การจัดลำดับการผลิตแบบหลายวัตถุประสงค์ บนสายการประกอบผลิตภัณฑ์ผสมแบบสองด้านภายใต้ผลกระทบจากการเรียนรู้

บทคัดย่อ

บทคัดย่อ

การจัดลำดับการผลิตมีความสำคัญอย่างยิ่งในการช่วยแก้ปัญหาสายการประกอบผลิตภัณฑ์ผสมแบบสองด้านเพื่อให้การผลิตมีประสิทธิภาพสูงสุด ซึ่งปัญหาการจัดลำดับการผลิตนั้นต้องพิจารณาหลายปัจจัย ทั้งฟังก์ชันวัตถุประสงค์ที่มีหลายตัว และผลกระทบจากการเรียนรู้จึงทำให้ปัญหามีความยุ่งยากซับซ้อนมากยิ่งขึ้น (ปัญหาแบบ Non-deterministic Polynomial-Hard : NP-Hard)งานวิจัยนี้ได้นำอัลกอริทึมที่มีชื่อว่า วิธีการหาค่าเหมาะสมแบบการกระจายของสิ่งมีชีวิตตามภูมิศาสตร์ (BiogeographybasedOptimization: BBO) เข้ามาประยุกต์ใช้ในการแก้ปัญหาการจัดลำดับการผลิต โดยจะพิจารณาฟังก์ชันวัตถุประสงค์ 3 ฟังก์ชันวัตถุประสงค์ คือ ความแปรผันของการผลิตน้อยที่สุด ปริมาณงานที่ทำไม่เสร็จน้อยที่สุด และ เวลาการปรับตั้งเครื่องน้อยที่สุด แล้วทำการเปรียบเทียบประสิทธิภาพกับอัลกอริทึมที่ได้รับการยอมรับว่าสามารถแก้ปัญหาประเภทนี้ได้อย่างมีประสิทธิภาพ ได้แก่ NSGA-IIและ DPSO จากการเปรียบเทียบประสิทธิภาพของผลการวิจัย พบว่า BBO มีประสิทธิภาพด้านการลู่เข้าสู่กลุ่มคำตอบ 98.67 เปอร์เซ็นต์และด้านอัตราส่วนของจำนวนกลุ่มคำตอบที่ค้นพบเทียบกับกลุ่มคำตอบที่แท้จริง 76.13เปอร์เซ็นต์ ซึ่งดีกว่า NSGAII และ DPSO

คำสำคัญ: วิธีการหาค่าเหมาะสมแบบการกระจายของสิ่งมีชีวิตตามภูมิศาสตร์การจัดลำดับการผลิตสายการประกอบผลิตภัณฑ์ผสมแบบสองด้านฟังก์ชันหลายวัตถุประสงค์ ผลกระทบจากการเรียนรู้

Abstract

Sequencing is an important method for solvingthe mixed-model two-sided assembly lines problem toreach maximum production efficiency. Many factorssuch as multiple objectives and learning effect have to beconsidered in solving the sequencing problem. Thesemake the problem more complicated as known as“NP-Hard problem”. In this research, a Biogeography-basedOptimization (BBO) algorithm is adopted for solving thesequencing problem to minimize variance of productionrates, utility work, and setup time. The results is comparedwith well-known algorithms such as Non-dominatedSorting Genetic Algorithms (NSGA-II) and DiscreteParticle Swarm Optimization (DPSO). The experimentsshow that BBO has performed of convergence 98.67%and ratio 76.13%, consequently, which are better thanNSGA-II and DPSO.

Keywords: Biogeography-based Optimization,Sequencing, Mixed-model two-sidedAssembly Line, Multi-objective Functions,Learning Effect