sociaux basés sur le Triple Bilan (TBL) afin de respecter les lignes directrices des objectifs de développement durable. En tenant compte de critères tels que la consommation d'énergie, les opportunités d'emploi et les jours de travail perdus, un modèle d'optimisation multi-objectif et un algorithme métaheuristique multi-objectif efficace sont développés.

Une autre lacune majeure dans le domaine de l'ordonnancement de la production concerne la collecte intelligente, l'analyse et la conversion des données en informations exploitables dans des stratégies de prise de décision en temps réel pour les systèmes de production. En réponse à ce grand défi, le deuxième objectif de ce projet de doctorat est de traiter l'incertitude dans le DPFSP en le modélisant dans le cadre d'optimisation en temps réel de l'industrie 4.0. Une approche d'optimisation en temps réel est proposée pour gérer la réattribution des tâches aux machines en tenant compte des temps de traitement incertains, de l'arrivée de nouvelles tâches ou des pannes de machines. En incorporant les concepts de l'industrie 4.0, un modèle d'optimisation complet utilisant différents modes de production manuels et automatisés est proposé, et diverses stratégies et politiques d'ordonnancement en temps réel sont examinées dans ce modèle. Pour le résoudre, des heuristiques constructives, des relaxations lagrangiennes et des reformulations de décomposition de Benders sont étudiées.

Alors que le deuxième objectif aborde l'incertitude dans une certaine mesure, le troisième objectif utilise une approche d'optimisation robuste basée sur des scénarios pour traiter efficacement l'incertitude dans le DPFSP en considérant tous les scénarios possibles. L'objectif final de ce projet de doctorat est de relever les défis du DPFSP intelligent et durable grâce au développement d'un cadre d'optimisation complet. Ce cadre combine un modèle d'optimisation robuste basé sur des scénarios et un algorithme métaheuristique avancé basé sur la recherche locale adaptative du voisinage (ALNS) en utilisant diverses heuristiques et algorithmes de recherche locale. En utilisant une approche d'optimisation robuste basée sur des scénarios, le cadre examine toute une gamme de scénarios possibles pouvant survenir en raison de diverses perturbations dans les horaires de production. Ces perturbations peuvent inclure des pannes de machines, l'arrivée de nouvelles tâches ou des variations des temps de traitement des tâches. En incorporant ces incertitudes dans le processus d'optimisation, le cadre permet d'identifier des horaires robustes et résilients aux circonstances imprévues.

Dans l'ensemble, ce projet de doctorat représente une avancée significative dans le domaine du DPFSP en tirant parti des principes de durabilité, d'ordonnancement en temps réel et d'optimisation robuste. Grâce à l'application de modèles d'optimisation pratiques, de reformulations efficaces, d'heuristiques et de métaheuristiques, cette recherche vise à relever les défis uniques posés par l'ordonnancement des tâches dans des usines distribuées. En contribuant au développement de systèmes de production plus intelligents et durables, ce travail a des implications considérables pour le domaine et l'industrie dans son ensemble.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 207-218).
Mots-clés libres:	production intelligente, production durable, ateliers de permutation distribués, métaheuristiques
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Woodward, Lyne
Codirecteur:	Codirecteur Akhrif, Ouassima
Programme:	Doctorat en génie > Génie
Date de dépôt:	11 sept. 2024 15:57
Dernière modification:	11 sept. 2024 15:57
URI:	https://espace.etsmtl.ca/id/eprint/3361

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt