DOI: https://doi.org/10.1007/s00170-025-16958-x
تاريخ النشر: 2025-11-23
المؤلف: Toly Chen وآخرون
الموضوع الرئيسي: جدولة المشاريع ذات الموارد المحدودة
نظرة عامة
تقدم هذه الدراسة نظام ذكاء اصطناعي توليدي (GenAI) قابل للتخصيص مصمم لمساعدة المستخدمين في صياغة وحل مشاكل جدولة الوظائف ضمن أنظمة التصنيع المرنة (FMS) التي تتكون من عدة مصانع. تعتمد الطرق التقليدية لمعالجة هذه التحديات في الجدولة غالبًا على الخوارزميات المستوحاة من الطبيعة، والتي يمكن أن تكون معقدة وصعبة على المستخدمين تطبيقها. يسمح نظام GenAI المقترح للمستخدمين بالتعبير عن احتياجاتهم في الجدولة بلغة طبيعية، باستخدام محلل لغة طبيعية مدرب مسبقًا لاستخراج الكلمات الرئيسية ذات الصلة وبناء تدوين موسع ثلاثي الحقول (ETFN) لمشكلة الجدولة. ثم يتم توليد خوارزمية جينية (GA) بناءً على ETFN لاشتقاق حلول جدولة مثلى، يمكن دمجها في أنظمة إدارة المشاريع لمزيد من العمليات.
تشير النتائج التجريبية إلى أن محلل اللغة الطبيعية حقق دقة مثيرة للإعجاب تبلغ 92% في تحديد متطلبات المستخدم من البيانات غير المتعلمة. أظهر نظام GenAI القابل للتخصيص تحسينات كبيرة في سهولة الاستخدام وسرعة التنفيذ وجودة الحلول مقارنة بالممارسات الحالية، بما في ذلك الطرق اليدوية التقليدية وأنظمة GenAI العامة مثل ChatGPT. تستنتج الدراسة أن نظام GenAI لا يبسط عملية الجدولة فحسب، بل لديه أيضًا القدرة على معالجة سيناريوهات جدولة أكثر تعقيدًا وأنظمة تصنيع أكبر، مما يمهد الطريق للبحوث المستقبلية في خوارزميات تحسين بديلة وتطبيقات أوسع في إدارة سلسلة التوريد.
مقدمة
تستعرض مقدمة ورقة البحث مفهوم أنظمة التصنيع المرنة (FMS)، وهي أنظمة مؤتمتة تتكون من محطات عمل، ونظام نقل مواد آلي، وكمبيوتر مركزي للتنسيق. تم تحديد جدولة الوظائف ضمن أنظمة FMS كأحد التحديات المعقدة بسبب تعدد الحلول الممكنة الناتجة عن القدرة على معالجة الوظائف عبر آلات ومصانع مختلفة. لمواجهة هذه المشكلة، تم استخدام تقنيات ذكاء اصطناعي (AI) متنوعة، بما في ذلك التعلم الآلي (ML) وطرق التعلم العميق (DL)، مثل الخوارزميات الجينية (GA)، والتعلم المعزز، والشبكات العصبية العميقة (DNN). ومع ذلك، تؤدي الزيادة في تعقيد هذه التطبيقات الذكية غالبًا إلى صعوبات في فهمها وتطبيقها بشكل فعال في سياقات جدولة الوظائف.
تقدم الورقة نظام ذكاء اصطناعي توليدي (GenAI) جديد قابل للتخصيص مصمم لتعزيز جدولة الوظائف في أنظمة FMS التي تحتوي على مصانع متعددة. يسمح هذا النظام للمستخدمين بالتعبير عن متطلبات الجدولة بلغة طبيعية، مما يسهل صياغة وحل مشاكل الجدولة المعقدة دون الكفاءات المرتبطة بالتواصل القائم على البيانات التقليدية. بالإضافة إلى ذلك، يأخذ النظام في الاعتبار النقل بين مجموعات مختلفة من الآلات أو المصانع، مما يحسن من مقاييس أداء الجدولة كما يحددها المستخدمون. يهدف نظام GenAI المقترح إلى تحسين قابلية الشرح وسهولة استخدام الذكاء الاصطناعي في جدولة الوظائف، مع معالجة القيود الحالية في تطبيق تقنيات GenAI في هذا المجال. ستراجع الأقسام التالية من الورقة الأدبيات ذات الصلة، وتفصيل بنية النظام وتنفيذه، وتقديم النتائج التجريبية من تطبيقه في مصنع تصنيع دقيق في تايوان.
الطرق
تستعرض قسم المنهجية نهجًا جديدًا لجدولة الوظائف ضمن نظام تصنيع مرن (FMS)، مقارنةً بالطرق الحالية كما هو ملخص في الجدول 1. تؤكد المنهجية المقترحة على الفهم وقابلية التفسير أثناء معالجة جدولة 10 وظائف، باستخدام خطة إصدار، ووصفات، ومصفوفة نقل مفصلة في الجداول 7 و8 و9. من الجدير بالذكر أن جدوى معالجة أوامر الوظائف مميزة، مما يتطلب تقييم اللياقة خلال عملية الاختيار. تستوعب المنهجية تعقيدات الوظائف المتنوعة، مع أنواع المنتجات التي تتطلب خطوات معالجة مختلفة، كما هو موضح في الجدول 8.
يتم توليد صياغة مشكلة البرمجة غير الخطية المختلطة (MINLP) تلقائيًا بناءً على البيانات المستوردة، كما هو موضح في الشكل 7. يتم تعريف القيود والمتغيرات الرئيسية، بما في ذلك أوقات النقل بين الآلات، والتي تعتبر حاسمة لكفاءة الجدولة. يمكن للمستخدمين إدخال متطلبات الجدولة الخاصة بهم بلغة طبيعية من خلال واجهة النظام، مما يعزز من تفاعل المستخدمين والتخصيص، كما هو موضح في الجدول 6. يهدف هذا النهج إلى تبسيط جدولة الوظائف مع الحفاظ على الوضوح والمرونة في عملية الجدولة.
المناقشة
تستعرض قسم المناقشة في ورقة البحث استراتيجيات مختلفة لجدولة الوظائف في أنظمة التصنيع المرنة (FMSs)، مع تسليط الضوء على تأثير الجدولة ومرونة التصنيع على مقاييس الأداء مثل زمن الإنتاج، والتكلفة، واستخدام الآلات، ووقت الانتظار. من الجدير بالذكر أن شفيق وآخرين أظهروا أن زيادة مرونة التوجيه ترتبط بتقليل زمن الإنتاج، بينما يجمع مزيج من قواعد الإرسال والتسلسل بين الأداء العام. استكشفت دراسات أخرى، مثل تلك التي أجراها سيلين وآخرون وبيرنوال ودب، جدولة الصيانة واستخدمت خوارزميات متقدمة مثل الخوارزميات الجينية والبحث عن الدُخَان لتعزيز كفاءة الجدولة. بالإضافة إلى ذلك، أكدت أعمال علي ومورشيد على أهمية مرونة التوجيه، كاشفة عن مستوى مثالي لاستراتيجيات نقل المواد المختلفة.
تقدم الورقة نظام GenAI قابل للتخصيص مصمم لتسهيل جدولة الوظائف في أنظمة FMS متعددة المصانع. يسمح هذا النظام للمستخدمين بالتعبير عن متطلبات الجدولة بلغة طبيعية، والتي تتم معالجتها بعد ذلك بواسطة محلل لغة طبيعية لصياغة نماذج تحسين دون الحاجة إلى معرفة برمجية واسعة. تشير نتائج الدراسة إلى أنه بينما قد يؤدي دمج الأهداف والقيود المحددة من قبل المستخدمين إلى إطالة وقت التحسين، إلا أنه يؤدي إلى تقارب أسرع في العملية التطورية. تشير النتائج إلى أن نظام GenAI المقترح يعزز بشكل كبير من قابلية الاستخدام وفعالية حلول الجدولة مقارنة بالطرق التقليدية، بما في ذلك الجدولة اليدوية ومنصات الذكاء الاصطناعي الحالية مثل ChatGPT. تشمل اتجاهات البحث المستقبلية استكشاف خوارزميات تحسين بديلة وتوسيع تطبيق النظام إلى سيناريوهات جدولة أكثر تعقيدًا.
DOI: https://doi.org/10.1007/s00170-025-16958-x
Publication Date: 2025-11-23
Author(s): Toly Chen et al.
Primary Topic: Resource-Constrained Project Scheduling
Overview
This study presents a customizable generative artificial intelligence (GenAI) system designed to assist users in formulating and solving job scheduling problems within flexible manufacturing systems (FMS) comprising multiple factories. Traditional methods for addressing these scheduling challenges often rely on bio-inspired algorithms, which can be complex and difficult for users to apply. The proposed GenAI system allows users to articulate their scheduling needs in natural language, utilizing a pre-trained natural language parser to extract relevant keywords and construct an extended three-field notation (ETFN) for the scheduling problem. A genetic algorithm (GA) is then generated based on the ETFN to derive optimal scheduling solutions, which can be integrated into project management systems for further operations.
Experimental results indicate that the natural language parser achieved an impressive accuracy of 92% in identifying user requirements from unlearned data. The customizable GenAI system demonstrated significant improvements in user-friendliness, execution speed, and solution quality compared to existing practices, including traditional manual methods and general-purpose GenAI systems like ChatGPT. The study concludes that the GenAI system not only simplifies the scheduling process but also has the potential to address more complex scheduling scenarios and larger manufacturing systems, paving the way for future research into alternative optimization algorithms and broader applications in supply chain management.
Introduction
The introduction of the research paper outlines the concept of Flexible Manufacturing Systems (FMS), which are automated systems comprising workstations, an automated material handling system, and a central computer for coordination. Job scheduling within FMSs is identified as a complex challenge due to the multitude of feasible solutions arising from the ability to process jobs across various machines and factories. To tackle this issue, various artificial intelligence (AI) techniques, including machine learning (ML) and deep learning (DL) methods, have been employed, such as genetic algorithms (GA), reinforcement learning, and deep neural networks (DNN). However, the increasing complexity of these AI applications often leads to difficulties in understanding and applying them effectively in job scheduling contexts.
The paper introduces a novel customizable generative AI (GenAI) system designed to enhance job scheduling in FMSs with multiple factories. This system allows users to articulate their scheduling requirements in natural language, facilitating the formulation and solution of complex scheduling problems without the inefficiencies associated with traditional prompt-based data communication. Additionally, the system accounts for transportation between different clusters of machines or factories, optimizing scheduling performance metrics as specified by users. The proposed GenAI system aims to improve the explainability and usability of AI in job scheduling, addressing existing limitations in the application of GenAI technologies in this domain. The subsequent sections of the paper will review relevant literature, detail the system’s architecture and implementation, and present experimental results from its application in a precision machining factory in Taiwan.
Methods
The methodology section outlines a novel approach to job scheduling within a Flexible Manufacturing System (FMS), contrasting it with existing methods as summarized in Table 1. The proposed methodology emphasizes comprehensibility and interpretability while addressing the scheduling of 10 jobs, utilizing a release plan, recipes, and a transportation matrix detailed in Tables 7, 8, and 9. Notably, the feasibility of job processing orders is highlighted, necessitating a fitness evaluation during the selection process. The methodology accommodates varying job complexities, with product types requiring different processing steps, as indicated in Table 8.
The formulation of the Mixed-Integer Nonlinear Programming (MINLP) problem is automatically generated based on the imported data, as illustrated in Fig. 7. Key constraints and variables are defined, including transportation times between machines, which are critical for scheduling efficiency. Users can input their scheduling requirements in natural language through the system interface, enhancing user engagement and customization, as demonstrated in Table 6. This approach aims to streamline job scheduling while maintaining clarity and adaptability in the scheduling process.
Discussion
The discussion section of the research paper reviews various strategies for job scheduling in Flexible Manufacturing Systems (FMSs), highlighting the impact of scheduling and manufacturing flexibility on performance metrics such as makespan, cost, machine utilization, and waiting time. Notably, Shafiq et al. demonstrated that increased routing flexibility correlates with reduced makespan, while a combination of dispatching and sequencing rules optimizes overall performance. Other studies, such as those by Celen et al. and Burnwal and Deb, explored maintenance scheduling and employed advanced algorithms like metaheuristics and cuckoo search to enhance scheduling efficiency. Additionally, Ali and Murshid’s work emphasized the significance of routing flexibility, revealing an optimal level for different material handling strategies.
The paper introduces a customizable GenAI system designed to facilitate job scheduling in multi-factory FMSs. This system allows users to express scheduling requirements in natural language, which are then processed by a natural language parser to formulate optimization models without requiring extensive coding knowledge. The study’s findings indicate that while incorporating user-defined objectives and constraints may extend optimization time, it leads to quicker convergence in the evolutionary process. The results suggest that the proposed GenAI system significantly enhances the usability and effectiveness of scheduling solutions compared to traditional methods, including manual scheduling and existing AI platforms like ChatGPT. Future research directions include exploring alternative optimization algorithms and extending the system’s application to more complex scheduling scenarios.