А.К. Овсянкин1, А.М. Попов2, М.А. Казанцев3

1-2 Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева (г. Красноярск, Россия)

3 Акционерное общество «Научно-производственное предприятие «Радиосвязь» (г. Красноярск, Россия)

1 dikoti1994@yandex.ru, 2 vm_popov@sibsau.ru, 3 mkaz@mail.ru

Постановка проблемы. В современных условиях многономенклатурного мелкосерийного производства радиоэлектронной аппаратуры возникает сложная задача оперативного планирования, обусловленная высокой вариативностью заказов, частыми переналадками оборудования, неравном ерной загрузкой станков и значительными простоями. Стандартные подходы к управлению производственными процессами, ориентированные на крупносерийное или поточное производство, оказываются недостаточно эффективными в подобной динамичной и гибкой среде.

Цель. Разработать гибридный метод оптимизации производственных расписаний, способного учитывать специфику мелкосерийного выпуска и обеспечивать сбалансированное решение по нескольким критериям одновременно.

Результаты. Предложен подход, объединяющий генетичес кий и муравьиный алгоритмы для поиска качественного начального решения, а также специализированный трёхэтапный алгоритм постоптимизации, включающий в себя блочный локальный поиск, запрещающий поиск и процедуру балансировки нагрузки станков. Разработан мето д, основанный на гибридной математической модели, который сочетает элементы задачи гибкого производственного расписания и задачи планирования мощностей и минимизирует многокритериальную целевую функцию, учитывающую общее время выполнения заказов, количество переналадок, суммарные простои и неравномерность загрузки оборудования. Проведены экспериментальные исследования, подтвердившие, что предложенный подход позволяет существенно сократить производственный цикл, снизить число переналадок и уменьшить простои станков при сохранении заданного объёма выпуска.

Практическая значимость. Предложенный подход способствует повышению эффективности использования производственного оборудования, сокращению сроков выполнения заказов и снижению операционных издержек. Разработанный метод предназначен для внедрения в автоматизированные системы оперативного управления на предприятиях радиоэлектронной и машиностроительной отраслей, функционирующих в условиях мелкосерийного многономенклатурного производства.

Овсянкин А.К., Попов А.М., Казанцев М.А. Оптимизация расписаний станков в производстве ра диоэлектронной аппаратуры с использованием гибридных алгоритмов // Динамика сложных систем. 2026. Т. 20. № 1. С. 30−40. DOI: 10.18127/j19997493202601-03

1. Кузнецов А.В., Суриков Е.Н. Проблемы внед рения ERP-систем при разработке и мелкосерийном производстве высокотехнологичной продукции // Информационные технологии. 2010. № 7. С. 77–79.
2. Hasan B. An Empirical Investigation of ERP System Self-Efficacy Beliefs: Examining the Effects of ERP System Characteristics. Journal of Information and Knowledge Management. 2023. V. 22. № 03. DOI: 10.1142/S0219649223500016.
3. Артамонова Т.Е., Овсянникова А.В., Воробьева А.В., Попович А.Э. ERP-системы. Эффективность и проблематика внедрения ERP-систем // Естественные и технические науки. 2016. № 4(94). С. 173–174.
4. Шемчук Г.Д. Эвристические алгоритмы в программировании: метод ближайшего соседа и метод ветвей и границ // Научному прогрессу – творчество молодых. 2024. № 1. С. 796–798.
5. Venkatesan M., Karthikeyan A., Vinoth Kumar J., Muthuvel S., Vasudevan D., Sankar A. Optimization of Machining Operation Sequence Problem using an Integrated Genetic and Simulated Annealing Algorithm. EPJ Web of Conferences. 2025. V. 336. P. 03006. DOI: 10.1051/epjconf/202533603006.
6. Liu Q., Li X., Gao L. Mathematical modeling and ahybridevolutionary algorithm for processplanning. Journal of Intelligent Manufacturing. 2020. DOI: 10.1007/s10845-020-01703-w.
7. Sobottka T., Halbwidl C., Gaal A., Nausch M., Fuchs B., Hold P., Czarnetzki L. Optimizing operations of flexibleassembly systems: demonstration of adigitaltwin concept with optimized planning and control, sensors and visualization. Journal of Inte lligent Manufacturing. 2024. DOI: 10.1007/s10845-024-02537-6.
8. Brandimarte P. Routing and Scheduling in a Flexible Job Shop by Tabu Search. Annals of Operations Research. 1993. V. 41. № 3. P. 157–183.
9. Fera M., Fruggiero F., Lambiase A., Macchiaroli R., Todisco V. A modifiedgenetic algorithm for time and cost optimization of an additive manufacturing single-machinescheduling. International Journal of Industrial Engineering Computations. 2018. V. 9. P. 423–438. DOI: 10.5267/j.ijiec.2018.1.001. 1
10. Minin A.A. The ANT algorithm in the development of optimal manufacturing processes. The World of Science wi thout Borders: Proceedings of the 11th all-Russian Scientific and Practical Conference for Young Researchers with International Participation, Tambov, 26 апреля 2024 года. Tambov: Tambov State Technical University. 2024. P. 242–244. 1
11. Зуенко А.А., Олейник Ю.А. Составление расписаний как задача удовлетворения ограничений (на примере планирования открытых горных работ) // Информатика и автоматизация. 2024. Т. 23. № 5. С. 1290–1310. DOI: 10.15622/ia.23.5.1. 1
12. Demir H.İ., Erden C., Kökçam A., Göksu A. A Tabu Search and Hybrid Evolutionary Strategies Algorithms for the Integrated Process Planning and Scheduling with Due-date Agreement. Journal of Intelligent Systems: Theory and Applications. 2021. V. 4. № 1. P. 24–36. DOI: 10.38016/jista.767154.