Eco-Conscious Master Production Scheduling Under Dual Uncertainty: A Hybrid Approach Using Machine Learning and Stochastic Optimization

تخيل أنك تدير كشكاً ضخماً ومتطوراً لبيع عصير الليمون، ولكن بدلاً من الليمون، أنت تصنع آلات معقدة، وبدلاً من يوم مشمس، يتمثل تحديك الأكبر في حالة الطقس. في عالم المصانع الحديثة، هناك شد وجذب مستمر بين شيئين لا يمكن التنبؤ بهما: كم عدد الأشخاص الذين يريدون شراء منتجك (الطلب) وكم تبلغ تكلفة تشغيل الآلات (الطاقة). لفترة طويلة، حاول مديرو المصانع حل هذه المعضلة من خلال تخمين المستقبل باستخدام رقم واحد "أفضل تخمين". كانوا يقولون: "غداً، سنحتاج إلى 100 ليمونة، وستكلف الكهرباء 5 سنتات". لكن في العالم الحقيقي، المستقبل فوضوي. أحياناً، لا أحد يريد عصير الليمون، وأحياناً تكون الشمس ساطعة جداً لدرجة أن تكلفة الكهرباء تصبح "سالبة" (بمعنى أن شركة الكهرباء تدفع لك مقابل استخدامها!). تعيش هذه الورقة البحثية في زاوية من العلوم تسمى بحوث العمليات (Operations Research)، وهي في الأساس فن اتخاذ أفضل القرارات الممكنة عندما لا تعرف ما سيحدث لاحقاً. وهي تبني على فكرة أنه إذا عاملت المستقبل كحقيقة ثابتة، فستقع في ازدحام مروري من القرارات السيئة. بدلاً من ذلك، يقترح المؤلفون أن نعامل المستقبل مثل مجموعة أوراق اللعب: نحن لا نعرف أي ورقة سنسحب، ولكن يمكننا خلط المجموعة والتخطيط لكل يد محتملة.

تقترح هذه الدراسة، التي تحمل عنوان "الجدولة الرئيسية للإنتاج الصديقة للبيئة تحت ظروف عدم اليقين المزدوج"، طريقة ذكية وجديدة لإدارة مصنع يكون ذكياً بما يكفي للتعامل مع سؤال "هل سيشتري أحد هذا؟" وسؤال "كم تبلغ تكلفة الطاقة الآن؟" في نفس الوقت. يقترح المؤلفون نهجاً "هجيناً" يمزج بين أداتين قويتين: تعلم الآلة (Machine Learning) (أجهزة كمبيوتر تتعلم من البيانات الماضية) والتحسين العشوائي (Stochastic Optimization) (رياضيات تخطط لمستقبلات مختلفة).

إليك كيف تعمل "خدعتهم السحرية". أولاً، يستخدمون عقلاً حاسوبياً فائق الذكاء يسمى LightGBM لتخمين عدد المنتجات التي قد يرغب بها الناس. وبدلاً من إعطاء رقم واحد فقط، فإنه يرسم "سحابة" من الاحتمالات، قائلاً: "قد نحتاج إلى 100، أو ربما 150، أو ربما 50 فقط". وفي الوقت نفسه، يستخدمون عقلاً حاسوبياً آخر يسمى LSTM (وهو بمثابة بنك ذاكرة للزمن) لمراقبة أسعار الكهرباء. هذا العقل بارع في رصد الأنماط، مثل كيف يمكن للأسعار أن تنهار عندما تكون الشمس مشرقة أو ترتفع عندما يعود الجميع إلى منازلهم من العمل.

بمجرد أن تضع هذه العقول الحاسوبية تخميناتها، لا يكتفي المؤلفون باختيار سيناريو واحد. بدلاً من ذلك، ينشئون "شجرة" من مئات الاحتمالات المستقبلية (السيناريوهات). ثم يستخدمون مرشحاً رياضياً خاصاً لتقليص هذه الشجرة الضخمة إلى الفروع الأكثر أهمية، حتى لا يشعر الكمبيوتر بالإرهاق. أخيراً، يغذون هذه الشجرة في نموذج عشوائي ثنائي المراحل (Two-Stage Stochastic Model). فكر في هذا النموذج كرقصة من خطوتين:

1. خطوة "الآن وهنا": يقوم المصنع بوضع خطة قبل وقوع المستقبل. يقررون أي الآلات سيتم تشغيلها وكم سيتم إنتاجه، مع علمهم أنهم قد يحتاجون إلى إجراء تعديلات لاحقاً.
2. خطوة "الانتظار والرؤية": بمجرد وصول اليوم الفعلي وظهور الطلب الحقيقي وأسعار الكهرباء الحقيقية، يقوم المصنع بإجراء تعديلات سريعة. إذا كانت الكهرباء رخيصة، فإنهم يشغلون الآلات بقوة. وإذا كانت باهظة الثمن، فإنهم يتوقفون ويستخدمون المخزون الذي بنوه سابقاً.

تعارض الورقة البحثية بشدة الطريقة القديمة، والتي تسمى الإنتاج في الوقت المحدد (Just-In-Time - JIT). تقول الطريقة القديمة: "اصنع بالضبط ما تحتاجه، في الوقت الذي تحتاجه فيه تماماً، واحتفظ بصفر من الأشياء الإضافية". يوضح المؤلفون أنه في عالم تتقلب فيه أسعار الكهرباء بجنون، فإن هذا النهج الجامد يعد كارثة. فهو يجبر المصانع على تشغيل آلاتها خلال ساعات الذروة الباهظة الثمن لمجرد تجنب تخزين أصناف إضافية. تقترح طريقتهم الجديدة أنه من الأذكى "التخزين الزائد" قليلاً وبشكل متعمد. فمن خلال إنتاج المزيد من المنتجات عندما تكون الكهرباء رخيصة (أو حتى مجانية!)، يمكن للمصنع وقف الإنتاج خلال الساعات الغالية، مما يوفر مبلغاً هائلاً من المال.

عندما اختبر المؤلفون هذه الفكرة على مصنع محاكى يتاجر في الكهرباء في السوق الأوروبي (تحديداً سوق EPEX SPOT)، كانت النتائج مذهلة حقاً. في عمليات المحاكاة الخاصة بهم، وفرت طريقة "التنبؤ والتحسين" الجديدة 34.3% من إجمالي التكاليف التشغيلية مقارنة بطرق التخطيط القديمة والجامدة. يُقاس هذا بما يسمى قيمة الحل العشوائي (Value of the Stochastic Solution - VSS)، والتي بلغت 10,570 دولاراً خلال فترة 30 يوماً في اختبارهم. لم يوفر النموذج المال فحسب؛ بل ساعد البيئة بشكل طبيعي أيضاً. نظرًا لأن المصنع نقل عمله إلى الأوقات التي تتوفر فيها الكثير من طاقة الرياح والطاقة الشمسية (والتي غالباً ما تكون فيها الكهرباء رخيصة أو ذات أسعار سالبة)، انخفضت انبعاثات الكربون الخاصة بالمصنع دون أن يحاولوا حتى "التحول للأخضر" بشكل صريح. لقد أصبح الدافع الاقتصادي لتوفير المال، عن غير قصد، دافعاً لإنقاذ الكوكب.

وجد المؤلفون أيضاً أن النموذج كان جيداً جداً في رصد "الأسعار السالبة" – تلك اللحظات النادرة التي تمتلئ فيها شبكة الطاقة بالطاقة المتجددة لدرجة أن الشركات تدفع للمصانع مقابل استخدامها. كان النموذج يعمل بشكل استباقي لنقل الإنتاج إلى هذه الأوقات، محولاً تكلفة الطاقة فعلياً إلى دخل بسيط. ومع ذلك، تنبه الورقة البحثية إلى أن هذه النتائج تأتي من عمليات المحاكاة والتجارب الحسابية على نوع معين من المصانع، وليس من مصنع حقيقي يعمل بهذه الطريقة منذ سنوات. ويشير المؤلفون إلى أنه بينما تبدو الرياضيات متينة والمدخرات كبيرة في المحاكاة، فإن التنفيذ في العالم الحقيقي سيحتاج إلى مزيد من الاختبار. كما حسبوا أنه إذا أرادت شركة معرفة المستقبل المثالي المطلق، فسيكون من المستحق إنفاق ما يصل إلى 4,800 دولار (القيمة المتوقعة للمعلومات الكاملة - Expected Value of Perfect Information) للحصول على تنبؤات أفضل، ولكن بما أن التنبؤ المثالي مستحيل، فإن طريقتهم الحالية تعد بديلاً قوياً جداً.

باختصار، تقترح هذه الورقة أن مستقبل إدارة المصانع لا يتعلق بتخمين المستقبل بشكل مثالي؛ بل يتعلق ببناء خطة مرنة يمكنها الرقص مع المستقبل، مهما كانت الموسيقى صاخبة ومجنونة. ومن خلال استخدام الذكاء الاصطناعي للتنبؤ بالفوضى والرياضيات للتخطيط لها، يمكن للمصانع توفير المال، وتجنب نفاد المخزون، ومساعدة البيئة عن غير قصد، كل ذلك في آن واحد.