Ряд оптимизационных задач, возникающих при рационализации логистики склада непрерывнолитых заготовок металлургического предприятия, оперирует вектором параметров целевой функции переменной длины. Это накладывает ограничения на выбор методов, применимых для решения таких задач. Ряд существующих методов приведения вектора параметров целевой функции к постоянному размеру, которые применяются для комбинаторной оптимизации, обладают выразительной ограниченностью, т. е. применимы лишь к узкоспециализированному классу задач. Целью настоящего исследования является приведение вектора параметров целевой функции, возникающей в задачах оптимизации работы мостовых кранов на складе слябов, к постоянному размеру, что позволит для решаемой оптимизационной задачи использовать все известные методы оптимизации из подходящего класса, а также понизит ресурсоемкость алгоритма оптимизации за счет сокращения количества параметров целевой функции. В данной работе авторы предлагают метод, являющийся обобщением L-систем и клеточного кодирования, позволяющий для заданной целевой функции перейти от вектора параметров переменного размера к вектору параметров постоянного размера. Новизной работы является обобщение идей, специфичных для узкоспециализированных областей научного знания, на множество классов оптимизационных задач, в частности на задачи составления расписания для мостовых кранов. Авторами рассмотрена целевая функция, возникающая при совместном решения задач составления расписания мостовых кранов и выбора слябов для графика горячей прокатки. Для этой целевой функции был применен предложенный метод: описаны функции смены поискового пространства в виде простых алгоритмов. Результатом явилось сокращение размерности векторов целевой функции минимум в 10 раз. Предложенный метод может быть использован при проектировании цифрового двойника склада непрерывнолитых заготовок, а также для управления иерархией команд: от самых простых (для управления отдельными компонентами кранов) до самых сложных (задающих логистические операции над слябами).
1. Щеголихин И.С., Андреев С.М. Математическая модель расписания кранов для графика горячей прокатки непрерывнолитых заготовок на складе слябов. Автоматизированные технологии и производства. 2024;(1):13–16.
2. Shchegolikhin I.S., Andreev S.M. Mathematical Model of Crane Scheduling for a Defined Slab Storage Locations Assignment in a Continuous Cast Billet Warehouse. In: 2024 International Russian Automation Conference (RusAutoCon), 08–14 September 2024, Sochi, Russia. IEEE; 2024. P. 1193–1199. https://doi.org/10.1109/RusAutoCon61949.2024.10694388
3. Kuyama S., Tomiyama S. A Two-phase Heuristic for Crane Scheduling in Steel Slab Yards. IFAC Proceedings Volumes. 2013;46(24):388–393. https://doi.org/10.3182/20130911-3-BR-3021.00039
4. Bruno G., Cavola M., Diglio A., et al. A unifying framework and a mathematical model for the Slab Stack Shuffling Problem. International Journal of Industrial Engineering Computations. 2023;14(1):17–32. https://doi.org/10.5267/j.ijiec.2022.10.005
5. Peng G., Wu Y., Zhang Ch., et al. Integrated optimization of storage location assignment and crane scheduling in an unmanned slab yard. Computers & Industrial Engineering. 2021;161(3):107623. https://doi.org/10.1016/j.cie.2021.107623
6. Tang L., Liu J., Rong A., et al. An effective heuristic algorithm to minimise stack shuffles in selecting steel slabs from the slab yard for heating and rolling. Journal of the Operational Research Society. 2001;52(10):1091–1097. https://doi.org/10.1057/palgrave.jors.2601143
7. Lu Ch., Zhang R., Liu Sh. A 0-1 integer programming model and solving strategies for the slab storage problem. International Journal of Production Research. 2016;54(8):2366–2376. https://doi.org/10.1080/00207543.2015.1076949
8. Shchegolikhin I.S., Andreev S.M. Development and Analysis of Genetic Algorithm for Optimization of Continuous Cast Billets Warehousing Process. In: 2024 International Russian Smart Industry Conference (SmartIndustryCon), 25–29 March 2024, Sochi, Russia. IEEE; 2024. P. 962–967. https://doi.org/10.1109/SmartIndustryCon61328.2024.10515628
9. Erwin K., Engelbrecht A. Meta-heuristics for portfolio optimization. Soft Computing. 2023;27(24):19045–19073. https://doi.org/10.1007/s00500-023-08177-x
10. Hwang Sh.-F., He R.-S. A hybrid real-parameter genetic algorithm for function optimization. Advanced Engineering Informatics. 2006;20(1):7–21. https://doi.org/10.1016/j.aei.2005.09.001
11. Ono I., Kita H., Kobayashi Sh. A Real-coded Genetic Algorithm using the Unimodal Normal Distribution Crossover. In: Advances in Evolutionary Computing: Theory and Applications. Berlin, Heidelberg: Springer; 2003. P. 213–237. https://doi.org/10.1007/978-3-642-18965-4_8
12. Herrera F., Lozano M. Gradual distributed real-coded genetic algorithms. IEEE Transactions on Evolutionary Computation. 2000;4(1):43–63. https://doi.org/10.1109/4235.843494
13. Fontes D.B.M.M., Homayouni S.M., Gonçalves J.F. A hybrid particle swarm optimization and simulated annealing algorithm for the job shop scheduling problem with transport resources. European Journal of Operational Research. 2022;306(3):1140–1157. https://doi.org/10.1016/j.ejor.2022.09.006
14. Wang J., Liu Ch., Li K. A hybrid simulated annealing for scheduling in dual-resource cellular manufacturing system considering worker movement. Automatika. 2019;60(2):172–180. https://doi.org/10.1080/00051144.2019.1603264
15. Riazi A. Genetic algorithm and a double-chromosome implementation to the traveling salesman problem. SN Applied Sciences. 2019;1(11):1397. https://doi.org/10.1007/s42452-019-1469-1
16. Yang J., Wu Ch., Lee H.P., et al. Solving traveling salesman problems using generalized chromosome genetic algorithm. Progress in Natural Science. 2008;18(7):887–892. https://doi.org/10.1016/j.pnsc.2008.01.030
17. Zhang Q., Ding L. A new crossover mechanism for genetic algorithms with variable-length chromosomes for path optimization problems. Expert Systems with Applications. 2016;60:183–189. https://doi.org/10.1016/j.eswa.2016.04.005
18. Stanley K.O., Miikkulainen R. A Taxonomy for Artificial Embryogeny. Artificial Life. 2003;9(2):93–130. https://doi.org/10.1162/106454603322221487
19. Ariffin M.K.b., Hadi Sh., Phon-Amnuaisuk S. Evolving 3D Models Using Interactive Genetic Algorithms and L-Systems. In: Multi-disciplinary Trends in Artificial Intelligence: 11th International Workshop, 20–22 November 2017, Gadong, Brunei. Cham: Springer; 2017. P. 485–493. https://doi.org/10.1007/978-3-319-69456-6_40
20. Broni-Bediako C., Murata Y., Mormille L.H.B., et al. Evolutionary NAS with Gene Expression Programming of Cellular Encoding. In: 2020 IEEE Symposium Series on Computational Intelligence (SSCI), 01–04 December 2020, Canberra, Australia. IEEE; 2020. P. 2670–2676. https://doi.org/10.1109/SSCI47803.2020.9308346
21. Tang L., Liu J., Rong A., et al. Modelling and a genetic algorithm solution for the slab stack shuffling problem when implementing steel rolling schedules. International Journal of Production Research. 2002;40(7):1583–1595. https://doi.org/10.1080/00207540110110118424
