Anda di halaman 1dari 10

Evaluasi Kinerja Koloni Semut Berbasis Solusi Strategi Optimasi Di Jalur Perakitan Menyeimbangkan Masalah Mixed Model

1.

Pendahuluan Lini perakitan pertama kali diciptakan untuk menghasilkan berbagai produk

yang memiliki volume tinggi. Perusahaan memungkinkan biaya produksi yang rendah, mengurangi waktu siklus dan tingkat kualitas yang akurat dan tinggi. Hal ini sangant penting bagi perusahaan dimana perusahaan bisa mendapatkan keuntungan jika perusahaan tersebut ingin tetap kompetitif. skenario permintaan Di sisi lain, keadaan pasar saat ini, yang intensif, kompetitif dan konsumen yang sentris, memaksa produsen untuk memproduksi satu model dengan fitur yang berbeda. Oleh karena itu, karena tingginya biaya pembangunan dan memelihara jalur perakitan untuk masing-masing model, perusahaan manufaktur memproduksi satu model dengan fitur yang berbeda atau beberapa model pada jalur perakitan tunggal. Jenis jalur perakitan, yang digambarkan untuk pertama waktu dalam literatur oleh Thomopoulos disebut model jalur perakitan campuran. Berdasarkan literatur yang relevan dan terbukti, masalah keseimbangan di jalur perakitan model campuran diklasifikasikan menjadi dua kelompok, tipe I dan tipe II model campuran masalah perakitan balancing, disingkat dengan MMALBP-I dan MMALBP-II, masing-masing. MMALBP-II (masing-masing MMALBP-I) terdiri dari tugas tugas untuk workstation sedemikian rupa sehingga hubungan didahulukan dari masing-masing model puas dan siklus waktu (masingmasing jumlah workstation) dapat diminimalkan untuk memberikan jumlah workstation (masing-masing waktu siklus) dan model M diberikan, set tugas yang terkait dengan masing-masing model, waktu kinerja tugas, dan himpunan relasi diutamakan yang spekify orderings diperbolehkan untuk tugas masing-masing model. Kedua versi masalah adalah NP keras. Solusi strategi untuk MMALBP-II dapat diklasifikasikan ke dalam dua kelompok: pemecahan iteratif dan pemecahan pendekatan langsung. Sedangkan pendekatan solusi iteratif mencoba untuk mendapatkan solusi oleh iteratif memecahkan MMALBP-I untuk beberapa kali siklus kerja, pendekatan solusi langsung mencoba untuk mendapatkan solusi

langsung. Solusi pendekatan iteratif menjelajahi dualitas hubungan kapal masalah antara tipe I dan tipe II. Oleh karena itu, berkat solusi strategi iteratif, setiap upaya memecahkan masalah tipe I dapat dengan mudah diterapkan untuk mengetik masalah II. Solusi Iteratif pendekatan memeriksa apakah tugas yang layak telah direalisasikan untuk siklus uji coba setiap waktu iterasi ini. Cara di mana buatan semut membangun jalur perakitan menyeimbangkan solusi langsung: setiap semut iteratively memilih tugas untuk tugas menggunakan prosedur yang. Di lain bekerja, belum mengusulkan sebuah koloni semut hibrida optimalisasi pendekatan disebut beam ACO untuk jenis aku sederhana perakitan menyeimbangkan masalah ( SALBP-I ). Tujuannya adalah untuk belajar efek pheromone memutakhirkan dengan menerapkan beam ACO tanpa pheromone memutakhirkan. Studi menunjukkan bahwa komputasi pheromone

memutakhirkan membuat algoritma itu lebih kuat dan lebih cepat. Ini menyimpulkan komentar mendorong upaya dalam studi saat ini untuk membandingkan lokal dan global pheromone memperbarui peraturan. Dalam literatur terdapat prosedur heuristik dan metaheuristik yang menggunakan metode berulang. Pendekatan solusi hanya tipe masalah II perakitan balancing sederhana (SALBP-II). SALBP adalah versi dasar dari jalur perakitan masalah balancing. Hanya satu jenis prod- SLT diproduksi pada baris yang berulang tunggal dengan waktu siklus yang tetap, waktu pengolahan deterministik, tidak ada pembatasan tugas, tata letak serial, stasiun satu sisi, dan stasiun sama-sama dilengkapi dan tetap launching rate. Tipe I SALBP mencoba untuk meminimalkan jumlah workstation untuk prede ditambah waktu siklus, sedangkan tipe II SALBP mencoba untuk meminimalkan waktu siklus untuk sejumlah workstation tertentu. Hackman, Majalah, dan Wee mengembangkan prosedur yang telah ditetapkan oleh embedding batas ketat dalam prosedur heuristik untuk tipe I masalah. Papachritou mengembangkan prosedur heuristik dua tahap. Pada tahap pertama sebuah solusi awal diperoleh, dan kemudian tahap kedua mencoba untuk memperbaiki solusi awal tersebut. Liu, Ong, dan Huang mengajukan prosedur dua arah yang bertujuan untuk mendapatkan solusi awal dan meningkatkan solusi

awal dengan prosedur perdagangan dan transfer. Prosedur heuristik Nearchou didasarkan pada metode evolusi diferensial. Boysen dan Fliedner hadir dua tahap berbasis heuristik algoritma graph dan algoritma koloni semut untuk menyelesaikan semua versi SALBP. Algoritma genetika digunakan oleh Anderson dan Ferris dan Kim, Kim, dan Cho untuk memecahkan SALBP-II. Algoritma ini meminimalkan waktu siklus dengan menghaluskan beban kerja antara nomor yang telah ditentukan workstation. Scholl mengembangkan prosedur perbaikan heuristik untuk SALBP-II yang dikombinasikan dengan prosedur tabu search. Prosedur untuk meningkatkan solusi layak awal dengan menerapkan pergeseran dan gerakan swap. Nearchou mengusulkan metode baru, berdasarkan optimasi PSO, untuk SALBP-II dengan tujuan memaksimalkan tingkat produksi (ekuivalen meminimalkan waktu siklus) dan memaksimalkan smoothing beban kerja. Seyed-Alagheband, Fatemi Ghomi, dan Zandieh mengusulkan algoritma simulated annealing untuk SALBP-II dengan set-up kali tergantung urutan antara tugas-tugas. Dalam model ini, tujuannya adalah untuk meminimalkan dua fungsi obyektif secara bersamaan. Tujuan pertama Fungsi upaya untuk meminimalkan waktu siklus (C), untuk sejumlah yang telah ditetapkan operator (S) dalam jalur perakitan. Jumlah workstation di jalur perakitan adalah sama dengan jumlah operator (S). Namun, jika beberapa operator melakukan set yang sama tugas dalam workstation paralel, jumlah workstation yang berbeda mungkin lebih kecil dari jumlah workstation. Untuk Oleh karena itu, panjang garis panjang (LL) digunakan untuk menentukan jumlah workstation yang berbeda di jalur perakitan. Karena sifat campuran-model masalah, waktu pengolahan tugas mungkin bervariasi dari satu model ke model lain dan, dengan demikian, beban kerja yang ditugaskan untuk workstation juga dapat bervariasi dari satu model ke model lain. Untuk campuran model perakitan yang seimbang diperlukan bahwa setiap operator melakukan kira-kira jumlah yang sama bekerja untuk masing-masing model yang dirakit. Dalam konteks ini, fungsi tujuan kedua, B, berkaitan dengan menghaluskan keseimbangan beban kerja dalam setiap workstation.

Seperangkat kendala menghitung panjang garis (LL). Dalam set kendala ini, M adalah bilangan bulat positif sangat besar. Positif zonasi kendala memaksa pasangan tugas yang ditugaskan ke workstation sama dan didefinisikan oleh seperangkat kendala. Seperangkat kendala mendefinisikan kendala zonasi negatif, yang melarang penetapan pasangan tugas ke workstation sama. Akhirnya, seperangkat kendala mendefinisikan domain variabel keputusan. Namun, sejumlah besar kendala dan variabel biner mencegah model matematis yang sedang diselesaikan untuk kontinyu untuk dunia nyata MMALBP-II. Oleh karena itu, algoritma heuristic dan metaheuristic telah dikembangkan untuk berurusan dengan MMALBP-II. Pada bagian berikut algoritma yang metaheuristic disajikan berdasarkan solusi berbasis ACO iteratif prosedur untuk berurusan dengan dunia nyata MMALBP-II. Karena artikel saat ini berkaitan dengan model pemrograman multi tujuan dari masalah, sangat penting untuk mempertimbangkan kondisi dari setiap workstation.

2.

Tinjauan pustaka pada metode optimasi koloni semut Algoritma theaco telah menarik banyak peneliti di bidang perakitan

menyeimbangkan masalah selama bertahun-tahun. Konferensi pasal oleh bautista dan pereira adalah yang pertama publikasi untuk memasukkan aplikasi sebuah alogaritma ACO bagian perakitan menyeimbangkan untuk memecahkan masalah ( ALBP ) pada familinya sederhanalah versi. Cara di mana buatan semut membangun jalur perakitan menyeimbangkan solusi langsung: setiap semut iteratively memilih tugas untuk tugas menggunakan prosedur yang. Di lain bekerja, belum mengusulkan sebuah koloni semut hibrida optimalisasi pendekatan disebut beam ACO untuk jenis aku sederhana perakitan menyeimbangkan masalah ( SALBP-I ). Tujuannya adalah untuk belajar efek pheromone memutakhirkan memutakhirkan. dengan Studi menerapkan menunjukkan beam bahwa ACO tanpa pheromone pheromone

komputasi

memutakhirkan membuat algoritma itu lebih kuat dan lebih cepat. Ini menyimpulkan komentar mendorong upaya dalam studi saat ini untuk membandingkan lokal dan global pheromone memperbarui peraturan.

Line perakitan model jenis U tunggal menyeimbangkan masalah (UALBP) dianggap oleh Sabuncuoglu, Erel dan Alp. Penulis mengusulkan pendekatan ACO untuk jenis ALBP. Di artikel lain, Simaria, Zanella de S dan Vilarinho tertarik dalam memecahkan masalah merancang fleksibel berbentuk U lini perakitan menggunakan ACO di bawah filosofi just in time. Tujuan artikel ini adalah untuk menemukan solusi untuk desain fasilitas dengan menghadirkan konfigurasi garis berbentuk U fleksibel sistem perakitan. Lini perakitan pertama kali diciptakan untuk menghasilkan berbagai produk yang memiliki volume tinggi. Perusahaan memungkinkan biaya produksi yang rendah, mengurangi waktu siklus dan tingkat kualitas yang akurat dan tinggi. Hal ini sangant penting bagi perusahaan dimana perusahaan bisa mendapatkan keuntungan jika perusahaan tersebut ingin tetap kompetitif. skenario permintaan Di sisi lain, keadaan pasar saat ini, yang intensif, kompetitif dan konsumen yang sentris, memaksa produsen untuk memproduksi satu model dengan fitur yang berbeda. Oleh karena itu, karena tingginya biaya pembangunan dan memelihara jalur perakitan untuk masing-masing model, perusahaan manufaktur memproduksi satu model dengan fitur yang berbeda atau beberapa model pada jalur perakitan tunggal. Jenis jalur perakitan, yang digambarkan untuk pertama waktu dalam literatur oleh Thomopoulos disebut model jalur perakitan campuran. Hasil yang diperoleh dari perbandingan studi menunjukkan bahwa misi untuk menciptakan sebuah menyeimbangkan solusi outperformed misi untuk

menciptakan sebuah pembuat solusi untuk usaha kecil, medium- dan largesized menguji masalah. Pheromone memperbarui peraturan lokal itu dipamerkan kinerja lebih baik daripada global pheromone memperbarui aturan. Selanjutnya, perubahan dalam misi semut buatan memiliki efek yang lebih pada kinerja ACO dari perubahan pheromone melepaskan strategi. Hal ini dapat disimpulkan bahwa ACO-2 jauh lebih cocok untuk hybridizing ACO ( konstruktif jenis alogaritma ) dengan perbaikan jenis alogaritma. Ini karena, meskipun ACO-1 memiliki kinerja yang superior sebagai global mencari strategi, pencarian lokal kemampuan ACO2 sangat bagus dan ACO-2 telah buatan semut; ini menciptakan encodings solusi

dan kemudian decode mereka ke dalam layak solusi seperti lain perbaikan algoritma, yaitu algoritma genetik, simulasi annealing dan tabu pencarian.

3.

Deskripsi Masalah Kendala didahulukan, yang biasanya digambarkan dalam diagram

precedence, menentukan urutan menurut mana tugas dapat processed.A tugas hanya dapat diberikan untuk workstation jika tidak memiliki pendahulu atau jika semua pendahulunya telah ditetapkan untuk workstation. Zonasi kendala bisa positif atau negatif. Positif kendala zonasi kekuatan tugas tugas tertentu untuk workstation tertentu. Kendala zonasi negatif melarang tugas tugas ke workstation yang sama. Keterbatasan kapasitas menetapkan bahwa beban kerja dari workstation tidak melebihi waktu siklus. Dalam beberapa kondisi permintaan, jalur perakitan mungkin perlu dioperasikan dengan waktu siklus sehingga beberapa tugas dalam proses perakitan memiliki waktu pengolahan lebih tinggi dari waktu siklus. Dalam hal ini, dalam rangka untuk memenuhi permintaan, replikasi dari workstation yang tugas dengan waktu pengolahan yang lebih tinggi daripada waktu siklus ditugaskan diperlukan. Dalam model ini, tujuannya adalah untuk meminimalkan dua fungsi obyektif secara bersamaan. Tujuan pertama Fungsi upaya untuk meminimalkan waktu siklus (C), untuk sejumlah yang telah ditetapkan operator (S) dalam jalur perakitan. Jumlah workstation di jalur perakitan adalah sama dengan jumlah operator (S). Namun, jika beberapa operator melakukan set yang sama tugas dalam workstation paralel, jumlah workstation yang berbeda mungkin lebih kecil dari jumlah workstation. Untuk Oleh karena itu, panjang garis panjang (LL) digunakan untuk menentukan jumlah workstation yang berbeda di jalur perakitan. Karena sifat campuran-model masalah, waktu pengolahan tugas mungkin bervariasi dari satu model ke model lain dan, dengan demikian, beban kerja yang ditugaskan untuk workstation juga dapat bervariasi dari satu model ke model lain. Untuk campuran model perakitan yang seimbang diperlukan bahwa setiap operator melakukan kira-kira jumlah yang sama bekerja untuk masing-masing model yang dirakit. Dalam konteks ini, fungsi tujuan kedua, B, berkaitan dengan

menghaluskan keseimbangan beban kerja dalam setiap workstation. Line perakitan model jenis U tunggal menyeimbangkan masalah (UALBP) dianggap oleh Sabuncuoglu, Erel dan Alp. Penulis mengusulkan pendekatan ACO untuk jenis ALBP. Di artikel lain, Simaria, Zanella de S dan Vilarinho tertarik dalam memecahkan masalah merancang fleksibel berbentuk U lini perakitan menggunakan ACO di bawah filosofi just in time. Tujuan artikel ini adalah untuk menemukan solusi untuk desain fasilitas dengan menghadirkan konfigurasi garis berbentuk U fleksibel sistem perakitan. Lini perakitan pertama kali diciptakan untuk menghasilkan berbagai produk yang memiliki volume tinggi. Perusahaan memungkinkan biaya produksi yang rendah, mengurangi waktu siklus dan tingkat kualitas yang akurat dan tinggi. Hal ini sangant penting bagi perusahaan dimana perusahaan bisa mendapatkan keuntungan jika perusahaan tersebut ingin tetap kompetitif. skenario permintaan Di sisi lain, keadaan pasar saat ini, yang intensif, kompetitif dan konsumen yang sentris, memaksa produsen untuk memproduksi satu model dengan fitur yang berbeda. Oleh karena itu, karena tingginya biaya pembangunan dan memelihara jalur perakitan untuk masing-masing model, perusahaan manufaktur memproduksi satu model dengan fitur yang berbeda atau beberapa model pada jalur perakitan tunggal. Jenis jalur perakitan, yang digambarkan untuk pertama waktu dalam literatur oleh Thomopoulos disebut model jalur perakitan campuran.

4.

Kesimpulan Pada artikel ini, kinerja prosedur solusi iteratif ACO berbasis dibandingkan

pada MMALBP-II, di mana tujuannya adalah untuk meminimalkan waktu siklus untuk sejumlah yang telah ditetapkan dari workstation. Pertama, dua pendekatan solusi berbasis different ACO, ACO-1 andACO-2, dibangun dengan

memungkinkan setiap semut untuk menciptakan solusi balancing dalam pertama dan dengan memungkinkan setiap semut untuk digunakan di masing-masing dua pendekatan berbasis ACO. Pada bagian pertama strategi rilis feromon, solusi terbaik balancing melepaskan sejumlah feromon (pheromone updating aturan global), sedangkan semua solusi balancing merilis jumlah

feromon dalam strategi kedua (lokal pheromone update rule). Kedua, 20 perwakilan MMALBP-II dengan workstation paralel dan kendala zonasi diselesaikan using ACO-1 andACO-2 dengan dua rilis feromon yang berbeda strategi. Ketiga, hasil solusi dibandingkan dalam hal waktu siklus dan kualitas solusi. ACO-1 telah banyak digunakan di jalur perakitan menyeimbangkan sastra, tampaknya akan ada studi conducting ACO-2 untuk ALBP, dan pertunjukan ACO-1 andACO-2 belum belum dibandingkan dalam studi. Penelitian ini adalah yang pertama di mana MMALBP-II dipecahkan menggunakan metode ACO, dan pertunjukan dari ACO-1 dan ACO-2, dengan feromon global yang Aturan memperbarui dan feromon memperbarui aturan lokal, dibandingkan. Hasil yang diperoleh dari studi perbandingan menunjukkan bahwa misi untuk menciptakan balancing solusi mengungguli misi untuk membuat coding solusi untuk usaha kecil, menengah dan besar masalah uji berukuran. Lokal feromon memperbarui aturan dipamerkan kinerja yang lebih baik daripada feromon memperbarui aturan global. Selain itu, perubahan dalam misi semut buatan memiliki lebih berpengaruh pada kinerja ACO daripada perubahan dalam strategi rilis feromon. Hal ini dapat disimpulkan bahwa ACO-2 jauh lebih cocok untuk hibridisasi ACO (akonstruktif jenis algoritma) dengan jenis perbaikan algoritma. Hal ini karena, meskipun ACO-1 memiliki kinerja yang unggul sebagai strategi pencarian global, kemampuan pencarian lokal dari ACO-2 sangat baik dan ACO-2 memiliki semut buatan, ini menciptakan pengkodean solusi dan kemudian menerjemahkan mereka ke dalam solusi layak seperti algoritma perbaikan lainnya, yaitu algoritma genetika, simulasi annealing dan tabu search. Algoritma theaco telah menarik banyak peneliti di bidang perakitan menyeimbangkan masalah selama bertahun-tahun. Konferensi pasal oleh bautista dan pereira adalah yang pertama publikasi untuk memasukkan aplikasi sebuah alogaritma ACO bagian perakitan menyeimbangkan untuk memecahkan masalah ( ALBP ) pada familinya sederhanalah versi. Cara di mana buatan semut membangun jalur perakitan menyeimbangkan solusi langsung: setiap semut iteratively memilih tugas untuk tugas menggunakan prosedur yang. Di lain bekerja, belum mengusulkan sebuah koloni semut hibrida optimalisasi pendekatan

disebut beam ACO untuk jenis aku sederhana perakitan menyeimbangkan masalah ( SALBP-I ). Tujuannya adalah untuk belajar efek pheromone memutakhirkan memutakhirkan. dengan Studi menerapkan menunjukkan beam bahwa ACO tanpa pheromone pheromone

komputasi

memutakhirkan membuat algoritma itu lebih kuat dan lebih cepat. Ini menyimpulkan komentar mendorong upaya dalam studi saat ini untuk membandingkan lokal dan global pheromone memperbarui peraturan. Tujuan artikel ini adalah untuk membandingkan kinerja optimasi koloni semut berulang (ACO) solusi strategi didasarkan pada campuran model perakitan masalah balancing tipe II (MMALBP-II) dengan mengatasi beberapa fitur tertentu dunia nyata masalah perakitan balancing seperti paralel workstation dan kendala zonasi. Untuk memecahkan masalah, di mana tujuannya adalah untuk meminimalkan siklus waktu (yaitu memaksimalkan tingkat produksi) untuk sejumlah yang telah ditetapkan workstation dalam perakitan yang ada line, dua pendekatan ACO berbasis yang berbeda dalam misi yang ditugaskan untuk semut buatan digunakan. Lebih lebih lanjut, masing-masing pendekatan ACO berbasis dilakukan dengan dua strategi yang berbeda rilis feromon, global dan aturan pheromone updating lokal. Keempat pendekatan ACO berbasis digunakan untuk memecahkan 20 perwakilan MMALBP-II untuk membandingkan kinerja mereka dalam hal waktu komputasi dan solusi kualitas. Meskipun ACO-1 telah banyak digunakan di bagian perakitan

menyeimbangkan sastra, tampaknya ada belum ada studi conducting ACO-2 untuk ANALBP, dan pertunjukan ACO-1 dan ACO-2 belum dibandingkan dalam setiap studi. Sekarang studi adalah yang pertama di mana mmalbp-ii itu sudah terpecahkan menggunakan sebuah ACO metode, dan performa dan ACO-2 ACO1, dengan memperbarui pheromone global aturan dan lokal pheromone memperbarui aturan, itu dibandingkan. Hasil yang diperoleh dari perbandingan studi menunjukkan bahwa misi untuk menciptakan sebuah menyeimbangkan solusi outperformed misi untuk menciptakan sebuah pembuat solusi untuk usaha kecil, medium- dan largesized menguji masalah. Pheromone memperbarui peraturan lokal itu dipamerkan kinerja

lebih baik daripada global pheromone memperbarui aturan. Selanjutnya, perubahan dalam misi semut buatan memiliki efek yang lebih pada kinerja ACO dari perubahan pheromone melepaskan strategi. Hal ini dapat disimpulkan bahwa ACO-2 jauh lebih cocok untuk hybridizing ACO ( konstruktif jenis alogaritma ) dengan perbaikan jenis alogaritma. Ini karena, meskipun ACO-1 memiliki kinerja yang superior sebagai global mencari strategi, pencarian lokal kemampuan ACO2 sangat bagus dan ACO-2 telah buatan semut; ini menciptakan encodings solusi dan kemudian decode mereka ke dalam layak solusi seperti lain perbaikan algoritma, yaitu algoritma genetik, simulasi annealing dan tabu pencarian. Sepanjang studi ini, peneliti mengamati bahwa ada kurangnya benchmark set untuk MMALBP-I dan MMALBP-II. Benchmark mengatur, yang tersedia untuk saat ini belajar, berisi deterministic tugas pengolahan kali. Penelitian di masa depan akan fokus pada perkembangan terhadap usulan metode untuk memecahkan lebih kompleks menyeimbangkan masalah. Stokastik kali, tugas yang disajikan metode bisa mengatasi setelah beberapa modifikasi, kecil mungkin juga diambil menjadi pertimbangan di depan penelitian.