پایان نامه کاربرد الگوریتم ژنتیک کامپیوتر(CAPP)

این پایان نامه الگوریتم ژنتیک نوظهوری که کاربرد موفقیت آمیزی برایCAPP توزیع شده (یعنی یک محیط چندکارخانه ای) و سنتی دارد ارائه می دهد. کاربرد الگوریتم ژنتیک برای CAPP در سیستم های تولیدی توزیع شده، بر اساس توزیع ساختن ماشین ها و ابزارها از نظر جغرافیایی توسعه داده شد. این می تواند تولید یک طرح فرایند بهینه یا نزدیک به بهینه را با دیگر رویکردهای اصلی برای تولید منفرد مقایسه نماید. مناسبترین کارخانه تولیدی، زمانیکه مشکلات تولید توزیع شده بررسی شد، می تواند برپا شود. از این گذشته این رویکرد قادر است هدف چندگانه بهینه سازی براساس کمترین هزینه تولید یا کمترین زمان تولید را انجام دهد. بر اساس اهداف انتخاب شده راه حل های نزدیک به بهینه می تواند از طریق استفاده از الگوریتم ژنتیک به دست آید. از طریق انجام آزمایش نشان داده شده که تکنیک های توسعه داده شده بهتر و یا قابل مقایسه با دیگر سیستمهای  CAPP می باشند. پایان نامه کاربرد الگوریتم ژنتیک در برنامه ریزی فرآیند به کمک کامپیوتر(CAPP)در محیطهای صنعتی مختلفدر قاللب فایل ورد به همراه منبع آماده برای ویرایش و پرینت میباشد.

مقدمه:

در یک محیط صنعتی توزیع شده، کارخانه های مختلف و دارای ماشین ها و ابزارهای گوناگون در مکان های جغرافیایی مختلف غالبا به منظور رسیدن به بالاترین کارایی تولید ترکیب می شوند. در زمان تولید قطعات و محصولات مختلف ، طرح های فرایند مورد قبول توسط کارخانه های موجود تولید می شود. این طرحها شامل نوع ماشین، تجهیز و ابزار برای هر فرآیند عملیاتی لازم برای تولید قطعه است. طرح های فرایند ممکن است به دلیل تفاوت محدودیت های منابع متفاوت باشند. بنابراین به دست آوردن طرح فرایند بهینه یا نزدیک به بهینه مهم به نظر می رسد. به عبارت دیگر تعیین اینکه هر محصول درکدام کارخانه و با کدام ماشین آلات و ابزار تولید گردد امری لازم و ضروری می باشد. به همین منظور می بایست از بین طرحهای مختلف طرحی را انتخاب کرد که در عین ممکن بودن هزینه تولید محصولات را نیز کمینه سازد. در این بخش از تحقیق  یک الگوریتم ژنتیک معرفی می شود که بر طبق ضوابط از پیش تعیین شده مانند مینیمم سازی زمان فرایند می تواند به سرعت طرح فرایند بهینه را برای یک سیستم تولیدی واحد و همچنین یک سیستم تولیدی توزیع شده جستجو کند. با استفاده از الگوریتم ژنتیک، برنامه ریزی فرآیند به کمک کامپیوتر (CAPP) می تواند براساس معیار در نظر گرفته شده طرح های فرایند بهینه یا نزدیک به بهینه ایجاد کند، بررسی های موردی به طور آشکار امکان عملی شدن و استحکام روش را نشان می دهند. این کار با استفاده از الگوریتم ژنتیک در CAPP هم در سیستمهای تولیدی توزیع شده و هم واحد ارتباط صورت می گیرد. بررسی های موردی نشان می دهد که این روش شبیه یا بهتر از برنامه ریزی فرآیند به کمک کامپیوتر (CAPP) مرسوم تک کارخانه ای است. بعد از ارائه خلاصه از کار، در قسمتهای بعدی تحقیق به شرح روش خواهیم پرداخت.

افزایش تنوع محصول، محصول مشتری گرا و کوتاهترین زمان تدارک از نکات بحث انگیز برای یک کارخانه تولیدی هستند. سیستم های تولیدی موجود نمی توانند بقدر کافی با این نیازها انطباق پیدا کند. به دلیل روش های انعطاف ناپذیر و ثابت آنها در تصمیم گیری و وجود این سیستمها در یک محیطی تغییرات زیاد  به منظور جلوگیری از روبرو شدن با چالشهای مختلف تغییر در سیستم تولیدی از وضع موجود به یک چشم انداز جدید ضروری به نظر می رسد. چندین رویکرد مورد استفاده از قبیل کارخانه فشرده، سیستم های تولیدی فوق بشر، سیستم های تولیدی هالونیک، سیستم های تولیدی توزیع شده و غیره ایجاد شده است. تحقیق و مطالعه بیشتر به اثبات رسانده که تولید توزیع شده بازارآفرینی ها را برای رسیدن به کیفیت تولید برتر، هزینه تولید کمتر و کاهش ریسک مدیریت میسر می سازد. این تحقیق قصد دارد الگوریتم ژنتیکی را برای حل مشکل برنامه ریزی فرآیند به کمک کامپیوتر بر اساس مقوله تولید توزیع شده توسعه دهد. یک محیط صنعتی توزیع شده درجه بالایی از پیچیدگی را ایجاد می کند جایی که گزینه های مختلف طرح های فرایند وجود دارد کسب یک طرح فرایند بهینه یا نزدیک به بهینه، یک وظیفه مشکل گروه تحقیق تولیدی می باشد. سیستم های CAPP سنتی برای دست یافتن به فرایندهای ماشینی بهینه قصد دارند که ماشین ها و ابزارهای مناسب برای اجرای عملیات مشخص تولیدی را به منابع تولیدی در دسترس در یک کارخانه محدود کنند. به هرحال در یک محیط تولیدی توزیع شده دیگر کارخانه های مختلفی برای انجام یک تولید مشخص وجود دارند و ممکن است یکی از آنها یک طرح فرایند بهتر و کارآمدتر را ایجاد کند. بنابراین توسعه یک سیستم CAPP که بتواند طرح های فرایند بهتر را در یک محیط تولیدی توزیع شده تولید کند، هدف اصلی بررسی حاضر است. طبیعت پیچیده سیستم های تولیدی و مشکل بهینه کردن آنها استفاده از الگوریتم های تکاملی را که از نظام های زنده در به دست آوردن راه حل های بهینه پیروی می کنند ضروری ساخته است. در دو دهه گذشته الگوریتم ژنتیک تا حد زیادی برای حل مشکلات بهینه سازی به کار برده می شد. اولین کاربرد الگوریتم ژنتیک به ۱۹۶۰ میلادی برمی گردد. ولی بعدا در سال ۱۹۸۰ میلادی به دلیل مطالعات گلودبرگ کاربرد آن در مجامع مهندسی چشمگیر شد. از آن پس الگوریتم ژنتیک یک روش بهینه سازی برای حل مشکلات پیچیده تولیدی از قبیل زمانبندی کارگاهی و برنامه ریزی فرایند شد. از آن جایی که برنامه ریزی فرایند یک مساله NP-HARD (پیچیده) است، روش های جستجوی کلی برای مسائل با حجم بزرگ برای آن قابل کاربرد نیست. در این پژوهش الگوریتم ژنتیک برای حل مشکل بهینه سازی انتخاب شده است. طرح ریزی فرایند ماشینی شده را بر اساس الگوریتم ژنتیک قرار داده شده است. به هر حال بیشتر کارهای گزارش شده و بررسی های موردی به طرح ریزی فرایند یک کارخانه واحد که قطعاتی تحت شرایط معین و محیط تولیدی مشخص تولید می کند پرداخته بودند.

الگوریتم ژنتیک
الگوریتم ژنتیک

معیار ۲:

کم ترین زمان فرایند: جدول ۳-۱۱ طرح نهایی تولید را بر اساس معیار دوم نشان می دهد و مشاهده می شود کارخانه ۰۰۲ برای این کار انتخاب شده است به دلیل این که شاخص هزینه آن بین سه کارخانه کم ترین مقدار را داراست. زمان فرایند خیلی پایین تر از طرح ۱ است، اگرچه هزینه تولید آن به دلیل شاخص بالای  هزینه و تعویض بیشتر ماشین خیلی بالاتر است. این طرح فرایند در عمل شاید قدری کم استفاده به نظر برسد اما نشان می دهد که الگوریتم ژنتیک مطرح شده می تواند به تغییر معیار پاسخ دهد. از نتایجی که در بالا گفته شد مشخص می شود که الگوریتم ژنتیک پیشنهاد شده قابل تقسیم به معیارهای مختلف می باشد مشروط به این که طرح فرایند بهینه یا نزدیک به بهینه به طور موثر و کارا برای یک سیستم تولیدی توزیع شده مطابق با معیارهای انتخاب شده باشد.

CAPP توزیع شده:

در این مورد یک قطعه منشوری پیچیده تر که در شکل۳-۷ نشان داده شده است، برای ارزیابی قابلیت الگوریتم ژنتیک استفاده شده بود. قطعهای که توسط Chi-Cheng و Rajit برای آزمایش یک رویکرد مبتنی بر قانون به منظور مینیمم سازی زمان آماده سازی استفاده شد که در آن RS1-RS6 سطح پوشیده شده با مواد خام رانمایش می دهد. رابطه تقدم قسمت ها در جدول ۳-۵  نشان داده شده است، که ستون ۲ عملیاتی را که باید قبل از انجام عملیات ستون ۱ به پایان برسند نمایش می دهد و ستون ۳ عملیاتی را که باید زمانی انجام شوند که عملیات ستون اول کامل شده باشد، نشان می دهد.در این مورد فرض می شود که هر ویژگی قطعه می تواند با اجرای یک عملیات تولیدی کامل شود TAD هر ویژگی قطعه در ذیل فهرست شده اند:

F1(-y), F2(-y), F3(-z), F4(+x, -x), F5(-x), F6(+x, -x), F7(-x).

همچنین فرض می شود که سه کارخانه وجود دارد: ۰۰۱ و ۰۰۲ و ۰۰۳ که دارای دستگاه ها، ابزارها و همچنین امکانات تولید متفاوتی در سیستم های تولیدی توزیع شده هستند. جدول ۳-۶  شاخص هزینه ماشین، ابزارها و تغییرات آماده سازی (MCCL و TCCL و SCCL) و شاخص زمان ماشین ها و ابزارها و تغییرات آماده سازی در هر کارخانه را نشان می دهد. همه منابع تولید در دسترس در سه کارخانه در جدول ۳-۷ نشان داده شده و مقادیر پرانتزها، شاخص های هزینه ماشین ها و ابزار هستند. به منظور ایجاد یک مطالعه موردی آسان و قابل فهم، شاخص هزینه یا زمان در بعضی کارخانه ها عمداً بالاتر یا پایین تر از دیگران قرار داده می شود. از جدول ۳-۶ و ۳-۷ مشاهده می شود که کارخانه ۰۰۱ بالاترین شاخص زمان اما پایین ترین شاخص هزینه را نسبت به دو کارخانه دیگر داراست و کارخانه ۰۰۲ بالاترین شاخص هزینه و اما پایین ترین شاخص زمان را از ۰۰۱ و ۰۰۳ داراست. در عین حال شاخص های هزینه و زمان در کارخانه ۰۰۳ نسبت به دو کارخانه دیگر پایین تر است، بنابراین یک طرح فرایند با کمترین هزینه تولید و کمترین زمان پردازش می تواند به ترتیب از کارخانه های ۰۰۱ و ۰۰۲ و۰۰۳ تولید شود که نشان می دهد سیستم CAPP توزیع شده می تواند تابع هدف های چندگانه را مورد استفاده قرار دهد و مناسب ترین کارخانه برای کار را بر مبنای معیارهای بهینه سازی متفاوتی تعیین کند.

CAPP سنتی:

اگرچه الگوریتم ژنتیک برای ایجاد یک طرح فرایند بهینه یا نزدیک به بهینه از چندین کارخانه مطرح شده است ولی الگوریتم ژنتیک پیشنهاد شده می تواند به مسأله CAPP تک کارخانه ای هم بپردازد. در این حالت در کارخانه های انتخاب شده اولین ژن در هر کروموزوم به ID کارخانه تخصیص داده می شود و کد جهش کارخانه (جهش۱) نادیده گرفته خواهد شد. در این مورد یک قطعه منشوری چند ریخت (شکل ۲-۵) با ۱۹ ویژگی طراحی توسط Zhang معرفی شده است و برای ارزیابی ظرفیت سیستم CAPP براساس الگوریتم ژنتیک استفاده خواهد شد. برای مقایسه از پارامترهای الگوریتم ژنتیک  Refs استفاده می کنیم. به عبارت دیگر اندازه جمعیت ۵۰، اندازه ادغام ۷/۰، نرخ جهش ۶/۰ و ۸۰۰۰ نسل به عنوان معیارهایی برای متوقف کردن انتخاب شده اند. همه اطلاعات ساخت و روابط پیشنیازی مانند Zhang خواهد بود.

مینیمم سازی زمان فرایند:

زمان فرایند اغلب به عنوان معیاری در عمل استفاده می شود و معمولأ از زمان ماشین کاری، زمان تغییر ماشین، زمان تغییر ابزار و زمان تغییر آماده سازی تشکیل می شود. در اینجا چهار شاخص زمانی برای ارزیابی یک طرح فرایند استفاده می شود: شاخص زمان تغییر ماشین، شاخص زمان تغییر ابزار، شاخص زمان تغییر آماده سازی و شاخص زمان ماشین کاری. شاخص زمانی ماشین کاری برای انعکاس اهمیت زمان ماشین کاری در کل زمان فرایند تخمین زده می شود و این از زمان ماشین کاری یک حجم مشخص تولیدکه به عنوان یک مقدار ثابت برای یک ترکیب خاص از نوع عملیات و ماشین فرض شده است تخمین زده می شود. شاخص های زمان ماشین کاری برای هرنوع عملیات با ماشین هایی معین که پارامترهای شناخته شده دارند برای هرکاربر مشخص می شود. بنابراین با توجه به حجم و ماشین معین شده برای عملیات معین زمان کل تولید مشخص خواهد شد.. به هر حال ویژگی ها ممکن است گاهی اوقات به بیشتر از یک نوع عملیات برای ایجاد در محیط صنعتی واقعی نیاز خواهد داشت. بنابراین این که چطور حجم نسل را برای هر عملیات مشخص کنیم مشکل شد. در اینجا تخمین زده شده است که جمع حجم باقیمانده برای ایجاد یک ویژگی بر شماره عملیات آن تقسیم خواهد شد و نتیجه حاصل از آن به عنوان حجم تولیدشده برای هر عملیات در نظر گرفته خواهد شد. در عمل ممکن نیست این درست باشد. از آنجایی که حجم تولیدشده به نوع عملیات و ماشین استفاده شده وابسته است، برای سهولت محاسبه زمان ماشین کاری برای هر ویژگی استفاده می شود.

دگرگونی و جهش:

اپراتور جهش به عنوان اپراتوری که برای بررسی بعضی نقطه های بررسی نشده در مرحله جستجو و تحقیق استفاده می شود، عمل می کند و همچنین برای اجتناب از همگرایی نابهنگام مراحل که توسط بعضی سوپرکروموزوم ها به وجود می آید استفاده می شود. جهش در الگوریتم ژنتیک معمولی به سادگی توسط تغییر موقعیت های بعضی ژن های انتخاب شده به طور تصادفی صورت می گیرد. به هرحال برای سیستم تولیدی توزیع شده یک بار جهش برای کاوش توالی های عملیات قابل قبول کافی و برای مقایسه ترکیب کارخانه انتخاب شده مختلف کافی نیست. در الگوریتم ژنتیک مطرح شده جهش برای کروموزوم ها دوبار، یکی برای کارخانه انتخاب شده (جهش ۱) و دیگری برای عملیات (جهش ۲) اتفاق می افتد. روش جهش ۱ به شرح زیر توصیف شده است:

۱- انتخاب تصادفی ID یک کارخانه از لیست ID های کارخانه هایی که در نسل جاری وجود ندارد.

۲- به منظور قانونی کردن (تصدیق) کروموزوم ها، ماشین ها و ابزارها دوباره برای همه عملیات مطابق ID جدید کارخانه تخصیص داده خواهند شد.

روش جهش ۲ به شرح زیر توصیف شده  است:

  • انتخاب تصادفی کروموزوم
  • انتخاب تصادفی چندین جفت ژن ها و جابه جا کردن موقعیت آن ها.
مطلب بالا چکیده‌ای از تحقیق و پژوهش اصلی میباشد جهت تهیه نسخه کامل آن از باکس زیر اقدام به خرید و دانلود نمایید
لینک خرید پژوهش پایان نامه کاربرد الگوریتم ژنتیک کامپیوتر(CAPP):
تحویل فوری و خودکار فایل با لینک مستقیم بعد از پرداخت
تعداد صفحه: 102
قالب: فایل word

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *