การจัดลำดับการผลิตรถยนต์แบบมากวัตถุประสงค์บนสายการประกอบผลิตภัณฑ์ผสมแบบสองด้านMany-Objective Car Sequencing Problem on Mixed-model Two-sided Assembly Lines

Abstract

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

A Multi-objective Evolutionary Algorithm based on Decomposition (MOEA/D) is an evolutionary metaheuristic which has been developed to solve Many-Objective Optimization Problems (MaOPs). The concept of searching for answers is to decompose the original problem into subproblems for finding the optimal solution of each subproblem. This study proposes a MOEA/D compared with a Multi-Objective Differential Evolution algorithm (MODE) in order to solve many-objective car sequencing problem on twosided assembly lines which is classified as a MaOPs and be non-deterministic polynomial hard problem (NP-Hard problem) due to complexity and a large number of solutions. Five objectives were simultaneously evaluated, including the minimal number of color changes, of vehicle violations, along with the minimum amount of unfinished production, of total idle time of the line, and of total variation in rate of production. The experiments showed that MOEA/D has better aspects of convergence performance and time consumption than MODE counterpart.