การประยุกต์ใช้วิธีขั้นตอนเชิงพันธุกรรมแบบผสมเพื่อแก้ไขปัญหาการจัดตาราง การผลิตชนิดสายการประกอบแบบไหลเลื่อน

บทคัดย่อ

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอวิธีการจัดตารางการผลิตแบบผสมเพื่อแก้ปัญหาการจัดตารางการผลิตของอุตสาหกรรมผลิตชิ้นส่วนรถยนต์ตัวอย่างซึ่งมีระบบการผลิตเป็นสายการประกอบแบบไหลเลื่อน(Assembly Flow Shop) และทำการผลิตสินค้า 16 ชนิดแต่ละชนิดมีความแตกต่างกันในด้านรายการวัสดุ เครื่องจักรและขั้นตอนที่ใช้ในการผลิต บางขั้นตอนต้องทำงานบนสถานีงานหลักเท่านั้น แต่บางขั้นตอนสามารถเลือกที่จะทำบนสถานีหลักหรือสถานีงานรองได้ ผู้วิจัยได้ประยุกต์ใช้วิธีการขั้นตอนเชิงพันธุกรรมแบบผสม (Hybrid Genetic Algorithm) ซึ่งเป็นการประยุกต์ใช้วิธีการขั้นตอนเชิงพันธุกรรมร่วมกับวิธีการเนเบอร์ฮูทเสิร์ช (Genetic Algorithm and Neighborhood Search: GANS) โดยมีวัตถุประสงค์เพื่อหาค่าใช้จ่ายที่ต่ำที่สุดของผลรวมระหว่างค่าใช้จ่ายเนื่องจากความล่าช้าของงาน (Tardiness Cost) และค่าใช้จ่ายเมื่อมีงานค้างอยู่ในระบบ (Flow-time Cost) หลังจากการทดลองนำวิธีการ GANS ไปใช้ในการจัดตารางการผลิตให้กับใบสั่งผลิตจำนวน 80 ใบ หรือ 521 คำสั่งผลิตพบว่าวิธีการ GANS จะให้คำตอบที่ดีกว่าวิธี GA และวิธีการที่ใช้อยู่ในปัจจุบัน (Earliest Due Date: EDD) และวิธีการที่นำเสนอนี้ยังสามารถลดเวลาในการจัดตารางการผลิตลงจากเดิมซึ่งใช้เวลาโดยประมาณ 5-7 วันเหลือเพียง5 นาทีเท่านั้น

คำสำคัญ: การจัดตารางการผลิต ระบบการผลิตแบบไหลเลื่อน วิธีการขั้นตอนเชิงพันธุกรรม

Abstract

This research proposes a hybrid genetic algorithm for an assembly flow shop scheduling problem. There are 16 finished products and each of them has different properties such as product structure, required work centers, and required operations of each work order. There are two work center priorities. Some operations must be produced only on the first priority work center, whereas some operations can be produced on both the first and second priority work centers (alternatively). The authors apply a hybrid genetic algorithm which is a combination of a genetic algorithm (GA) and neighborhood search (GANS).An objective function is to minimize sum of tardiness cost and flow-time cost. The proposed algorithm is then applied to 80 customer orders or 521 operations. The results shows that the GANS obtains better total cost than the GA or the existing method (Earliest Due Date:EDD) The proposed algorithm can greatly reduce the time required in scheduling tasks from 5-7 days to only 5 minutes.

Keywords: Production Scheduling, Assembly Flow Shop, Genetic Algorithms