Dissertação
Scheduling of Flexible Job Shop Problem in Dynamic Environments EVALUATED
A capacidade de recolher, armazenar e trabalhar dados nunca foi tão grande. Este novo paradigma está a mudar a indústria. Com as decisões certas, suportadas por dados, a possibilidade de diminuir custos e aumentar a eficiência das fábricas podem vir a mudar todo a estrutura das empresas. Dentro da Indústria 4.0, o escalonamento em ambiente dinâmico é uma das grandes oportunidades. Com conhecimento do estado da fábrica, o escalonamento pode passar a ser feito em tempo real, optimizando não só o comportamento esperado como adaptando-o conforme o estado actual. Dois métodos de planeamento foram usados: Programação Linear com Inteiros, MILP, e um algoritmo genético com procura local, hGAJobs. O MILP proposto não conseguiu resolver problemas com 10 ordens, 10 operações cada e 10 máquinas. Ainda assim, conseguiu resolver problemas de menores dimensões. O algoritmo genético proposto, hGAJobS, combina diferentes métodos de geração de população inicial e de criação de futuras gerações, com um sistema de codificação que garante soluções na região exequível. O algoritmo proposto junta ainda um método de procura local. O hGAJobs foi aplicado em datasets de produção flexível e obteve uma boa performance em comparação com outros algoritmos genéticos existentes. Para reagir a situações dinâmicas dois algoritmos multi-agentes inspirados em formigas são apresentados. O primeiro com uma arquitectura autónoma, AABS. Devido à miopia associada a arquitecturas autónomas, uma nova abordagem sob uma arquitectura mediada é proposta, MABS. Após testes do algoritmo AABS em problemas conhecidos, este é comparado com o algoritmo MABS.
novembro 24, 2017, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Susana Margarida da Silva Vieira
Departamento de Engenharia Mecânica (DEM)
Prof Auxiliar Convidado
ORIENTADOR
Departamento de Engenharia Mecânica (DEM)
Professor Catedrático