การจัดลำดับการผลิตรถยนต์แบบมากวัตถุประสงค์บนสายการประกอบผลิตภัณฑ์ผสมแบบสองด้าน
Main Article Content
บทคัดย่อ
วิธีการเชิงวิวัฒนาการแบบหลายวัตถุประสงค์โดยยึดหลักการจำแนก (A Multi-Objective Evolutionary Algorithm based on Decomposition; MOEA/D) เป็นเมตาฮิวริสติกเชิงวิวัฒนาการที่ได้รับการพัฒนามาเพื่อแก้ปัญหาแบบมากวัตถุประสงค์ (Many-Objective Optimization Problems; MaOPs) โดยมีแนวคิดในการค้นหาคำตอบด้วยการจำแนกปัญหาออกเป็นปัญหาย่อยเพื่อหาคำตอบที่ดีที่สุดของปัญหาย่อยนั้นๆ งานวิจัยนี้ จึงเสนอ MOEA/D มาเปรียบเทียบกับวิธีการวิวัฒนาการโดยใช้ผลต่างแบบหลายวัตถุประสงค์ (Multi-Objective Differential Evolution Algorithm; MODE) ในการแก้ปัญหาการจัดลำดับการผลิตรถยนต์แบบมากวัตถุประสงค์บนสายการการประกอบสองด้าน ซึ่งถูกจัดเป็นปัญหา MaOPs และปัญหาประเภทเอ็นพียาก (Non-deterministic Polynomial Hard; NP-Hard) เนื่องจากมีความซับซ้อนและจำนวนคำตอบที่มาก โดยมีวัตถุประสงค์ที่ถูกประเมินพร้อมกัน 5 วัตถุประสงค์ ได้แก่ จำนวนครั้งการเปลี่ยนแปลงสีน้อยที่สุด จำนวนรถยนต์ที่ละเมิดรวมน้อยที่สุด ปริมาณงานที่ทำไม่เสร็จในการผลิตน้อยที่สุด เวลารอคอยงานรวมในการผลิตน้อยที่สุด และความแปรผันรวมของสัดส่วนการผลิตน้อยที่สุด ซึ่งจากการทำลองพบว่า MOEA/D มีสมรรถนะด้านการลู่เข้าสู่คำตอบที่แท้จริงและเวลาที่ใช้ดีกว่า MODE
Article Details
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
[2] A. Zinflou, C. Gagné, and M. Gravel, “Design of an efficient genetic algorithm to solve the industrial car sequencing problem,” in Advances in Evolutionary Algorithms, London: Headquarters IntechOpen Limited, 2008, pp. 377–400.
[3] O. S. Akgündüz and S. Tunalı, “A review of the current applications of genetic algorithms in mixed-model assembly line sequencing,” International Journal of Production Research, vol. 49, no. 15, pp. 4483–4503, 2011.
[4] C. J. Hyun, Y. Kim, and Y. K. Kim “A genetic algorithm for multiple objective sequencing problems in mixed model assembly lines,” Computers & Operations Research, vol. 25, no. 7–8, pp. 675–690, 1998.
[5] S. A. Mansouri, “A multi-objective genetic algorithm for mixed-model sequencing on jit assembly lines,” European Journal of Operational Research, vol. 167, no. 3, pp. 696–716, 2005.
[6] P. Chutima and S. Olarnviwatchai, “A multiobjective car sequencing problem on two sided assembly lines,” Journal of Intelligent Manufacturing, pp. 1–20, 2016.
[7] Z. He and G. G. Yen, “Many-objective evolutionary algorithm: objective space reduction and diversity improvement,” IEEE Transactions on Evolutionary Computation, vol. 20, no. 1, pp. 145–160, 2016.
[8] L. Hui and Z. Qingfu, “A multiobjective differential evolution based on decomposition for multiobjective optimization with variable linkages,” Parallel Problem Solving from Nature IX, vol. LNCS 4193, pp. 583–592, 2006.
[9] D. Brockhoff and E. Zitzler, “Objective reduction in evolutionary multi-objective optimization: Theory and applications,” Evolutionary Computation, vol. 17, no. 2, pp. 135–166, 2009.
[10] Z. Qingfu and L. Hui, “MOEA/D: A multiobjective evolutionary algorithm based on decomposition,” IEEE Transactions on Evolutionary Computation, vol. 11, no. 6, pp. 712–731, 2007.
[11] U. Özcan and B. Toklu, “Balancing of mixedmodel two-sided assembly lines,” Computers and Industrial Engineering, vol. 57, no. 1, pp. 217–227, 2009.
[12] S. Olanviwatchai, “Multi-objective car sequencing problem on mixed-model two-sided assembly lines,” M.S. thesis, Department of Industrial Engineering, Faculty of Engineering, Chulalongkorn Universiry, 2013.
[13] N. Manavizadeh, L. Tavakoli, M. Rabbani, and F. Jolai, “A multi-objective mixed-model assembly line sequencing problem in order to minimize total costs in a Make-To-Order environment, considering order priority,” Journal of Manufacturing Systems, vol. 32, no. 1, pp. 124–137, 2013.
[14] A. R. Rahimi-Vahed, M. Rabbani, R. Tavakkoli-Moghaddam, S. A. Torabi, and F. Jolai, “A multiobjective scatter search for a mixed-model assembly line sequencing problem,” Advanced Engineering Informatics, vol. 21, no. 1, pp. 85–99, 2007.
[15] A. Konak, D. W. Coit, and A. E. Smith, “Multiobjective optimization using genetic algorithms: A tutorial,” Reliability Engineering & System Safety, vol. 91, no. 9, pp. 992–1007, 2006.
[16] R. Kumar and P. K. Singh, “Pareto evolutionary algorithm hybridized with local search for biobjective TSP,” Hybrid Evolutionary Algorithms, vol. 75, pp. 361–398, 2007.
[17] P. R. McMullen, “An efficient frontier approach to addressing JIT sequencing problems with setups via search heuristics,” Computers and Industrial Engineering, vol. 41, pp. 335–353, 2001.