問題
The Model Groupは、硬質段ボールと段ボールで作られたインテリジェントで革新的な高品質のパッケージングソリューションを開発、生産、供給しています。7 か国の 15 の拠点で事業を展開しており、従業員数は合計 4,500 名です。
スイスのWeinfeldenにある工場では、19 台の異なる機械で 1 日に約 200種の製品を生産しています。毎日のスケジュール設定はすべて 4 人の制作プランナーによって行われ、毎日の最適なスケジュールを考え出しました。これらのプランナーは、自身の経験に基づいて意思決定を行っていましたが、考案したスケジュールを検証および比較して、どちらが優れているかを理解する方法がありませんでした。
プランナーは、ジョブ ショップのスケジュールを改善して、より適切かつ効率的なものにしたいと考えていました。生産ライン システムの要素間には依存関係があるため、スケジュールの作成は複雑なプロセスでした。
ソリューション
ProSimは、主に製造会社や物流会社と協力して、データとシミュレーションを使用してより適切なビジネス上の意思決定を支援する企業です。彼らは、AI を活用したシミュレーションにも大きな可能性を見出しており、AI を活用したシミュレーションにも取り組んでいます。
Model Group が提示したジョブ ショップ スケジューリングの問題を解決するために、ProSim はプランナーのスケジュールにフィードバックを提供するさまざまなジョブ ショップ スケジューリング手法を組み込んだ AnyLogic シミュレーション モデルを開発しました。
プランナーは手動でスケジュールを作成し、それをモデルに入力し、毎日比較、検証し続けました。そのため、スケジュールは日々改善されていきました。
これに続いて、ProSim はプランナーからの入力なしでスケジュールを作成するために、シミュレーション モデルを備えた AI エージェントを実装することにしました。
これはうまく機能し、良い結果が得られましたが、シミュレーション モデルで遺伝的アルゴリズムを使用してジョブをスケジュールすることで、これをさらに発展させることにしました。
遺伝的アルゴリズムは、自然選択に基づいて最適化問題を解決します。独自の強みと弱みを持った個人で構成される世代があり、生き残れる個体もあれば、生き残れない個体もいます。生き残ったものは、以前のものよりも強くて優れた新しい突然変異個体を生み出そうとします。
この後、まったく新しい世代が誕生し、より優れた個体がいなくなるまでこのプロセスが繰り返されます。この場合、私たちは個人としての新しいスケジュールについて話しています。
ジョブ スケジュール プロセスの最初のステップは、モデル内でスケジュールをランダムに生成することです。このプロセスが発生するたびに、最初に約 200 種のスケジュールが生成されます。次に、遺伝的アルゴリズムを使用して、世代ごとにスケジュールが改善されます。
通常、モデルは約 100 世代にわたって実行され、毎回スケジュールの数が減少し、最終的には最適なスケジュールが得られます。ユーザーは、シミュレーション モデル内の最適なソリューションを確認して、生産スケジュール、合計セットアップ時間、合計生産時間、および合計遅延時間をより詳細に確認できます。
結果
実装されているジョブ ショップ スケジューリング手法のうち、遺伝的アルゴリズムは、AI を利用したシミュレーションや手動スケジューリングよりも優れた結果を生み出すことが証明されました。Model Group が定義した KPI に基づいて、ジョブ ショップのスケジュールが 18% 改善されました。現在、シミュレーション モデルで遺伝的アルゴリズムを使用してモデル化された生産ラインは 3 つありますが、将来的にはさらに多くの生産ラインで実行される予定です。ProSim は、AI を活用したシミュレーションと遺伝的アルゴリズムの両方の研究を継続しています。
このケーススタディは、AnyLogic Conference 2022 で ProSim の Patrick Kehrli によって発表されました。
スライドはPDFとして入手できます。
