Chulalongkorn University Theses and Dissertations (Chula ETD)

การจัดลำดับการผลิตที่มีหลายวัตถุประสงค์บนสายการประกอบผลิตภัณฑ์ผสมแบบหลายคน

Other Title (Parallel Title in Other Language of ETD)

Multi-objective sequencing problem on mixed-model multi-manned assembly lines

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.2015.1369

Abstract

การจัดลำดับการผลิตที่มีหลายวัตถุประสงค์บนสายการประกอบผลิตภัณฑ์ผสมแบบหลายคนงาน จัดเป็นปัญหาแบบเอ็นพียาก (non-deterministic polynomial time hard; NP-Hard) ซึ่งวิธีการแก้ปัญหานั้นจำเป็นต้องใช้วิธีการทางฮิวริสติก (Heuristic) บทความนี้นำเสนอการหาค่าที่เหมาะสมที่สุดแบบวิธีการบรรจวบแบบขยาย (Combinatorial Optimization with Coincidence Extended: COIN-E) เพื่อใช้สำหรับแก้ปัญหาดังกล่าว โดยมี 3 วัตถุประสงค์ที่จะถูกทำให้เหมาะสมที่สุดไปพร้อมกัน ได้แก่ ความผันแปรของการผลิตน้อยที่สุด ปริมาณงานที่ทำไม่เสร็จในการผลิตน้อยที่สุด และเวลาของการปรับตั้งเครื่องจักรน้อยที่สุด ผลจากการทดลองแก้ปัญหาที่มีลักษณะต่างๆที่แตกต่างกัน แสดงให้เห็นว่า COIN-E มีสมรรถนะในการแก้ปัญหาที่สูงกว่าการหาค่าที่เหมาะสมที่สุดแบบเจนเนติกอัลกอริทึม (NSGA-II) การหาค่าที่เหมาะสมที่สุดแบบการกระจายตัวของสิ่งมีชีวิตตามภูมิศาสตร์ (BBO) และการหาค่าที่เหมาะสมที่สุดแบบฝูงอนุภาคไม่ต่อเนื่อง (DPSO) ซึ่งเป็นอีกอัลกอริทึมที่ได้รับความนิยม ทั้งในดัชนีการลู่เข้าสู่คำตอบที่เหมาะสมที่สุดแบบพาเรโต ดัชนีด้านอัตราส่วนของจำนวนคำตอบที่ไม่ถูกครอบงำเทียบกับจำนวนคำตอบทีอัลกอริทึมหาได้ (RNDS-I) อัตราส่วนของจำนวนคำตอบที่ไม่ถูกครอบงำเทียบกับจำนวนคำตอบที่แท้จริง (RNDS-II) จำนวนคำตอบที่เหมาะสมที่สุดเชิงพาเรโต (NNDS) และดัชนีเวลาที่ใช้ในการคำนวณหาคำตอบ

Other Abstract (Other language abstract of ETD)

Multi-objective sequencing problem on mixed-model multi-manned assembly lines is known to be NP-hard resulting in being nearly impossible to obtain an optimal solution for practical problems. This research presents a method called Combinatorial Optimization with Coincidence Expand Algorithm (COIN-E) for the sequencing problem. Three objectives are simultaneously considered; minimum production rates variance, minimum utility work, and minimum setup times. The results from the experiments clearly show that COIN-E has better performances than other three well-known algorithms, namely Non-dominated Sorting Genetic Algorithms (NSGA-II), Biogeography Based Optimization (BBO) and Discrete Particle Swarm Optimization (DPSO) in terms of convergence to the Pareto-optimal set, ratio of non-dominated solution I (RNDS-I), ratio of non-dominated solution II (RNDS-II), Number of Non-dominated Solution (NNDS) and computation time to solution

Link to Full Text

Share

COinS