Riassunto analitico
Il mondo in cui viviamo sta diventando sempre più complesso. Modellare la realtà significa creare sue semplificazioni e astrazioni, in modo da capire cosa succede in questo mondo moderno e complesso nel quale viviamo. Oggigiorno, i modelli sono diventati fondamentali per prendere decisioni migliori. I modelli ci aiutano a pensare con maggiore chiarezza e a capire come trasformare i dati in informazioni utili. Ci sono tantissimi dati la fuori, i modelli prendono questi dati e li strutturano in informazioni, e successivamente in conoscenza. In questo lavoro sono affrontati due temi fondamentali: (1) come modellare sistemi complessi e (2) come fare previsioni all'interno di sistemi complessi, in ambienti industriali e dinamici. Questa tesi presenta una serie di modelli creati a supporto di chi si trova a dover gestire la complessità. Il primo tema è affrontato presentando alcuni modelli relativi a linee di assemblaggio, il degradamento delle macchine nelle linee di produzione, la programmazione delle operazioni e il posizionamento dei carrelli all'interno di magazzini automatizzati. In particolare, per le linee di assemblaggio, sono presentati due modelli bio-inspirati che ottimizzano il tempo totale di prelievo dei componenti, considerando la loro allocazione fisica. Inoltre, è analizzato l'uso di un modello multi-agente capace di considerare contemporaneamente diversi fattori che influenzano le macchine in una linea di produzione. Quest'approccio permette di tenere in considerazione l'età e la degradazione delle macchine, le riparazioni, le sostituzioni e le attività di manutenzione preventiva. In seguito, è mostrato un modello inspirato dal comportamento di una colonia di formiche, il quale è in grado di gestire la complessità intrinseca all'interno della programmazione delle operazioni. Infine, è presentato un altro modello multi-agente, questa volta capace di ottimizzare il punto di riposo di un sistema di stoccaggio e prelievo automatico, sfruttando un'idea derivata dai campi di forze. Dopo di che, un capitolo intero è dedicato alla previsione in ambienti complessi. La previsione in ambienti industriali e dinamici è una sfida che si trovano ad affrontare ogni giorno sempre più professionisti ed accademici. Sono presentati modelli capaci di catturare relazioni non lineari tra eventi temporali. Questi modelli sono applicati a diversi ambiti, dall'affidabilità di componenti meccanici ed elettrici alla previsione dell'irraggiamento solare. In ultima analisi sono introdotti alcuni modelli capaci di predire il comportamento degli utenti all'interno di comunità online. In questi casi, sono esposti in dettaglio alcuni modelli di machine learning, tra cui reti neurali artificiali, regressione logistica e random forest. Questa tesi vuole essere un'ispirazione per coloro che devono gestire la complessità in ambienti industriali e dinamici. Mostrando questi esempi e risultati si vuole umilmente spiegare come rendere questo mondo un po' più comprensibile.
|
Abstract
The world in which we live is becoming more and more complex. Modeling the reality means to create simplifications and abstractions of that, in order to figure out what is going on in this modern and complex world in which we live. Nowadays, models have become crucial to make better decisions. Models help us to be clearer thinkers, and to understand how to transform data in useful information. There are too many data out there, models take these data and structure them into information, and then into knowledge. Two main topics are discussed in this work: (1) how to model complex systems, and (2) how to make predictions within complex systems, in industrial and dynamic environments. The purpose of this thesis is to present a series of models developed to support the decision makers in the complexity management. The first topic is addressed presenting some models concerning the balancing of assembly lines, machines' degradation in production lines, operations' schedule, and the positing of cranes in automated warehousing. In particular, concerning the assembly lines, two bio-inspired models which optimize the global picking time of the components considering their physical allocation are presented. Moreover, the use of a multi-agent model able to simultaneously consider different factors that affect machines in a production line is analyzed. This approach takes into account the aging and the degradation of the machines, the repairs, the replacement, and the preventive maintenance activities. Furthermore, in order to present how to manage the complexity intrinsic into the operations' scheduling, a model inspired by the behavior of an ant colony is showed. Finally, another multi-agent model is showed, which is able to find the optimal dwell point in automated storage retrieval systems exploiting an idea deriving from force-fields. After that, an entire chapter is dedicated to the prediction in complex systems. Prediction in industrial and dynamic environments is a challenge that professionals and academics have to face more and more. Some models able to capture non-linear relationships between temporal events are presented. These models are applied to different fields, from the reliability of mechanical and electrical components, to renewable energy. In the final analysis, models able to predict the users' behaviors within online social communities are introduced. In these cases, various machine learning approaches (such as artificial neural networks, logistic regressions, and random trees) are detailed. This thesis want to be an inspiration for those people which have to manage the complexity in industrial and dynamic environments, showing examples and results, in order to explain how to make this world a little more understandable.
|
