Artificial intelligence methods for short-term planning in petroleum products realization

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

In this article, a critical analytical review of the application of artificial intelligence methods in the field of scheduling theory is presented, exemplified by the constraints of the short-term planning problem in the process of petroleum products realization via road transport. The objective of the research was to systematize and evaluate existing approaches to solving planning tasks while considering specific temporal constraints inherent to the petroleum products realization process. During the study, both exact and approximate methods for solving scheduling theory problems were analyzed, including heuristic algorithms and approaches based on artificial neural networks. It was established that existing methods have significant limitations when addressing semi-online planning tasks. The research findings demonstrate the necessity for developing a new method capable of promptly restructuring schedules in response to unpredictable changes that arise during the petroleum products realization process. The results of the study highlight the promising potential for advancing artificial intelligence methods to address short-term planning challenges.

About the authors

Yuriy V. Ignatyev

Bauman Moscow State Technical University

Author for correspondence.
Email: Yuriy-Ig@yandex.ru

postgraduate student

Russian Federation, Moscow

Gennady I. Afanasyev

Bauman Moscow State Technical University

Email: gaipcs@bmstu.ru

Cand. Sci. (Eng.), Associate Professor; associate professor

Russian Federation, Moscow

References

  1. Kantorovich L. Mathematical methods of production planning and organization. Leningrad: Leningrad State University Press, 1939.
  2. Krivosheev O.V. Resource allocation technology for production systems under data uncertainty in high-tech industries. Dis. ... of Cand. Sci. (Eng.). Sarov, 2022.
  3. Krotov K.V. Mathematical models and methods for multilevel scheduling optimization of multistage processes with adaptation. Dis. ... of Dr. Sci. (Eng.). Sevastopol, 2022.
  4. Lazarev A.A., Gafarov E.R. Scheduling theory: Problems and algorithms. Moscow: Faculty of Physics, Moscow State University, 2011. 222 p.
  5. Lazarev A.A. et al. Scheduling theory: Railway planning problems. Moscow: Institute of Control Sciences, RAS, 2021. 92 p.
  6. Tanaev V.S., Shkurba V.V. Introduction to scheduling theory. by Yu.D. Yudin (ed.). Moscow: Nauka, 1975. 256 p.
  7. Agnetis A. et al. Fifty years of research in scheduling – theory and applications. Eur. J. Oper. Res. 2025. doi: 10.1016/j.ejor.2025.01.034.
  8. Bellman R. Mathematical aspects of scheduling theory. Journal of the Society for Industrial and Applied Mathematics. 1956. Vol. 4. No. 3. doi: 10.1137/0104010.
  9. Blackstone J.H., Phillips D.T., Hogg G.L. A state-of-the-art survey of dispatching rules for manufacturing job shop operations. Int. J. Prod Res. 1982. Vol. 20. No. 1. doi: 10.1080/00207548208947745.
  10. Brucker P. Scheduling algorithms. Fifth ed. Berlin: Springer-Verlag, 2007. 365 с.
  11. Cruz-Chávez M.A., Martínez-Rangel M.G., Cruz-Rosales M.H. Accelerated simulated annealing algorithm applied to the flexible job shop scheduling problem. International Transactions in Operational Research. 2017. Vol. 24. No. 5. doi: 10.1111/itor.12195.
  12. Dürr Ch. The Scheduling Zoo. URL: https://github.com/xtof-durr/schedulingzoo/wiki/The-Scheduling-Zoo-project (data of accesses: 05.06.2024).
  13. Gantt N.L. A Graphical daily balance in manufacture. Journal of Fluids Engineering, Transactions of the ASME. 1903.
  14. Garey M.R., Johnson D.S., Sethi R. The complexity of flow shop and job shop scheduling. Mathematics of Operations Research. 1976. Vol. 1. No. 2. Pp. 117–129. doi: 10.1287/moor.1.2.117.
  15. Graham R.L. et al. Optimization and approximation in deterministic sequencing and scheduling: A survey. Annals of Discrete Mathematics. 1979. Pp. 287–326.
  16. Haddad N., Myshenkov K.S., Afanasiev G.I. Introducing text analysis algorithms in decision support systems for automated evaluation of the doctor prescriptions. In: 6th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE, 2024. Pp. 1–5.
  17. Hasan S.M.K. et al. Memetic algorithms for solving job-shop scheduling problems. Memet. Comput. 2009. Vol. 1. No. 1. Pp. 69–83. doi: 10.1007/s12293-008-0004-5.
  18. Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems. Biol. Cybern. 1985. Vol. 52. No. 3. Pp. 141–152. doi: 10.1007/BF00339943.
  19. Hu Y., Duan Q. Solving the TSP by the AALHNN algorithm. Mathematical Biosciences and Engineering. 2022. Vol. 19. No. 4. Pp. 3427–3448. doi: 10.3934/mbe.2022158.
  20. Ignatyev Y.V., Afanasyev G.I. Neural network architecture for scheduling tank trucks loading at petroleum products storages. In: 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). Moscow: IEEE, 2025.
  21. Ivanyuk V., Shuvalov K. Neural network-based methods for forecasting financial time series. In: 14th International Conference Management of Large-scale System Development (MLSD). IEEE, 2021. Pp. 1–4.
  22. James R.J. Scheduling a production line to minimize maximum tardiness. Los Angeles: Office of Technical Services, 1955.
  23. Johnson S.M. Optimal two‐ and three‐stage production schedules with setup times included. Naval Research Logistics Quarterly. 1954. Vol. 1. No. 1. doi: 10.1002/nav.3800010110.
  24. Jun S., Lee S., Chun H. Learning dispatching rules using random forest in flexible job shop scheduling problems. Int. J. Prod. Res. 2019. Vol. 57. No. 10. Pp. 3290–3310. doi: 10.1080/00207543.2019.1581954.
  25. Khobotov E.N., Ermolova M.A. Formation of work plans and schedules at enterprises with conveyor assembly. IFIP Advances in Information and Communication Technology. 2021. Pp. 572–579.
  26. Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by simulated annealing. Science (1979). 1983. Vol. 220. No. 4598. Pp. 671–680. doi: 10.1126/science.220.4598.671.
  27. Lenstra J.K., Rinnooy Kan A.H.G., Brucker P. Complexity of machine scheduling problems. Annals of Discrete Mathematics. 1977. Vol. 1. No. C. doi: 10.1016/S0167-5060(08)70743-X.
  28. Li F. et al. A transformer-based deep reinforcement learning approach for dynamic parallel machine scheduling problem with family setups. J. Intell Manuf. 2024. doi: 10.1007/s10845-024-02470-8.
  29. Li X. et al. Integrated optimization approach of hybrid flow-shop scheduling based on process set. IEEE Access. 2020. Vol. 8. Pp. 223782–223796. doi: 10.1109/ACCESS.2020.3044606.
  30. Michael L.P. Scheduling theory, algorithms, and systems. Sixth ed. New York: Springer, 2022.
  31. Noorul Haq A. et al. A hybrid neural network-genetic algorithm approach for permutation flow shop scheduling. Int. J. Prod. Res. 2010. Vol. 48. No. 14. Pp. 4217–4231. doi: 10.1080/00207540802404364.
  32. Parthasarathy S., Rajendran C. An experimental evaluation of heuristics for scheduling in a real-life flowshop with sequence-dependent setup times of jobs. Int. J. Prod. Econ. 1997. Vol. 49. No. 3. Pp. 255–263. doi: 10.1016/S0925-5273(97)00017-0.
  33. Richard W. et al. Theory of scheduling, 1967.
  34. Saidi-Mehrabad M., Fattahi P. Flexible job shop scheduling with taboo search algorithms. International Journal of Advanced Manufacturing Technology. 2007. Vol. 32. No. 5–6. doi: 10.1007/s00170-005-0375-4.
  35. Saprykin Y., Ryazntsev V., Smirnov A. Application of neural networks to the analysis of time series data in the recognition of driver fatigue. In: International Conference on Information Technology and Nanotechnology (ITNT). IEEE, 2021. Pp. 1–5.
  36. Smith W.E. Various optimizers for single‐stage production. Naval Research Logistics Quarterly. 1956. Vol. 3. No. 1–2. doi: 10.1002/nav.3800030106.
  37. Tassel P., Gebser M., Schekotihin K. A reinforcement learning environment for job-shop Scheduling. International Journal of Computer Information Systems and Industrial Management Applications. 2021. Vol. 12.
  38. Yazdani M. et al. A simulated annealing algorithm for flexible job-shop scheduling problem. Journal of Applied Sciences. 2009. Vol. 9. No. 4. doi: 10.3923/jas.2009.662.670.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


License URL: https://www.urvak.ru/contacts/

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».