Chulalongkorn University Theses and Dissertations (Chula ETD)

การจัดลำดับการผลิตที่มีหลายวัตถุประสงค์บนสายการประกอบแบบขนานผลิตภัณฑ์ผสมด้วยการหาค่าที่เหมาะสมที่สุดแบบการกระจายตัวของสิ่งมีชีวิตตามภูมิศาสตร์

Other Title (Parallel Title in Other Language of ETD)

Multi-objective sequencing on mixed-model parallel assembly lines with biogeography-based optimization

Year (A.D.)

2015

Document Type

Thesis

First Advisor

ปารเมศ ชุติมา

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Degree Name

วิศวกรรมศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิศวกรรมอุตสาหการ

DOI

10.58837/CHULA.THE.2015.1357

Abstract

การจัดลำดับสายการประกอบผลิตภัณฑ์ผสมแบบขนาน เป็นการแก้ปัญหาที่พิจารณาวัตถุประสงค์หลายวัตถุประสงค์พร้อมกันจัดเป็นปัญหาแบบ NP-Hard (Non-deterministic Polynomial-Hard) ในการค้นหาคำตอบจำเป็นต้องนำวิธีการทางฮิวริสติก (Heuristic) มาช่วยเพื่อให้ได้คำตอบที่มีความเหมาะสมที่สุด งานวิจัยนี้ได้นำเสนออัลกอลิทึมที่มีชื่อว่า วิธีการหาค่าเหมาะสมแบบการกระจายของสิ่งมีชีวิตตามภูมิศาสตร์ (Biogeography Based Optimization: BBO) โดยพิจารณาฟังก์ชันวัตถุประสงค์ 3 ฟังก์ชัน คือ ความแปรผันในการผลิตที่น้อยที่สุด ปริมาณงานที่ทำไม่เสร็จที่น้อยที่สุด และ เวลาการปรับตั้งเครื่องจักรที่น้อยที่สุด ตามลำดับ พร้อมทั้งทำการเปรียบเทียบกับอัลกอริทึมที่ได้รับการยอมรับในการจัดลำดับการผลิต ทั้งหมด 3 อัลกอริทึม คือ การหาค่าที่เหมาะสมที่สุดแบบวิธีการบรรจวบแบบขยาย (COIN-E) วิธีเชิงพันธุกรรมแบบการจัดลำดับที่ไม่ถูกครอบงำ (NSGA-II) และการหาค่าที่เหมาะสมที่สุดแบบฝูงอนุภาคไม่ต่อเนื่อง (DPSO) ผลการทดลองพบว่า COIN-E มีสมรรถนะในการแก้ปัญหาที่ดีกว่า BBO, NSGA-II และDPSO ทั้งในดัชนีการลู่เข้าสู่คำตอบที่เหมาะสมที่สุดแบบพาเรโต ดัชนีด้านอัตราส่วนของจำนวนกลุ่มคำตอบที่หาได้เทียบกับกลุ่มคำตอบที่แท้จริง และดัชนีการกระจายตัวของกลุ่มคำตอบ NSGA-II ในส่วนของใช้เวลาในการค้นหาคำตอบ COIN-E ใช้เวลาที่เร็วกว่า BBO

Other Abstract (Other language abstract of ETD)

Multi-objective sequencing on mixed-model parallel assembly lines is known as an NP-hard problem. Hence, to optimize this problem, heuristic approaches need to be developed. In this research, a Biogeography-Based Optimization (BBO) algorithm is adapted to optimize three objectives simultaneously, i.e. minimum variance of production rates, minimum utility work, and minimum setup times. The performance of BBO is compared with the well-known algorithm, i.e. Combinatorial Optimization with Coincidence Extended: COIN-E), Non-dominated Sorting Genetic Algorithms II (NSGA-II), and Discrete Particle Swarm Optimization (DPSO) The experimental results show that COIN-E outperforms BBO, NSGA-II and DPSO in terms of convergence, ratios of non-dominated solutions and the spread metric. In contrast, it is found that computation time to solution of is a marginally better than BBO

Link to Full Text

Share

COinS