طرق التحسين في العمليات الصناعية

ما هي الأمثلة الرياضية؟

تصوّر أنك مدير إنتاج في معمل نسيج بحلب — لديك 3 أنواع من الأقمشة يمكنك إنتاجها، كل نوع يحتاج ساعات مختلفة على آلات الحياكة والصباغة والتقطيع، وكل نوع يعطيك ربحاً مختلفاً. المواد الأولية محدودة، ساعات العمل محدودة، والطاقة الكهربائية لها سقف. السؤال: كم تنتج من كل نوع لتحقق أعلى ربح ممكن؟

هذا هو جوهر الأمثلة الرياضية (Mathematical Optimization) — إيجاد أفضل حل ممكن ضمن مجموعة من القيود. كل مسألة أمثلة تتكون من ثلاثة عناصر:

1. دالة الهدف (Objective Function): ما تريد تعظيمه أو تصغيره (ربح، تكلفة، وقت، طاقة...)
2. المتغيرات (Decision Variables): القرارات التي تتحكم بها (كميات الإنتاج، جداول العمل...)
3. القيود (Constraints): الحدود التي لا يمكن تجاوزها (ميزانية، سعة، مواد أولية...)

البرمجة الخطية: الأساس المتين

البرمجة الخطية (Linear Programming - LP) تحل مسائل الأمثلة التي تكون فيها دالة الهدف والقيود كلها خطية — أي علاقات من الدرجة الأولى بدون تربيع أو ضرب متغيرات ببعضها.

الصيغة العامة:

تعظيم (أو تصغير):  Z = c₁x₁ + c₂x₂ + ... + cₙxₙ

بشرط:
  a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ ≤ b₁
  a₂₁x₁ + a₂₂x₂ + ... + a₂ₙxₙ ≤ b₂
  ...
  x₁, x₂, ..., xₙ ≥ 0

مثال صناعي — تخطيط الإنتاج:

معمل ينتج منتجين A و B:

• المنتج A: ربح 50,000 ل.س/وحدة، يحتاج 2 ساعة تشغيل + 1 كغ مادة أولية
• المنتج B: ربح 40,000 ل.س/وحدة، يحتاج 1 ساعة تشغيل + 2 كغ مادة أولية
• المتاح: 100 ساعة تشغيل، 80 كغ مادة أولية

تعظيم: Z = 50x_A + 40x_B  (بآلاف الليرات)

بشرط:
  2x_A + x_B ≤ 100   (ساعات التشغيل)
  x_A + 2x_B ≤ 80    (المادة الأولية)
  x_A, x_B ≥ 0

الحل البياني (لمتغيرين فقط): ارسم القيود كخطوط مستقيمة — المنطقة المقبولة هي المضلع الذي تتقاطع فيه جميع القيود. الحل الأمثل يقع دائماً عند رأس من رؤوس هذا المضلع.

بحل جملة المعادلات: x_A = 40, x_B = 20، أي Z = 50(40) + 40(20) = 2800 ألف ليرة.

طريقة السمبلكس: حل منهجي

طريقة السمبلكس (Simplex Method) هي الخوارزمية الأشهر لحل البرمجة الخطية، طورها جورج دانتزيغ عام 1947. بدلاً من فحص جميع رؤوس المضلع (قد تكون ملايين)، تنتقل بذكاء من رأس إلى رأس مجاور أفضل حتى تصل للحل الأمثل.

خطوات السمبلكس:

1. تحويل القيود لمساواة: بإضافة متغيرات ركود (Slack Variables)

   • 2x_A + x_B + s₁ = 100
   • x_A + 2x_B + s₂ = 80

2. بناء الجدول الأولي (Tableau): مصفوفة تضم معاملات جميع المتغيرات

3. اختيار المتغير الداخل (Pivot Column): المتغير ذو أكبر معامل سالب في صف الهدف

4. اختيار المتغير الخارج (Pivot Row): باستخدام اختبار النسبة الدنيا

5. عملية المحور (Pivoting): إجراء عمليات صفية لتحويل الجدول

6. التكرار: حتى لا يبقى معامل سالب في صف الهدف — عندها وصلنا للحل الأمثل

لماذا السمبلكس فعّال؟ رغم أن عدد رؤوس المضلع قد يكون هائلاً (أسّي بعدد المتغيرات)، السمبلكس عملياً يحتاج عدد خطوات خطي تقريباً — يحل مسائل بآلاف المتغيرات في ثوانٍ.

حالات خاصة:

• تعددية الحلول: عندما يكون خط الهدف موازياً لأحد القيود — حلول مثلى لا نهائية
• عدم القابلية للحل (Infeasible): القيود متناقضة — لا يوجد حل يرضيها جميعاً
• عدم المحدودية (Unbounded): يمكن تحسين الهدف بلا حدود — عادة يعني نسيان قيد

الخوارزميات الجينية: محاكاة التطور الطبيعي

ماذا لو كانت المسألة غير خطية، أو دالة الهدف غير مستمرة، أو المتغيرات صحيحة (مثل عدد الآلات)؟ البرمجة الخطية لن تنفع. هنا تأتي الخوارزميات الجينية (Genetic Algorithms - GA) — أسلوب بحث مستوحى من نظرية التطور الطبيعي.

الفكرة: بدلاً من حل رياضي دقيق، نحاكي عملية الانتقاء الطبيعي:

1. تهيئة المجتمع (Initialization): أنشئ مجموعة عشوائية من الحلول المرشحة (الأفراد)
2. تقييم اللياقة (Fitness Evaluation): احسب دالة الهدف لكل فرد — كلما كانت أفضل زادت لياقته
3. الانتقاء (Selection): اختر الأفراد الأفضل للتكاثر — الأقوى أكثر حظاً
4. التقاطع (Crossover): ادمج حلّين جيدين لتوليد حل جديد (طفل)
5. الطفرة (Mutation): غيّر جزءاً صغيراً عشوائياً من الحل — يمنع الركود في حلول محلية
6. التكرار: كرر العملية عبر أجيال — كل جيل أفضل من سابقه

ترميز الحلول:

• ثنائي (Binary): كل حل سلسلة من 0 و 1 — مثل الشيفرة الوراثية
• حقيقي (Real-coded): كل متغير رقم حقيقي — أنسب للمسائل الهندسية
• ترتيبي (Permutation): ترتيب عناصر — مثل تحديد تسلسل الإنتاج على الآلات

معاملات التحكم:

تطبيقات صناعية للأمثلة

جدولة الإنتاج (Production Scheduling)

تخيّل 5 طلبيات تحتاج معالجة على 3 آلات بتسلسلات مختلفة. كل تأخير يعني غرامة. المسألة: ما أفضل ترتيب لتقليل الوقت الكلي؟

هذه مسألة جدولة ورشة العمل (Job Shop Scheduling) — من أصعب مسائل الأمثلة حسابياً (NP-hard). الخوارزميات الجينية تعطي حلولاً ممتازة في دقائق، بينما الحل الأمثل بالقوة الغاشمة قد يحتاج سنوات حاسوبية.

تقليل استهلاك الطاقة

تصغير: E = Σᵢ Pᵢ(xᵢ) × tᵢ

بشرط:
  الإنتاج الكلي ≥ الطلب
  كل آلة ≤ سعتها القصوى
  ذروة الحمل الكهربائي ≤ حد الاشتراك

بتوزيع الإنتاج بذكاء بين ساعات الذروة وخارجها، يمكن خفض فاتورة الكهرباء بنسبة 15-25%.

تصميم المزيج الأمثل (Mix Optimization)

في صناعة الإسمنت أو الأعلاف، تحتاج لخلط مواد أولية مختلفة بنسب تحقق المواصفات المطلوبة بأقل تكلفة. هذه مسألة برمجة خطية كلاسيكية.

تحسين مسار القطع (Tool Path Optimization)

في ماكينات CNC، تقليل المسافة الكلية التي تقطعها أداة القطع بين الثقوب يوفر وقت الإنتاج. هذه نسخة من مسألة البائع المتجول (Traveling Salesman Problem) — تُحل بالخوارزميات الجينية.

مقارنة بين طرق الأمثلة

القاعدة العملية: ابدأ بالبرمجة الخطية إن أمكن — فهي تعطي الحل الأمثل المضمون. إذا كانت المسألة غير خطية أو تتضمن متغيرات صحيحة أو دالة هدف معقدة، انتقل للخوارزميات الجينية أو طرق الأمثلة الأخرى مثل محاكاة التلدين (Simulated Annealing) أو أمثلة سرب الجسيمات (Particle Swarm Optimization).

أدوات برمجية للأمثلة

في البيئة الصناعية السورية، هذه الأدوات متاحة ومجانية:

• Python + SciPy: scipy.optimize لمسائل الأمثلة العامة
• PuLP: مكتبة Python للبرمجة الخطية والصحيحة
• MATLAB linprog: حل البرمجة الخطية في MATLAB
• Excel Solver: كافٍ لمسائل صغيرة (حتى 200 متغير)
• Google OR-Tools: مكتبة مفتوحة المصدر من Google لمسائل الأمثلة التوافقية

المهم ليس الأداة — بل فهم المسألة وصياغتها رياضياً. أداة خاطئة على صياغة صحيحة أفضل من أداة ممتازة على صياغة خاطئة.