问题
The Model Group 开发、生产和供应智能、创新和高品质的实心纸板和瓦楞纸板展示解决方案。该集团在7个国家拥有15个分支机构，共有4500名员工。
在他们位于瑞士魏因费尔登的工厂，每天要使用 19 台不同的机器生产大约200个零件。他们的所有日常调度工作都由四名生产规划员完成，他们试图为每天制定出最佳的调度计划。这些计划人员依靠自己的经验做出决定，但没有办法验证和比较他们设计的计划，以了解哪一个更好。
规划人员希望改进作业车间的调度安排，使其更好、更高效。由于生产线系统各要素之间存在依赖关系，因此制定规划是一个复杂的过程。
解决方案
ProSim是一家主要与制造和物流公司合作的企业，旨在通过使用数据和仿真帮助他们做出更明智的业务决策。他们还致力于研究基于AI智能驱动的仿真技术，因为他们看到了人工智能的巨大潜力。
为了解决The Model Group提出的作业车间调度问题，ProSim 开发了一个 AnyLogic 仿真模型，其中包含不同的作业车间调度技术，为规划人员的调度提供反馈。
规划人员继续手动创建调度表，然后将其输入模型，每天进行比较和验证。因此，调度表每天都在改进。
在此之后，ProSim 决定在仿真模型中使用AI智能体，以便在规划人员没有任何输入的情况下创建计划。
这种方法效果很好，产生了良好的结果，但他们决定进一步发展，在仿真模型中使用遗传算法来安排作业。
遗传算法基于自然选择来解决优化问题。每一代都是由各有优缺点的个体组成的。因为这些差异，一些个体存活了下来，有些则不能。存活下来的个体会努力产生新的变异个体，这些个体会比之前的个体更强、更优秀。
在这之后，会有全新的一代，这个过程不断重复，直到再也没有更好的个体。在这种情况下，我们所说的个体就是新的调度表。
作业调度过程的第一步是在模型中随机生成计划。每次发生此过程时，开始时都会生成大约 200 个调度表。然后，利用遗传算法对每一代的计划进行改进。
模型通常会运行 100 代左右，每次都会减少计划的数量。最后将得出最佳计划。然后，用户可以查看仿真模型中的最佳解决方案，更详细地了解生产计划、总设置时间、总生产时间和总延迟时间。
结果
在实施的作业车间调度技术中，遗传算法已被证明比基于AI智能驱动的仿真和人工规划产生更好的结果。根据模型组定义的 KPI，作业车间规划改进了 18%。目前，在仿真模型中已经使用遗传算法对三条生产线进行了建模，但计划在未来进行更多工作。ProSim还继续研究人工智能驱动的仿真和遗传算法，以进一步解决问题。
该案例研究由ProSim的Patrick Kehrli在2022年AnyLogic会议上展示。
幻灯片以PDF格式提供。
