Multi-objective biopharma capacity planning under uncertainty using a flexible genetic algorithm approach

Abstract

This paper presents a flexible genetic algorithm optimisation approach for multiobjective biopharmaceutical planning problems under uncertainty. The optimisation approach combines a continuous-time heuristic model of a biopharmaceutical manufacturing process, a variable-length multi-objective genetic algorithm, and Graphics Processing Unit (GPU)-accelerated Monte Carlo simulation. The proposed approach accounts for constraints and features such as rolling product sequencedependent changeovers, multiple intermediate demand due dates, product QC/QA release times, and pressure to meet uncertain product demand on time. An industrially-relevant case study is used to illustrate the functionality of the approach. The case study focused on optimisation of conflicting objectives, production throughput and product inventory levels, for a multi-product biopharmaceutical facility over a 3-year period with uncertain product demand. The advantages of the multiobjective GA with the embedded Monte Carlo simulation were demonstrated by comparison with a deterministic GA tested with Monte Carlo simulation postoptimisation.

Multi-Objective Optimization Design of Ladle Refractory Lining Based on Genetic Algorithm

“…Biological evolution is a very magical process. It produces excellent species through the laws of nature such as selection, elimination, and mutation ( Jankauskas and Farid, 2019 ; Majumder and kar, 2019 ). Genetic algorithm (GA) is a computer intelligence algorithm abstracted from the selection and evolutionary process of nature ( Netjinda et al, 2015 ; Ngo et al, 2016 ).…”

Aprimoramento de um modelo evolutivo multiobjetivo aplicado ao problema de sequenciamento de bateladas na manufatura de produtos farmacêuticos

“…Alguns desse trabalhos utilizaram Simulac ¸ões de Monte Carlo (SMC) para melhorar a qualidade das soluc ¸ões nessa área. Nos últimos anos, tem havido um interesse crescente em adaptar técnicas desenvolvidas para Problemas de Otimizac ¸ão Multiobjetivo com Restric ¸ões (POMR) para o escalonamento de processos, como evidenciado por vários artigos [Zhou et al 2018, Li et al 2019, Jankauskas and Farid 2019, Fu et al 2021, Bezdan et al 2022, Zhang et al 2022. Esses artigos exploraram diferentes métodos, principalmente algoritmos genéticos multiobjetivo (AGMOs), AGMOs híbridos com programac ¸ão linear inteira mista, algoritmos de otimizac ¸ão por moscas-das-frutas, algoritmos de colônia de formigas e enxame de partículas.…”

“…A maioria das abordagens citadas não foi aplicada ao sequenciamento de bateladas na indústria química no domínio de manufatura farmacêutica, que é caracterizado por objetivos conflitantes, restric ¸ões e demandas incertas. Entretanto, a incapacidade de estabelecer um sistema resiliente de planejamento de produc ¸ão pode levar a perdas significativas, como exemplificado pelo caso da produc ¸ão do medicamento Enbrel, que resultou em mais de 200 milhões de dólares em receita perdida [Jankauskas and Farid 2019]. Em particular, AGMOs são adequados para lidar com Problemas de Otimizac ¸ão Multiobjetivo (POM).…”

“…Jankauskas e outros desenvolveram um AGMO aplicado a um problema biobjetivo de SB com restric ¸ão e incerteza de demanda na manufatura farmacêutica. No entanto, os próprios autores evidenciaram altas taxas de erro e baixa convergência [Jankauskas and Farid 2019].…”

“…Neste trabalho, avaliamos uma nova estratégia de inicializac ¸ão de populac ¸ão, que permite que o algoritmo parta de um conjunto de indivíduos com maior diversidade. Além disso, propomos uma melhoria no operador de mutac ¸ão empregado no modelo de referência [Jankauskas and Farid 2019] para aumentar sua eficiência, além de alterar o operador de cruzamento, após avaliarmos e adaptarmos algumas opc ¸ões disponíveis na literatura de AGs. O objetivo é aprimorar a qualidade das soluc ¸ões não-dominadas obtidas, com base em métricas paramétricas e não paramétricas usualmente empregadas em POM: hipervolume (Hv), Distância Geracional Invertida Plus (IGD+), Taxa de Erro (E) e Cobertura entre Dois Conjuntos (CS).…”