Scheduling in Hybrid Flow Shop manufacturing systems

Hybrid flow shop (HFS) is a common production system architecture applied in many industrial fields. The scheduling problem in HFS attracts many attentions due to its strong relevance to industry. But, a gap between research and industrial application exists because of the complexity of real production systems. For example, typical consideration of identical parallel machines does not hold in practice when the machines are based on different processing technologies; common throughput-oriented objective functions loss their priorities in make-to-order environments; last but not the least, the multi-objective nature of production scheduling requires the ability to improve several KPIs simultaneously. Nowadays, researches are dealing with the scheduling problems taking into considerations more critical features of the production systems and more practical objective functions. This work aims at solving the scheduling problems in HFS with practical features. It can be divided into three research phases, each tackles different aspect of the decision-making procedure in production scheduling. At the first phase, with the consideration of unrelated machines and machine eligibility constraints, the goal is to optimize the total tardiness for guaranteeing on-time delivery. At the second phase, sequence-dependent setup, a critical feature presents in many HFS systems, is included into the HFS model, and the goal is to optimize multi-objective of total tardiness and total setup times. This allows the manufacturing companies respecting due-dates while reducing non-value-added activities. Generally, the solution for multi-objective scheduling problem is a set of alternatives non-dominated by each other. To select the final solution, a decision making process is needed. At the last phase, the group decision making problem is tackled. This helps a group of decision makers with different expertise and preference to reduce their opinion incompatibility and to reach a common solution. The contributions of this work are summarized as follows. Firstly, to solve the single objective HFS scheduling problem, a new decoding method is proposed, which provides a new way to construct the schedule from a job permutation. This method shows advantages for optimizing the total tardiness objective due to its ability to obtain tight schedule meanwhile maintaining the priorities of hot jobs during the schedule construction. The decoding method is coupled with an ad-hoc genetic algorithm to solve the scheduling problem. Comparisons with state-of-art algorithms show the efficiency of the proposed genetic algorithm. Secondly, to solve the multi-objective HFS scheduling problem with sequence-dependent setups, the proposed decoding method is extended to several versions by integrating different machine selection policies. Considering the fact that different decoding methods map the decision space to distinct regions of the objective space, a multi-decoding framework is proposed to (1) allow the genetic algorithm adjusting the applied decoding method during the runtime according to user preference; (2) allow the multi-objective genetic algorithm to search different objective space regions simultaneously to obtain a wider non-dominated front. Finally, to solve the group decision making problem, a consensus reaching model is proposed. This consensus model allows the preference information abstracted from objective space and the specification of an indifference zone which is able to represent the vagueness in human decision making meanwhile facilitate the consensus reaching procedure. Numerical experiments as well as a case study have shown the usefulness of the proposed consensus model.

Hybrid flow shop (HFS) è un'architettura di sistema di produzione comune applicata in molti settori industriali. Il problema di pianificazione in HFS attira molte attenzioni a causa della sua forte rilevanza per l'industria. Ma esiste una lacuna tra la ricerca e l'applicazione industriale a causa della complessità dei sistemi di produzione reali. Ad esempio, la considerazione tipica di macchine parallele identiche non vale in pratica quando le macchine si basano su tecnologie di elaborazione differenti; le comuni funzioni obiettivo orientate al throughput perdono le loro priorità in ambienti "fai-da-ordine"; ultimo ma non meno importante, la natura multi-obiettivo della schedulazione della produzione richiede la capacità di migliorare diversi KPI contemporaneamente. Oggigiorno, le ricerche si occupano dei problemi di schedulazione tenendo conto di caratteristiche più critiche dei sistemi di produzione e di funzioni oggettive più pratiche. Questo lavoro mira a risolvere i problemi di pianificazione in HFS con funzionalità pratiche. Può essere diviso in tre fasi di ricerca, ciascuna affronta diversi aspetti della procedura decisionale nella programmazione della produzione. Nella prima fase, con la considerazione delle macchine non collegate e dei vincoli di idoneità della macchina, l'obiettivo è ottimizzare il ritardo totale per garantire la consegna puntuale. Nella seconda fase, l'impostazione dipendente dalla sequenza, una caratteristica critica presente in molti sistemi HFS, è inclusa nel modello HFS e l'obiettivo è quello di ottimizzare il multi-obiettivo del ritardo totale e dei tempi di configurazione totali. Ciò consente alle aziende manifatturiere di rispettare le scadenze riducendo al contempo le attività a valore aggiunto. In generale, la soluzione per il problema di scheduling multi-obiettivo è un insieme di alternative non dominate l'una dall'altra. Per selezionare la soluzione finale, è necessario un processo decisionale. Nell'ultima fase, viene affrontato il problema decisionale del gruppo. Ciò aiuta un gruppo di responsabili delle decisioni con competenze e preferenze diverse a ridurre la loro incompatibilità di opinione ea raggiungere una soluzione comune. I contributi di questo lavoro sono riassunti come segue. In primo luogo, per risolvere il problema di schedulazione HFS a obiettivo singolo, viene proposto un nuovo metodo di decodifica, che fornisce un nuovo modo di costruire la pianificazione da una permutazione del lavoro. Questo metodo mostra i vantaggi per l'ottimizzazione dell'obiettivo di rallentamento totale grazie alla sua capacità di ottenere un programma serrato nel frattempo mantenendo le priorità dei lavori caldi durante la costruzione del programma. Il metodo di decodifica è abbinato a un algoritmo genetico ad hoc per risolvere il problema di schedulazione. I confronti con algoritmi allo stato dell'arte mostrano l'efficienza dell'algoritmo genetico proposto. In secondo luogo, per risolvere il problema di scheduling HFS multi-obiettivo con configurazioni dipendenti dalla sequenza, il metodo di decodifica proposto è esteso a diverse versioni integrando diverse politiche di selezione della macchina. Considerando il fatto che i diversi metodi di decodifica mappano lo spazio decisionale a regioni distinte dello spazio obiettivo, viene proposta una struttura multi-decodifica per (1) consentire all'algoritmo genetico di regolare il metodo di decodifica applicato durante il runtime in base alle preferenze dell'utente; (2) consentire all'algoritmo genetico multi-obiettivo di cercare contemporaneamente diverse regioni dello spazio oggettivo per ottenere un fronte più ampio e non dominato. Infine, per risolvere il problema decisionale del gruppo, viene proposto un modello di raggiungimento del consenso. Questo modello di consenso consente che le informazioni sulle preferenze astratte dallo spazio oggettivo e le specifiche di una zona di indifferenza che è in grado di rappresentare l'indeterminatezza nelle decisioni umane facilitino nel frattempo la procedura di raggiungimento del consenso. Esperimenti numerici e casi di studio hanno dimostrato l'utilità del modello di consenso proposto.