Методы искусственного интеллекта для краткосрочного планирования на примере процесса отпуска нефтепродукта
(Стр. 37-47)
Подробнее об авторах
Игнатьев Юрий Васильевич
аспирант, .
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Афанасьев Геннадий Иванович кандидат технических наук, доцент; доцент; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Московский государственный технический университет имени Н.Э. Баумана
г. Москва, Российская Федерация Афанасьев Геннадий Иванович кандидат технических наук, доцент; доцент; Московский государственный технический университет имени Н.Э. Баумана; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В статье представлен критический аналитический обзор применения методов искусственного интеллекта в области теории расписаний, проведенный на примере ограничений проблемы краткосрочного планирования в процессе отпуска нефтепродуктов с нефтебаз автомобильным транспортом. Цель исследования заключалась в систематизации и оценке существующих подходов к решению задач планирования с учетом специфических временных ограничений, к которым относится процесс отпуска нефтепродукта. В ходе исследования проанализированы точные и приближенные методы решения задач теории расписаний, включая эвристические алгоритмы и подходы на основе искусственных нейронных сетей. Установлено, что существующие методы имеют существенные ограничения при решении задач полу-онлайн планирования. Результаты исследования демонстрируют необходимость разработки нового метода, способного оперативно перестраивать расписания с учетом непрогнозируемых изменений, возникающих в ходе процесса отпуска нефтепродукта. Результаты исследования демонстрируют перспективность развития методов искусственного интеллекта для решения задач краткосрочного планирования.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Игнатьев Ю.В., Афанасьев Г.И. Методы искусственного интеллекта для краткосрочного планирования на примере процесса отпуска нефтепродукта // Computational Nanotechnology. 2025. Т. 12. № 2. С. 37-47. DOI: 10.33693/2313-223X-2025-12-2-37-47. EDN: QHHQAP
Список литературы:
Канторович Л. Математические методы организации и планирования производства. Л.: Изд-во Ленинградского гос. ун-та, 1939.
Кривошеев О.В. Технология распределения ресурсов производственных систем в условиях неполноты данных для высокотехнологичных отраслей промышленности: дис. … канд. техн. наук. Саров, 2022.
Кротов К.В. Математические модели и методы многоуровневой оптимизации расписаний многостадийных процессов с адаптацией: дис. … д-ра техн. наук. Севастополь, 2022.
Лазарев А.А., Гафаров Е.Р. Теория расписаний задачи и алгоритмы. М.: Физический факультет МГУ, 2011. 222 с.
Лазарев А.А. и др. Теория расписаний. Задачи железнодорожного планирования. М.: ИПУ РАН, 2021. 92 с.
Танаев В.С., Шкурба В.В. Введение в теорию расписаний / под ред. Б.Д. Юдина. М.: Наука, 1975. 256 с.
Agnetis A. et al. Fifty years of research in scheduling – theory and applications // Eur. J. Oper. Res. 2025. DOI: 10.1016/j.ejor.2025.01.034.
Bellman R. Mathematical aspects of scheduling theory // Journal of the Society for Industrial and Applied Mathematics. 1956. Vol. 4. No. 3. DOI: 10.1137/0104010.
Blackstone J.H., Phillips D.T., Hogg G.L. A state-of-the-art survey of dispatching rules for manufacturing job shop operations // Int. J. Prod Res. 1982. Vol. 20. No. 1. DOI: 10.1080/00207548208947745.
Brucker P. Scheduling algorithms. Fifth ed. Berlin: Springer-Verlag, 2007. 365 с.
Cruz-Chávez M.A., Martínez-Rangel M.G., Cruz-Rosales M.H. Accelerated simulated annealing algorithm applied to the flexible job shop scheduling problem // International Transactions in Operational Research. 2017. Vol. 24. No. 5. DOI: 10.1111/itor.12195.
Dürr Ch. The Scheduling Zoo. URL: https://github.com/xtof-durr/schedulingzoo/wiki/The-Scheduling-Zoo-project (data of accesses: 05.06.2024).
Gantt N.L. A Graphical daily balance in manufacture // Journal of Fluids Engineering, Transactions of the ASME. 1903.
Garey M.R., Johnson D.S., Sethi R. The complexity of flowshop and jobshop scheduling // Mathematics of Operations Research. 1976. Vol. 1. No. 2. Pp. 117–129. DOI: 10.1287/moor.1.2.117.
Graham R.L. et al. Optimization and approximation in deterministic sequencing and scheduling: A survey // Annals of Discrete Mathematics. 1979. Pp. 287–326.
Haddad N., Myshenkov K.S., Afanasiev G.I. Introducing text analysis algorithms in decision support systems for automated evaluation of the doctor prescriptions // 6th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE, 2024. Pp. 1–5.
Hasan S.M.K. et al. Memetic algorithms for solving job-shop scheduling problems // Memet. Comput. 2009. Vol. 1. No. 1. Pp. 69–83. DOI: 10.1007/s12293-008-0004-5.
Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems // Biol. Cybern. 1985. Vol. 52. No. 3. Pp. 141–152. DOI: 10.1007/BF00339943.
Hu Y., Duan Q. Solving the TSP by the AALHNN algorithm // Mathematical Biosciences and Engineering. 2022. Vol. 19. No. 4. Pp. 3427–3448. DOI: 10.3934/mbe.2022158.
Ignatyev Y.V., Afanasyev G.I. Neural network architecture for scheduling tank trucks loading at petroleum products storages // 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). Moscow: IEEE, 2025.
Ivanyuk V., Shuvalov K. Neural network-based methods for forecasting financial time series // 14th International Conference Management of Large-scale System Development (MLSD). IEEE, 2021. Pp. 1–4.
James R.J. Scheduling a production line to minimize maximum tardiness. Los Angeles: Office of Technical Services, 1955.
Johnson S.M. Optimal two‐ and three‐stage production schedules with setup times included // Naval Research Logistics Quarterly. 1954. Vol. 1. No. 1. DOI: 10.1002/nav.3800010110.
Jun S., Lee S., Chun H. Learning dispatching rules using random forest in flexible job shop scheduling problems // Int. J. Prod. Res. 2019. Vol. 57. No. 10. Pp. 3290–3310. DOI: 10.1080/00207543.2019.1581954.
Khobotov E.N., Ermolova M.A. Formation of work plans and schedules at enterprises with conveyor assembly // IFIP Advances in Information and Communication Technology. 2021. Pp. 572–579.
Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by simulated annealing // Science (1979). 1983. Vol. 220. No. 4598. Pp. 671–680. DOI: 10.1126/science.220.4598.671.
Lenstra J.K., Rinnooy Kan A.H.G., Brucker P. Complexity of machine scheduling problems // Annals of Discrete Mathematics. 1977. Vol. 1. No. C. DOI: 10.1016/S0167-5060(08)70743-X.
Li F. et al. A transformer-based deep reinforcement learning approach for dynamic parallel machine scheduling problem with family setups // J. Intell Manuf. 2024. DOI:10.1007/s10845-024-02470-8.
Li X. et al. Integrated optimization approach of hybrid flow-shop scheduling based on process set // IEEE Access. 2020. Vol. 8. Pp. 223782–223796. DOI: 10.1109/ACCESS.2020.3044606.
Michael L.P. Scheduling theory, algorithms, and systems. Sixth ed. New York: Springer, 2022.
Noorul Haq A. et al. A hybrid neural network-genetic algorithm approach for permutation flow shop scheduling // Int. J. Prod. Res. 2010. Vol. 48. No. 14. Pp. 4217–4231. DOI: 10.1080/00207540802404364.
Parthasarathy S., Rajendran C. An experimental evaluation of heuristics for scheduling in a real-life flowshop with sequence-dependent setup times of jobs // Int. J. Prod. Econ. 1997. Vol. 49. No. 3. Pp. 255–263. DOI: 10.1016/S0925-5273(97)00017-0.
Richard W. et al. Theory of scheduling, 1967.
Saidi-Mehrabad M., Fattahi P. Flexible job shop scheduling with taboo search algorithms // International Journal of Advanced Manufacturing Technology. 2007. Vol. 32. No. 5–6. DOI: 10.1007/s00170-005-0375-4.
Saprykin Y., Ryazntsev V., Smirnov A. Application of neural networks to the analysis of time series data in the recognition of driver fatigue // International Conference on Information Technology and Nanotechnology (ITNT). IEEE, 2021. Pp. 1–5.
Smith W.E. Various optimizers for single‐stage production // Naval Research Logistics Quarterly. 1956. Vol. 3. No. 1–2. DOI: 10.1002/nav.3800030106.
Tassel P., Gebser M., Schekotihin K. A reinforcement learning environment for job-shop Scheduling // International Journal of Computer Information Systems and Industrial Management Applications. 2021. Vol. 12.
Yazdani M. et al. A simulated annealing algorithm for flexible job-shop scheduling problem // Journal of Applied Sciences. 2009. Vol. 9. No. 4. DOI: 10.3923/jas.2009.662.670.
Кривошеев О.В. Технология распределения ресурсов производственных систем в условиях неполноты данных для высокотехнологичных отраслей промышленности: дис. … канд. техн. наук. Саров, 2022.
Кротов К.В. Математические модели и методы многоуровневой оптимизации расписаний многостадийных процессов с адаптацией: дис. … д-ра техн. наук. Севастополь, 2022.
Лазарев А.А., Гафаров Е.Р. Теория расписаний задачи и алгоритмы. М.: Физический факультет МГУ, 2011. 222 с.
Лазарев А.А. и др. Теория расписаний. Задачи железнодорожного планирования. М.: ИПУ РАН, 2021. 92 с.
Танаев В.С., Шкурба В.В. Введение в теорию расписаний / под ред. Б.Д. Юдина. М.: Наука, 1975. 256 с.
Agnetis A. et al. Fifty years of research in scheduling – theory and applications // Eur. J. Oper. Res. 2025. DOI: 10.1016/j.ejor.2025.01.034.
Bellman R. Mathematical aspects of scheduling theory // Journal of the Society for Industrial and Applied Mathematics. 1956. Vol. 4. No. 3. DOI: 10.1137/0104010.
Blackstone J.H., Phillips D.T., Hogg G.L. A state-of-the-art survey of dispatching rules for manufacturing job shop operations // Int. J. Prod Res. 1982. Vol. 20. No. 1. DOI: 10.1080/00207548208947745.
Brucker P. Scheduling algorithms. Fifth ed. Berlin: Springer-Verlag, 2007. 365 с.
Cruz-Chávez M.A., Martínez-Rangel M.G., Cruz-Rosales M.H. Accelerated simulated annealing algorithm applied to the flexible job shop scheduling problem // International Transactions in Operational Research. 2017. Vol. 24. No. 5. DOI: 10.1111/itor.12195.
Dürr Ch. The Scheduling Zoo. URL: https://github.com/xtof-durr/schedulingzoo/wiki/The-Scheduling-Zoo-project (data of accesses: 05.06.2024).
Gantt N.L. A Graphical daily balance in manufacture // Journal of Fluids Engineering, Transactions of the ASME. 1903.
Garey M.R., Johnson D.S., Sethi R. The complexity of flowshop and jobshop scheduling // Mathematics of Operations Research. 1976. Vol. 1. No. 2. Pp. 117–129. DOI: 10.1287/moor.1.2.117.
Graham R.L. et al. Optimization and approximation in deterministic sequencing and scheduling: A survey // Annals of Discrete Mathematics. 1979. Pp. 287–326.
Haddad N., Myshenkov K.S., Afanasiev G.I. Introducing text analysis algorithms in decision support systems for automated evaluation of the doctor prescriptions // 6th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE, 2024. Pp. 1–5.
Hasan S.M.K. et al. Memetic algorithms for solving job-shop scheduling problems // Memet. Comput. 2009. Vol. 1. No. 1. Pp. 69–83. DOI: 10.1007/s12293-008-0004-5.
Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems // Biol. Cybern. 1985. Vol. 52. No. 3. Pp. 141–152. DOI: 10.1007/BF00339943.
Hu Y., Duan Q. Solving the TSP by the AALHNN algorithm // Mathematical Biosciences and Engineering. 2022. Vol. 19. No. 4. Pp. 3427–3448. DOI: 10.3934/mbe.2022158.
Ignatyev Y.V., Afanasyev G.I. Neural network architecture for scheduling tank trucks loading at petroleum products storages // 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). Moscow: IEEE, 2025.
Ivanyuk V., Shuvalov K. Neural network-based methods for forecasting financial time series // 14th International Conference Management of Large-scale System Development (MLSD). IEEE, 2021. Pp. 1–4.
James R.J. Scheduling a production line to minimize maximum tardiness. Los Angeles: Office of Technical Services, 1955.
Johnson S.M. Optimal two‐ and three‐stage production schedules with setup times included // Naval Research Logistics Quarterly. 1954. Vol. 1. No. 1. DOI: 10.1002/nav.3800010110.
Jun S., Lee S., Chun H. Learning dispatching rules using random forest in flexible job shop scheduling problems // Int. J. Prod. Res. 2019. Vol. 57. No. 10. Pp. 3290–3310. DOI: 10.1080/00207543.2019.1581954.
Khobotov E.N., Ermolova M.A. Formation of work plans and schedules at enterprises with conveyor assembly // IFIP Advances in Information and Communication Technology. 2021. Pp. 572–579.
Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by simulated annealing // Science (1979). 1983. Vol. 220. No. 4598. Pp. 671–680. DOI: 10.1126/science.220.4598.671.
Lenstra J.K., Rinnooy Kan A.H.G., Brucker P. Complexity of machine scheduling problems // Annals of Discrete Mathematics. 1977. Vol. 1. No. C. DOI: 10.1016/S0167-5060(08)70743-X.
Li F. et al. A transformer-based deep reinforcement learning approach for dynamic parallel machine scheduling problem with family setups // J. Intell Manuf. 2024. DOI:10.1007/s10845-024-02470-8.
Li X. et al. Integrated optimization approach of hybrid flow-shop scheduling based on process set // IEEE Access. 2020. Vol. 8. Pp. 223782–223796. DOI: 10.1109/ACCESS.2020.3044606.
Michael L.P. Scheduling theory, algorithms, and systems. Sixth ed. New York: Springer, 2022.
Noorul Haq A. et al. A hybrid neural network-genetic algorithm approach for permutation flow shop scheduling // Int. J. Prod. Res. 2010. Vol. 48. No. 14. Pp. 4217–4231. DOI: 10.1080/00207540802404364.
Parthasarathy S., Rajendran C. An experimental evaluation of heuristics for scheduling in a real-life flowshop with sequence-dependent setup times of jobs // Int. J. Prod. Econ. 1997. Vol. 49. No. 3. Pp. 255–263. DOI: 10.1016/S0925-5273(97)00017-0.
Richard W. et al. Theory of scheduling, 1967.
Saidi-Mehrabad M., Fattahi P. Flexible job shop scheduling with taboo search algorithms // International Journal of Advanced Manufacturing Technology. 2007. Vol. 32. No. 5–6. DOI: 10.1007/s00170-005-0375-4.
Saprykin Y., Ryazntsev V., Smirnov A. Application of neural networks to the analysis of time series data in the recognition of driver fatigue // International Conference on Information Technology and Nanotechnology (ITNT). IEEE, 2021. Pp. 1–5.
Smith W.E. Various optimizers for single‐stage production // Naval Research Logistics Quarterly. 1956. Vol. 3. No. 1–2. DOI: 10.1002/nav.3800030106.
Tassel P., Gebser M., Schekotihin K. A reinforcement learning environment for job-shop Scheduling // International Journal of Computer Information Systems and Industrial Management Applications. 2021. Vol. 12.
Yazdani M. et al. A simulated annealing algorithm for flexible job-shop scheduling problem // Journal of Applied Sciences. 2009. Vol. 9. No. 4. DOI: 10.3923/jas.2009.662.670.
Ключевые слова:
теория расписаний, методы искусственного интеллекта, комбинаторная оптимизация, краткосрочное планирование, динамическое распределение задач, диспетчеризация, полу-онлайн планирование, расписание машин.
