Primjena Genetskih Algoritama U Brodograđevnoj Industriji

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI
VELEUILITE U RIJECI
Ervin Bei
PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

( specijalistiki zavrni rad)
Rijeka, 2013.
Polytechnic of Rijeka; 2012. God.
SAETAK
Gradnja broda svrstava se u jedan od sloenijih proizvodnih procesa, a kontinuirana optimizacija uinkovitosti proizvodnog procesa omoguuje brodograevnoj tvrtci eljeni nivo produktivnosti i konkuriranje na tritu. U tu svrhu potrebno je sagledati sve danas dostupne moderne tehnologije, prouiti i izmjeriti kosrinosti i prednosti njihovih implementacija u proizvodne procese. Kao jedna od takvih, nezaobilazna je primjena informacijskih tehnologija, a jedno od kompleksnijih podruja unutar ovih tehnologija predstavljaju i genetski algoritmi. Ovaj rad je usmjeren na mogunosti primjene tog znanstveno-tehnolokog pristupa pri rjeavanju konkretnih problema u brodograevnoj industriji. Kroz rad e se razmotriti problematike prisutne u brodograevnoj djelatnosti, strategija primjena novih tehnologija zatim metode optimizacije pomou genetskih algoritama i na kraju e biti dokazana uinkovitost primjene odreene vrste genetskog algoritma kroz simulaciju modela proizvodnog okruenja.
KLJUNE RIJEI: Brodogradnja, genetski algoritam, optimizacija, informacijska tehnologija.
Sadraj
1. Uvod ....................................................................................................................................... 1 1.1. Predmet istraivanja ........................................................................................................ 1 1.2. Radna hipoteza ................................................................................................................ 1 1.3. Svrha i ciljevi istraivanja ............................................................................................... 2 1.4. Primijenjene metode istraivanja..................................................................................... 2 1.5. Struktura rada .................................................................................................................. 2 2. Razvojni trendovi u brodogradnji ...................................................................................... 3 2.1. Strategije primjene novih tehnologija.............................................................................. 4 2.1.1. Laserska tehnologija ................................................................................................. 4 2.1.2. Izrada digitalnih prototipova .................................................................................... 5 2.1.3. Industrijska multimedija ........................................................................................... 5 2.1.4. Robotika ................................................................................................................... 6 2.1.5. Raunalno dizajniranje ............................................................................................. 6 2.2. Perspektiva informatizacije ............................................................................................. 8 2.2.1. Generika programska rjeenja ................................................................................ 8 2.2.2. Raunalna podrka.................................................................................................... 9 2.2.3. Paralelno raunarstvo ............................................................................................... 9 2.2.4. Umjetna inteligencija.............................................................................................. 10 2.2.5. Virtualna proizvodnja ............................................................................................. 10 3. Genetski algoritam ............................................................................................................. 13 3.1. Evolucijski algoritmi ..................................................................................................... 13 3.2. Optimizacija................................................................................................................... 14 3.3. Struktura genetskog algoritma ....................................................................................... 15 3.4. Genetski operatori.......................................................................................................... 17 3.4.1. Koeficijent krianja i mutacije .............................................................................. 18 3.5. Kvaliteta jedinke ............................................................................................................ 19 3.6. Kategorizacija genetskih algoritama ............................................................................. 19 4. Primjena u brodogradnji ................................................................................................... 21 4.1.Snimka stanja proizvodnje u Brodogradilitu d.d. ........................................................ 22 4.2. Formuliranje problema .................................................................................................. 26 4.2.1. Model problema..................................................................................................... 27 4.3. Struktura algoritma ........................................................................................................ 31 4.3.1. Inicijalizacija .......................................................................................................... 31 4.3.2 Evaluacija kvalitete ................................................................................................. 32 4.3.3. Selekcija ................................................................................................................. 33 4.3.4. Krianje .................................................................................................................. 34 4.3.5. Mutacija .................................................................................................................. 36 4.4. Analiza rjeenja ............................................................................................................. 38 4.4.1. Simulacija ............................................................................................................... 38 5. Zakljuak............................................................................................................................. 45 Popis kratica ............................................................................................................................ 46 Bibliografija ............................................................................................................................ 47 Popis ilustracija ...................................................................................................................... 48 Polytechnic of Rijeka; 2012. God.
1. Uvod
Tema rada obrauje primjenu genetskih algoritama u rjeavanju problema koji se javljaju u brodograevnoj industriji, u nastavku je formulirana problematika, postavljena hipoteza, definirani ciljevi i opisana semantika struktura zavrnog rada.
1.1. Predmet istraivanja
Brodograevna industrija spada u jednu od velikih sloenih industrija koja u svojim strukturnim procesima vri konsolidaciju direktne proizvodnje i razvoja projekata. Sa stajalita izraene kompleksnosti u brodogradnju je mogue implementirati niz inovativnih tehnologija koje omoguuju optimizaciju proizvodnog sustava u vidu vee produktivnosti i/ili smanjenja trokova. Jedna od takvih tehnologija su i evolucijski algoritmi. Jednu od vrsta evolucijskih algoritama predstavljaju i genetski algoritmi ije konkretne mogunosti primjene u brodogradnji obrauje ovaj rad.
Osnovni predmet istraivanja ovog rada moe se sintetizirati kroz pitanja: Koje su evidentirane problematike u podruju brodograevne industrije? to je to genetski algoritam? Kako je mogue uinkovito primijeniti tehnologiju genetskog algoritma u odreene brodograevne procese? Kakva je perspektiva moderne brodograevne industrije?
1.2. Radna hipoteza
Razvojem znanosti na podruju umjetne inteligencije i sloenih raunalnih sustava dolo se do spoznaje da je mogue odreene koncepte, poput genetskih algoritama, uspjeno primijeniti u rjeavanju optimizacijskih problema u industrijskim procesima.
Temeljna radna hipoteza: Rjeenje problema optimizacije planiranja procesa proizvodnje u brodograevnoj industriji mogue je rijeiti uporabom genetskih algoritama u raunalnoj obradi kljunih parametara.
1.3. Svrha i ciljevi istraivanja
Cilj ovog rada je prikazati mogunosti primjene sloenih raunalni sustava kroz formulirani primjer uporabe genetskog algoritma kao rezultat istraivanja.
1.4. Primijenjene metode istraivanja
Moe se rei da su pri istraivanju koritene sljedee znanstvene metode: povijesna, komparativna, matematika, deskriptivna, modeliranje, apstrakcijska, analiza i sinteza.
1.5. Struktura rada
Ovaj rad je koncipiran u etiri dijela: uvod, perspektivni dio, analitiki dio i zakljuak.
U uvodnom djelu definiran je predmet istraivanja, zatim radna hipoteza, cilj istraivanja, koritene znanstvene metode, te je opisana struktura rada.
Perspektivni dio obrauje problematiku brodograevne industrije u modernom poslovnom okruenju i koncept optimizacije primjenom genetskih algoritama.
Analitiki dio obuhvaa analizu problema i prijedlog rjeenja kroz uporabu tehnike genetskih algoritama.
Zakljuak je sinteza rezultata istraivanja kojom je dokazana postavljena hipoteza. 2
2. Razvojni trendovi u brodogradnji
Kroz povijesni razvoj brodograevne djelatnosti vidljivo je da se vodei centri ove industrijske djelatnosti kontinuirano transferiraju od Velike Britanije, SAD-a, europskih brodogradilita, do u novije vrijeme azijskih gospodarstava poput Japana, June Koreje i Kine. Ono to je indikativno za razvoj brodogradnje upravo je ubrzani gospodarski rast onih okruenja koja strategiju svog ekonomskog razvoja povezuju sa strategijom razvoja ove industrijske djelatnosti. Uzrok tomu je iri utjecaj brodograevne industrije na opi razvoj drutva od znanstvenog do tehnolokog aspekta kroz refleksije na cjelokupni ekonomski rast. Upravo azijska gospodarstva prepoznali su konkurentne vrijednost u novim tehnolokim perspektivama razvojnih strategija brodograevne industrije. Trenutno u najnaprednijim brodograevnim silama poput Japana i June Koreje evidentna je kontinuirana primjena novih tehnologija, kao to su:
robotika laserska tehnologija precizno upravljiva procesna tehnologija umjetna inteligencija
Budunost izgradnje brodova i plovnih objekata definirat e industrija ija je baza primjena znanja, ija je karakteristika promicanje znanja, tehnologije i kapitala, dok e tradicionalni rad i utjecaji fizikog doprinosa biti uveliko smanjeni. Brodograevna industrija spada u red najsloenijih proizvodno poslovnih organizacija upravo zato to se radi o integraciji tehnolokih, sociolokih i ekonomskih domena koje moraju bit djelotvorno organizirani s visokim stupnjem prilagodljivosti prema utjecajima dinamikog svjetskog trita. Postizanje uinkovitog stupnja organizacije predstavlja izazov u kojem se oituje vrijednost upravljakih struktura. Organizacijski trendovi unutar ove industrije pokazuju da je neophodno na vrijeme prepoznati potrebu za reorganizacijom, odnosno optimizacijom poslovnih procesa u cilju jaanja konkurentnosti i opstanka na zahtjevnom tritu. Isto tako u brojnim stratekim analizama razvoja brodograevne industrije navodi se kao neophodna primjena novih tehnologija i usmjerenosti prema inovacijama. Jedno od 3
kljunih podruja je i primjena raunalnih tehnologija koje omoguuju efektivno postizanje komparativne a zatim i konkurentne prednosti. Aktivno promicanje koncepta digitalne brodogradnje kroz kontinuiranu integraciju poslovanja i uspostavu modernog pristupa u projektiranju, proizvodnji i upravljanju, uvjetovano je snanom orijentacijom prema primjeni informacijskih tehnologija. Ove smjernice su openito prihvaene kao jedini put opstanka brodograevne industrije, te ujedno zahtijevaju snanu predanost zajednice iz okruenja koja prepoznaje prednosti daljnjeg razvoja ove industrije (Zhao,2009., 494-497).
2.1. Strategije primjene novih tehnologija
Brodograevna industrija podrazumijeva veliki broj strunih i kvalificiranih kadrova, ali esto zaostaje za slinim tehnoloko sloenim proizvodnim sektorima poput avionske industrije i auto industrije. Ponekad je to tehniki uvjetovano, ali osnovni razlog povezan je sa strukturom i kulturom same industrije. U novije vrijeme pojavile su se razvojne strategije i tehnologije koje brodogradnju mogu uzdignuti na vii tehnoloki nivo, te time osigurati konkurentnu prednost i veu produktivnost. Ono to je bitno istaknuti u kontekstu ovog rada je da se paralelno, kroz primjenu bilo koje od razmatranih tehnologija, ostvaruju optimizacije razvojnih modela. i pretpostavke za primjenu genetskih algoritama kao jednog od uinkovitih sredstava
2.1.1. Laserska tehnologija
Laserska tehnologija predstavlja jednu od perspektivnijih industrijskih tehnologija iako je jo uvijek nedovoljno zastupljena u brodogradnji, te nije prepoznata u irem spektru primjene. Lasersko skeniranje ubrzava prikupljanje kljunih podataka koji se koriste u dizajniranju plovila. Ova tehnologija koristi lasersku zraku koja vri skeniranje ciljanog objekta, te elektronikim putem obrauje veliki broj metrikih podataka u vrlo kratkom vremenu. Na osnovu prikupljenih podataka generiraju se precizni CAD (computer aided design raunalna podrka u projektiranju) modeli. Implikacije ove tehnologije su visoka uinkovitost u montai precizno izmjerenih konstrukcijskih elemenata. U praksi se ova
tehnologija najuinkovitije koristi u brodogradilitima koja se bave modifikacijama gotovih plovila.
2.1.2. Izrada digitalnih prototipova
Sljedea perspektivna tehnologija je izrada digitalnih prototipova. Konkretno rije je o izradi trodimenzionalnih modela koji ukljuuju primjenu prividne (virtualne) stvarnosti. Koncept primjene prototipa obuhvaa visoku mogunost obrade modela, odnosno analizu kroz simulaciju prije izrade proizvoda. U kontekstu brodogradnje najvie su prisutna simulacije prilikom testiranja hidro dinamike FEA (finite element method metoda u projektiranju) i kalkulaciji strukture materijala CFD (computational fluid dynamics raunalna metodologija za izraun dinamike fluida). Implikacije ove tehnologije usmjeravaju brodogradnju na sasvim novu razinu industrijske kulture, uspostavu tzv. digitalnih brodogradilita. U svijetu postoji ve nekoliko projekata koji promoviraju koncept digitalnih brodogradilita, te kojima se namjerava postii potpuna integracija suvremenih tehnologija u sve proizvodne procese izgradnje broda.
2.1.3. Industrijska multimedija
Prikaz trodimenzionalnih modela prilikom projektiranja predstavlja jednu perspektivu primjene 3D tehnologije ali ukljuivanje takvih modela u operativnu izradu i montau brodskih elementa predstavlja izazov koji je jo uvijek predmet mnogih istraivanja. Ideja ovog koncepta obuhvaa bre i kvalitetnije izvoenje radnih zadataka od strane proizvodnih timova. Bitna prednost ove tehnologije je mogunost prikaza cjelovitog proizvoda sa simulacijom u realnim uvjetima, to ujedno brodograditelju otvara novu percepciju predmeta rada. U vizijama razvoja buduih industrija sve su vie prisutni elementi tzv. ''tvornike multimedije''. Znanstvena istraivanja se usmjeravaju na razvoju multimedijalnih komponenti koje mogu poboljati uinkovitost i produktivnost odreenih industrijskih grana pa tako i brodogradnje.
2.1.4. Robotika
Zadnjih desetljea intenzivirano je istraivanje na koritenju robota u brodograevnoj industriji. Mogunosti primjene ove tehnologije najvie je zastupljena u obradi limova koji se koriste u gradnji brodske strukture (rezanje i zavarivanje). Meutim automatizacija zavarivanja u brodogradnji je sloen postupak iz razloga dislokacije montanih sekcija i specifinih zahtjeva pojedinih plovila. Jo uvijek ova tehnologija nije dovoljno zastupljena, iako ima veliku perspektivu sa stajalita zatite radnika i uinkovite produktivnosti.
2.1.5. Raunalno dizajniranje
Dizajniranje predstavlja proces koji za cilj ima izradu produkta koji je e zadovoljiti konstruktivno definirane ljudske potrebe ili potrebe odreenog okruenja. Oekivanja i zahtjevi koji se odnose na ciljani produkt se specificiraju unutar tehnike specifikacije. Sam proces dizajniranja se moe opisati kao proces transformacije specifikacije u dizajnirani opis. Dizajnirani opis mora sadravati dovoljno informacija (numerikih, grafikih, simbolikih) koje e omoguiti tvorniku izradu produkta. Zato dizajn predstavlja inteligentnu aktivnost, koja je usmjerena prema cilju, restrikcijama i procesu donoenja odluka. Inenjerski dizajn najee obuhvaa istraivanje i uenje u svojoj primjeni. Istraivanje je zastupljeno prilikom identifikacije strukture i varijabli koje bi trebale zadovoljiti postavljene zahtjeve. Uenje dolazi do izraaja prilikom primjene empirijskog pristupa na temelju realiziranih projekata ili prilikom primjene novih tehnolokih rjeenja. Veliki se napori ulau u izradi modela procesa dizajniranja. Koristi takvih modela su najee postizanje mogunosti automatizacije cjelokupnog procesa dizajniranja kroz raunalnu obradu. Model toka podataka usmjeren je na upravljanje aktivnostima prilikom rjeavanja dizajnerskog problema. Model se koristi za izgradnju CAD sustava i njegovu integraciju s CAM sustavom. Kroz prouavanje osnovnog modela ne moemo spoznati gotovo nita o ulozi primijenjenog znanja koritenog u dizajniranju. Za tu svrhu se koriste kognitivni model . Ovaj model je usmjeren na uzroke, namjenu, proces rjeavanja problema i proces donoenja odluka sudionika u procesu dizajniranja. On donosi dublje razumijevanje intelektualnih aktivnosti tijekom dizajniranja i teko ga je transformirati u raunalne koncepte. Dizajniranje se moe razmatrati kao potraga 6
(u tehnikom kontekstu) za prikladnim ili optimalnim konstrukcijskim rjeenjima. Analizom pretraivanja moemo identificirati tri cjeline ove aktivnosti, to su: ciljani oblik, podruje pretraivanja i proces pretraivanja. Pri identifikaciji pristupa dizajniranju moemo istaknuti tradicionalni i kreativni pristup dizajniranju. Tradicionalni dizajn obuhvaa usmjerenost prema funkcionalnim zahtjevima i strukturi koja mora zadovoljiti postavljene zahtjeve. Ovaj koncept dizajniranja mogue je uspjeno implementirati u genetski algoritam sa stajalita optimizacije traenog rjeenja na osnovu postavljenih parametara. Kreativni dizajn teko je opisati odreenom definicijom, esto je teite ovog pristupa usmjereno prema kreativnim vjetinama samog dizajnera. Dugo je prevladavalo miljenje da se raunala ne mogu uinkovito koristiti s aspekta kreativnosti. Razvojem umjetne inteligencije to se miljenje mijenja i do izraaja dolaze koncepti evolucijskih sustava raunalne podrke dizajniranju. U osnovi ovog koncepta parametri ne predstavljaju rjeenja, ve komponente od kojih je rjeenje izgraeno. Reprezentacija je sastavljena od niza pravila prema kojima se vri konstrukcija rjeenja. Ovaj pristup je jo uvijek predmet istraivanja s velikim potencijalima primjene u budunosti ne samo na podruju dizajniranja ve ireg spektra koritenja umjetne inteligencije. Primjena GA (genetic algorithm-genetski algoritam) je iroko prihvaena u primjeni na mnogim podrujima inenjerskog dizajna, za potrebe ovog rada opisane su sljedee mogunosti primjene: konceptualni dizajn, optimizacija konstrukcijskih formi, usklaivanje specifikacijskih podataka, povratni inenjering, dizajn mehanizma. Konceptualni ili idejni dizajn predstavlja ranu fazu dizajniranja i esto zahtjeva kreativni pristup prema kojem dizajner koristi nove komponente ili kombinira poznate komponente na novi nain. Parametri koji se optimiziraju u ovoj fazi imaju utjecaj na cjelokupni dizajnerski projekt. Odreena metodologija koja bi usmjerila dizajnera prema razvoju kvalitetnog konceptualnog rjeenja nije prisutna ali postoje preporuke u potivanju odreenih naela. Razvoj konceptualnog dizajna potrebno je obuhvatiti s etiri osnovne komponente: problem rjeenja (dizajnerski izazov), osobom koja je odgovorna za rjeenje (dizajner), dizajnersko rjeenje (jedno ili vie), alternativno rjeenje (dizajn konkurencije). Ove komponente su bitne sa stajalite primjene GA, omoguuju identifikaciju donje granice prostora moguih rjeenja prilikom izvoenja selektiranja. Osnovna karakteristika tehniki objekata je definicija njihove forme. Forma direktno utjee na definiranje funkcionalnih zahtjeva i trokove proizvodnje. Upravo primarnu aktivnost inenjerstva predstavlja razvoj novih i optimizacija postojeih formi proizvoda. Forme je mogue opisivati kroz razne oblike reprezentacije: skalare, 7
vektore, pixele, voxele. Sa stajalita GA optimizacije bitno je utvrditi optimalnu vrijednost ciljanog parametra na osnovu kojeg se stvaraju uvjeti (tehniki, ekonomski, estetski) za izvravanje procesa selekcije. Usklaivanje geometrijskih oblika krivulja ili vektorskih suelja s velikom koliinom digitalnih podataka predstavlja kljunu ulogu u rekonstrukciji geometrijskih modela realnih fizikih objekata. GA je mogue primijeniti u funkciji odvajanja pod skupova podataka koji pripadaju odreenim geometrijskim elementima i utvrivanju tipova parametara izdvojenih elemenata. Prilikom izvoenja ovog procesa najee se koriste metode triangulacija i odreivanja susjednih relacija elemenata (Renner, Ekart, 2003.,709 726).
2.2. Perspektiva informatizacije
injenica je da brodograevna industrija esto zaostaje u implementaciji novih tehnologija u odnosu na druge industrije. Postoji mnotvo razloga tome, jedan od njih je ogranienost programske i sklopovske podrke. esto potrebe sloenih analiza i simulacija, koje zahtjeva brodograevna industrija nije mogue podrati s postojeim programskim rjeenjima i raunalnom infrastrukturom. Ipak najee uzrok zaostajanja u primjeni novih tehnologija proizlazi iz postojee industrijske kulture (esto nije dovoljno prepoznata znanstvena komponenta) i raspoloivosti financijskih sredstava. U nastavku je opisano nekoliko tehnolokih koncepata kao smjernice koja mogu utjecati na uinkovitiju primjenu novih tehnologija u brodograevnoj industriji.
2.2.1. Generika programska rjeenja
Unutar brodograevne industrije izraena je upotreba vie razliitih CAD sustava, razliitih proizvoaa (npr.: CATIA, MATES, Autoship, PTC, MasterShip, Bentley itd.), koja esto meusobno nisu usklaena, te time direktno utjeu na projektni razvoj. Najee je sluaj da se radi o vendorima (proizvoai softvera) koji su ogranieni s razvojnim budetima, stoga ne nude mogunosti implementacije naprednih tehnologija poput laserskog skeniranja. S druge strane takvi proizvoai imaju prednost zbog prilagoenih karakteristika softvera upravo za specifino podruje brodogradnje. Stoga je potrebno paljivo 8
izvriti selekciju razvojnog softvera koji obuhvaa oba aspekta. Najee takvi softveri nastaju kao eksperimentalna rjeenja velikih proizvoaa koji omoguuju podrku u automobilskoj i avionskoj industriji (npr.: ShipConstructor, Autodesk_Navisworks itd.). Potrebno je istaknuti da investicija u softversko rjeenje generalno kao cilj pretpostavlja poboljanje uinkovitosti i djelotvornosti poslovanja. Kao kljuan faktor ovog investicijskog procesa potrebno je spoznati vanost implementacije softverskog rjeenja od strane glavnog sponzora (investitora). Sami trokovi narudbe softverskog rjeenja su relativni u odnosu na trokove njegove implementacije u poslovni sustav, koji su u konanici puno vii ali i relevantni za uspjeh kompletne investicije.
2.2.2. Raunalna podrka
Distribuirana raunalna podrka od strane specijaliziranih kompanija, koje nude uslugu prema potrebama brodogradilita, predstavljaju noviji koncept tzv. raunala u oblaku, koji biljei trend velikog rasta i popularnosti. Osnovne prednosti ovog koncepta su neogranieni kapacitet raunalnih resursa s kojima je mogue raspolagati neovisno o vremenu koritenja. Isto tako kao prednost se moe istaknuti i koritenje programskih rjeenja prema potrebi, odnosno izbjegavaju se trokovi implementacije i nabave onih komponenti koje korisniku nisu potrebne. Kao primjer uspjenog koritenja ovog koncepta moe se uzeti izvoenje sloenih kalkulacija prilikom CFD analize. CFD analiza zahtjeva visoke trokove ulaganja u novi softver i hardver za svaku novu seriju plovila. Primjenom novih tehnologija poput usluge SaaS (Software as a service tip usluga u raunalnom oblaku) mogue je ovu analizu izvriti uz redukciju trokova nabave specijaliziranog programskog alata.
2.2.3. Paralelno raunarstvo
Paralelno raunarstvo predstavlja podruje koje dananjim razvojem procesora omoguuje rjeavanje kompleksnih problema u brodograevnoj industriji na brz i uinkovit nain. Upravo iz tog razloga potrebno je uskladiti nabavku novih programska rjeenja (CADCAM sustavi) s hardverskom podrkom, esto imamo sluajeve gdje nisu uinkovito iskoriteni procesorski resursi. 9
2.2.4. Umjetna inteligencija
Ovo znanstveno podruje sve vie se profilira u industrijskoj primjeni, stoga postaje nezaobilazan faktor razvoja konkurentnosti u brodograevnoj industriji. Grane UI-a poput neuronskih mrea i evolucijskih algoritama sve vie se koriste u naprednim brodogradilitima pri optimizaciji proizvodnih procesa i koritenju automatiziranih sustava. Jedan od primjera je i korejska brodograevna industrija Daewoo Shipbuilding Company koja uz primjenu naprednih grana umjetne inteligencije razvila raunalno integrirani sustav planiranja proizvodnje. Tema ovog rada upravo obuhvaa jednu od grana znanstvenog podruja koje istrauje umjetnu inteligenciju.
2.2.5. Virtualna proizvodnja
Proces izgradnje sloenih plovila prolazi kroz vie proizvodnih faza. Proces zapoinje izradom studije izvodljivosti i analizom zahtjeva, zatim prolazi fazu dizajniranja i proizvodnje, u konanici zavrava primopredajom kupcu. Tradicionalni proces brodogradnje obuhvaa primjenu vie modela samog brodograevnog procesa, ovisno o podruju primjene. Modeli mogu obuhvaati dizajnersku ili tehnoloku perspektivu ali za funkciju imaju dekompoziciju problema na manje problemske domene, kojim se rjeava problem kompleksnosti. Dolazi se do spoznaje da je za brodogradilita je neophodno da se osigura integracija tih modela prije nego oni ostvare fiziku implementaciju, a s ciljem uinkovite kontrole trokova, vremena i kvalitete proizvodnje. Osnovni problem u ostvarivanju integracije predstavlja prikupljanje dinamikih podataka tijekom izvoenja procesa. Koncept virtualne proizvodnje VM (virtual manufacturing virtualna proizvodnja), pretpostavlja simulaciju proizvodnje u raunalnom okruenju. U osnovi je rije o koritenju modela sustava i prilagodba kljunih parametara u izvravanju virtualnih procesa. Cilj primjene ovog koncepta je kroz simulacija kompletnog proizvodnog procesa ostvariti najvii mogui stupanj uinkovitosti i produktivnosti poslovanja (Akala, et al., 2008., 139-162).
10
Osnovne klasifikacije VM-a se identificiraju kao: Dizajnu orijentiran VM - podrka dizajnerima produkta u dizajnerskoj fazi. Proizvodnji orijentiran VM - podrka u planiranju i optimizaciji proizvodnje, ukljuuje i primjenu alternativnih rjeenja u radnim pogonima i procesnim linijama. Kontroli orijentiran VM ukljuuje raunalno kontrolirane simulacije koje za cilj imaju optimizaciju tekuih procesa u proizvodnji.
VMS (virtual manufacturing in shipbuilding-virtualna proizvodnja u brodogradnji) predstavlja osnovnu platformu svim poslovnim aktivnostima u brodograevnoj industriji, u smislu informacijske realizacije kroz produkcijski model podataka. VMS pretpostavlja integrirano proizvodno okruenje koje podrava sve razine odluivanja i kontrole u razliitim produkcijskim procesima unutar brodogradilita (Slika 1.) Osnovne karakteristike mogu se sintetizirati kao: direktno ukljuivanje zaposlenika u optimizaciju procesa, participacija ekspertnog sustava, identifikacija i rjeavanje problema u virtualnom okruenju, integracija vie rjeenja i omoguavanje realne simulacije ciljanog procesa.
Slika 1. Komponente virtualnog proizvodnog okruenja
Dizajn
Produkcija
Materijal
Projekt/ koncept
Planiranje
Financije
Izvor: autor
11
Osnovna arhitektura VMS-a sadri sljedee komponente: Opu bazu podataka: pretpostavlja robusnu informacijsku infrastrukturu koja je sposobna ostvariti cjelovitu podrku kompleksnim zahtjevima VM-a, istraivanja su pokazala da najbolje performanse za ovaj tip podatkovne podrke iskazuju objektno orijentirane baze podataka. Virtualni industrijski okruenje: predstavlja statinu perspektivu produkcijskog sustava, odnosno temeljne varijable proizvodnih kapaciteta koje predstavljaju strukturu industrijskog sustava. Virtualni model resursa: predstavlja dinamiku komponentu VM sustava ija uloga obuhvaa prezentaciju dinamikih podataka koji se generiraju tijekom proizvodnog procesa. Model prototipa: definira se kao raunalno bazirana simulacija sustava i pod sustava koju je mogue komparativno koristiti u analizi realnog fizikog prototipa. Virtualni model produkta: predstavlja najvii nivo VM-a koji je ujedno i osnovni predmet daljnjih istraivanja.
12
3. Genetski algoritam
Genetski algoritam predstavlja heuristiku metodu optimizacije baziranu na ideji prirodne selekcije i genetskih procesa. Genetski algoritam se klasificira pod evolucijskim algoritmima odnosno podruju znanosti koje istrauje umjetnu inteligenciju. Sama paradigma GA je proizala iz Darwinove teorije o evoluciji, odnosno preivljavanju najboljih jedinki. Prvi GA je razvijen 70-tih godina od strane John Hollanda ( University of Michigen). Ideja je proizala iz mogunosti koritenja krucijalnog prirodnog procesa u raunalnoj primjeni. GA sluajnim pretraivanjem odreenog prostora koristi povijesne informacije s ciljem dobivanja najboljih svojstava jedinke unutar populacije. Popularnost genetskog algoritma sve je vie u porastu, sve je vie znanstvenika i praktiara ukljueno u razvoj i primjenu raznih modela genetskih algoritama. Kljunu ulogu razvoja popularnosti ovog koncepta igra visoka uinkovitost pri optimizaciji procesa u komercijalne i istraivake svrhe.
Metaforiki reeno prirodna selekcija svakodnevno i svakog trenutka istrauje po cijelome svijetu i najmanja varijacije; ona odbacuje loe, a odrava i sumira one koje su dobre; ono rad mirno i neprimjetno, kad god i gdje god se ukae prilika, na usavravanju svakog organskog bia u odnosu na njegove organske i neorganske uvjete ivota (Darwin, 1859., 41).
3.1. Evolucijski algoritmi
Evolucijski algoritmi predstavljaju granu evolucijskog raunalstva, koje predstavlja polje znanosti o umjetnoj inteligenciji. Evolucijsko raunalstvo objedinjuje nekoliko raunalnih tehnika, odnosno predstavlja paradigmu koja podrava optimizaciju i pretraivanje, utemeljenu na konceptu prirodne evolucije. Evolucijski algoritmi ukljuuju operacije poput: selekcije, kombinacije, sluajne varijacije i natjecanja. Fokus predstavlja potraga za optimalnom jedinkom unutar populacije prihvatljivi rjeenja zadanog problema. Genetski algoritmi predstavljaju osnovnu paradigmu unutar evolucijskih algoritama. Oni koriste simulaciju prirodne evolucije, kroz operacije: selekcije, krianja i mutacije
13
3.2. Optimizacija
Optimizacija problema predstavlja potragu za rjeenjima koja su bolja od ostalih. U informatici predstavlja pretragu prostora koji sadri mogua rjeenja. Skup moguih rjeenja predstavlja podruje zadanog problema. Rjeenja i dijelovi rjeenja predstavljaju toke pretraivanja prostoru navedenog podruja. Matematiki pristup pretpostavlja formulaciju problema kroz matematiki model koji koristi zadane funkcije u rjeavanju problema, odnosno generiraju se parametri koji vre optimizaciju sustava. Optimizacija se odreuje unutar tri osnovna faktora: 1. Funkcija cilja 2. Skup nepoznanica ili varijabli koje utjeu na funkciju cilja 3. Skup ogranienja koji doputaju varijablama pridruivanje tono odreenih vrijednosti
Optimizacija kako je navedeno ima za cilj pronai najbolje ili optimalno rjeenje problema ali postoji niz razliitih problema koji se kategoriziraju prema razini sloenosti. Linearni problemi u svom rjeenju pretpostavljaju jednostavnu linearnu funkciju ulaznih podataka (npr. y=ax+b). Ako se u rjeavanju problema koriste jednostavne aritmetike operacije indikaciju su da se radi o linearnoj relaciji izmeu varijabli. Linearne probleme je mogue jednostavno rjeavati u raunalnom okruenju, naroito primjenjujui Simplex metodu. Ali veina problema u realnom svijetu ne moe se opisati linearnim modelom. Nelinearni problemi predstavljaju sve one probleme koji ukljuuju varijable koje ne ostvaruju linearnu relaciju, odnosno ona nije proporcionalne prirode. U vrlo sloene nelinearne probleme klasificiraju se esti sluajevi kad je mogue dobiti vie rjeenja u sloenom okruenju. U takvim sluajevima najuinkovitije su primjene heuristikih metoda poput genetskih algoritama (Goldeberg, 1989., 1-230).
14
3.3. Struktura genetskog algoritma
Osnovni pojmovi koji se koriste unutar koncepta genetskih algoritama su sljedei: Jedinka/individua: predstavlja potencijalno rjeenje problema optimizacije. Fenotip: predstavlja osobine jedinke koje se mogu interpretirati na razini problema. Genotip: kodiranje fenotipa na gene. Kromosom / reprezentacija rjeenja: predstavlja jedinku, sastoji se od linearno povezanih gena. Gen.: dio reprezentacije rjeenja. Lokus: pozicija gena u nizu koja je predefinirana. Populacija: skup rjeenja. Dobrota (Fitness): kvaliteta rjeenja. Operator krianja: predstavlja binarno usmjereno pretraivanje. Operator mutacije: predstavlja unarni operator pretraivanja. Reprodukcija: ponovna upotreba rjeenja. Selekcija: operacija kojom se odravaju kvalitetna svojstva jedinke.
Rjeavanje problema pomou GA obuhvaa u poetku definiranje odgovarajue reprezentacije i kvalitete rjeenja. Reprezentacija je analogna konstrukciji kromosoma koji za isti problem mogu predstavljati vie verzija. One mogu varirati od jednostavnih do onih vrlo sloenih, meutim unato koritenju istih konstrukcijskih principa evolucijskog razvoja one mogu u konanici generirati vrlo razliite rezultate. Uzrok uspjenosti reprezentacija usko je povezana uz njihovu funkciju s operatorima, kojom se definira prostor pretraivanja moguih rjeenja. Najee se koristi reprezentacija u formi stringa nepromjenjive duljine, iako su mogue i sloenije forme reprezentacija koje zahtijevaju rjeenja sloenijih problema. Nakon definicije reprezentacije slijedi postavljanje kriterija izbora, koji obino obuhvaaju predefinirani broj ponavljanja, te ocjenjuju kad je dosegnuto prihvatljivo rjeenje (Shema 1.).
15
Shema 1 Prikaz jednostavnog GA
Populacija (kromosomi)
Krianje (roditelji)
Objektivna funkcija
Pod populacija (potomstvo) Izvor: autor
Hodogram jednostavnog pseudo-koda prikazanog opisan je kroz sljedee korake:
1. Sluajni izbor inicijalne populacije x(0) = (x1, x2, x3, ........., xN), gdje je N poetni broj kromosoma. 2. Izraunati kvalitetu (fitness) F( x I) za svaki kromosom x I u ciljanoj populaciji X(t) 3. Kreirati nove kromosome X r(t) krianjem ciljanih (roditeljskih) kromosoma primjenom mutacije i kombinacije. 4. Izbrisati odreen broj kromosoma da bi se oslobodilo mjesto za nove (tzv. umiranje kromosoma). 5. Izraunati kvalitetu novih kromosoma u populaciji X r(t). 6. Postaviti t= t + 1. Ako nije zadovoljen uvjet ii na korak 3, ako je zadovoljen prekinuti petlju i izdvojiti najkvalitetniji kromosom. Prekid izvoenja petlje moe uzrokovati zadovoljenje uvjeta ili ogranienje brojem ponavljanja. Jedno ponavljanje moe generirati jednu reprodukciju.
16
3.4. Genetski operatori

Unutar svake generacije genetski operatori se koriste za selekciju jedinke iz trenutne populacije u svrhu kreiranja nove populacije. Postoje tri osnovna genetska operatora, a to su: operator reprodukcije, krianja i mutacije. Reprodukcija se primjenjuje kada je potrebno izvriti jednostavno kopiranje bez ikakvih izmjena na izabranoj jedinki, odnosno omoguuje preivljavanje zadovoljavajuim kvalitetnim rjeenjima. Temeljni faktor izbora jedinke je nain izvoenja selekcije. Krianje se primjenjuje kada elimo kreirati novu jedinku (dijete) od dva roditelja (jedinke) unutar prethodne populacije. Sam proces krianja obuhvaa definiranje svojstava krianja. Ovisno o broju selektiranih svojstava klasificira se stupanj sloenosti operatora krianja. esto se prilikom ovih operacija koriste pojmovi toke prekida, stabla i pod stabla. Ovi pojmovi se koriste prilikom definiranja nasljednih svojstava koje se prenose na novu jedinku. U primjeni su najee dvije metode operacije krianja. Jedna je uniformirano krianje u kojem se koristi definirani broj sekvenci izmeu dva roditelja. U ovoj metodi na nasljedne jedinke se rasporeuju sekvence u pravilnom omjeru. Nedostatak ove metode je to se sporije dolazi do kvalitetnih rjeenja . Prednost je to se otvara vei prostor pretraivanja. Ovaj tip krianja se dosta primjenjuje u istraivake svrhe. Druga metoda je dvostruko krianje koje se realizira kroz podjelu roditeljskih kromosoma na dvije sekvence koritenjem dvije toke krianja. Dvije toke krianja odabiru se sluajnim izborom i njihovom kombinacijom nastaje nova nasljedna jedinka. Prednost ove metode je to je usmjerena na proces krianja a ne kao prethodna na prostor pretrage i stoga je prihvatljivija u praktinoj primjeni. Mutacija se primjenjuje kad novu jedinku dobijemo modifikacijom prethodno selektirane jedinke. Modifikacija se realizira izmjenom jednog ili vie svojstava reprezentativne jedinke, odnosno brisanjem ili dodavanjem dijelova reprezentacije. U genetskim algoritmima mutacija se koristi u sluaju potrebe za odreenim promjenama, u pravilu se gotovo uvijek kombinira s operatorima krianja ili reprodukcije. Na razliitim stupnjevima evolucije mogu se koristiti razliiti operatori mutacije. Prilagoavaju se prema potrebama ciljane kvalitete traenog rjeenja. Mutacija predstavlja unarnu operaciju, odnosno odvija se na jednoj jedinki. Operatorom mutacije uvodi se nova karakteristika ili obnavlja izgubljeno svojstvo jedinke. Selekcija je jedan od temeljnih procesa unutar genetskih algoritama. Selekcija se bazira na kvaliteti, odnosno jedinke s odgovarajuim kvalitativnim svojstvima imaju intenciju veeg broja odabira od jedinki s loim kvalitativnim svojstvima. 17
Ovom operacijom se izdvajaju dobra od loih rjeenja. Kako postoji vjerojatnost da i loe jedinke sadre kvalitetne gene potrebno je omoguiti i njihovo razmnoavanje. Iz tog razloga uvodi vea vjerojatnost razmnoavanja za kvalitetnije a manja vjerojatnost za loije jedinke. Postoji nekoliko tipova selekcije koje imaju podjednako izraenu uporabu, ovisno o sluajevima primjene. Selekcija je proces koji kljuan u smislu definiranja prostora pretraivanja (Holland, 1975.). Selekcija se moe kategorizirati u dvije osnovne kategorije, proporcionalna selekcija i rangirajua selekcija (Slika 2.).
Slika 2 Kategorizacija operatora selekcije
Izvor: autor
3.4.1. Koeficijent krianja i mutacije
Utvrivanje potrebe za raunalnim resursima sa stajalita vremena obrade i koritenja memorijskog prostora, predstavlja jedan od sloenijih problema u primjeni optimizacijskih algoritama. Ovaj problem se iskazuje kroz procjenu vremena potrebnim za traenjem novog prostora moguih rjeenja i koliini vremena potrebnoj za podeavanje ve prihvatljivi jedinki rjeenja. U sluaju da je koeficijent mutacije jednak jedan, genetski algoritam predstavlja pretragu rjeenja sluajnim odabirom. U sluaju da je koeficijent blii nuli to je vea mogunost da e algoritam zavriti u lokalnom optimumu. Veliku ulogu u uinkovitosti genetskih algoritama igra njihova sposobnost da prenesu parametre omjera navedenih procjena kroz sve generacije, te tako obuhvate ire podruje populacije. Operatori krianja i mutacije direktno utjeu na podruje pretrage. Mijenjajui koeficijente krianja i mutacije kroz proces optimizacije mogue je usmjeriti resurse na prioritetna podruja. 18
3.5. Kvaliteta jedinke
Mogunost opstanka bilo koje jedinke odreena je njezinom kvalitetom, izvrsnou. U pravilu evolucija kvalitete direktno ovisi o kvalitativnim zahtjevima, odnosno definiranjem funkcije cilja mora se jasno izraziti zahtijevana kvaliteta traenog rjeenja. Postavljanje funkcije cilja mogue je izvesti na nekoliko naina koje nalazimo u primjeni. Definiranjem funkcije cilja i implementacija funkcije u genetski algoritam. Prilikom evaluacije jedinke koristi se funkcija cilja u raunalnoj obradi jedinke. Kada se evaluacija kvalitete izvrava u odvojenoj raunalnoj analizi dolazi do vremenskih usporavanja obrade zahtjeva i cjelokupnog optimizacijskog procesa. U sluajevima kad funkcija cilja nije eksplicitno postavljena, mogue je da osoba koja provodi evaluaciju kvalitete sama odredi kvalitativne zahtjeve s aspekta sluaja uporabe. Kvalitativni zahtjevi mogu biti postavljeni koristei metodu komparacije jedinki iz promatrane populacije. Tonije, ako je strategija rjeenja ira od promatrane populacije vri se usporedba s moguim rjeenjima.
3.6. Kategorizacija genetskih algoritama
Podruje primjene genetskih algoritama je vrlo iroko. Zbog svojih karakteristika, genetski algoritmi se mogu implementirati u rjeavanju problema koji zahtijevaju tonost u pretraivanju viedimenzionalnog prostora rjeenja. Problematika primjene moe obuhvaati razliita podruja poput robotske tehnologije, rjeavanja ekonomskih problema, digitalna obrada signala, optimizaciju tehnolokih procesa i mnotvo drugih. Potrebno je istaknuti mogunosti primjene genetskih algoritama u kombinaciji s klasinim optimizacijskim algoritmima ili naprednim konceptima (neuronske mree). Izvoenje je esto koncipirano po ad hoc principu gdje se prema tono utvrenom procesnom slijedu potrebno ukljuiti algoritme koji sudjeluju u rjeavanju odreenih problema. Meutim postoje i nedostaci u njihovoj primjeni u optimizacijskim procesima. esto su povezani s dugotrajnou izvoenja, optereenjem procesora ili prekidom izvoenja zbog pribliavanja neprihvatljivim lokalnim optimizacijskim vrijednostima. Uoavanjem navedenih nedostataka javila se potreba za optimizacijom samih genetskih algoritama, te na temelju znanstvenih istraivanja nastaju napredne verzije uinkovitijih GA. Danas je zastupljena u primjeni jo jedna grana 19
evolucijskog raunalstva, a to je genetiko programiranje. Principi rada su vrlo slini genetskim algoritmima. Genetski algoritmi su takoer pogodni za paralelnu obradu podataka, to omoguava implementaciju na vieprocesorskim sustavima. U nastavku su navedene neke od vrsta GA koji se koriste u razliitim podrujima primjene. Izbor tipa genetskog algoritma iskljuivo je ovisna o tipu problema koji se obrauje. Koncept viekriterijskog GA temelji se na zadovoljavanju cilja optimizacije, tako da se optimizira vektorska funkcija koja sadri elemente definirane kao zahtijevane funkcije cilja. Funkcije cilja su najee u meusobnom konfliktu tako da se konano rjeenje pronalazi u odnosu na optimalnu (najbliu) vrijednost funkcije cilja, relativnu prema svim procesuiranim varijablama. esto se kao optimizacijska funkcija kod ovog GA koristi agregat s vie elemenata funkcije integriranih u jednu agregatnu funkciju. Paralelni genetski algoritam predstavlja kategoriju koja se koristi za rjeavanje problema ubrzavanja vremena izvoenja algoritma i obrade rjeenja prilikom realizacije sloenih problema. Paralelizam se kod genetskih algoritama postie na nekoliko naina. Jednostavniji pristup je master-slave koncept prema kojem glavni (master) procesor pohranjuje pojedinu populaciju, dok usluni procesor (slave) vri obradu jedinki primjenom mutacije ili krianja. U ovom sluaju konani rezultat je isti kao kod sekvencijalnog GA. Drugi pristup obuhvaa obradu vie pod populacija. Ovdje se jedinke konkuriraju unutar pod populacija. Rezultat ovog pristupa je kvalitetniji iz razlogu istovremene komparacije veeg broja jedinki. Postoji jo nekoliko pristupa u paralelnoj obradi koji e zasad biti samo navedeni, kao sljedei: migracijski pristup, pristup injekcijskog otoka, pristup grubih zrna ili distribuirani pristup, pristup viestrukog preklapanja pod populacija, pristup koritenjem dinamikih pod populacija i pristup koritenjem hibridnih metoda(Renner, Ekart, 2003.,713715).
20
4. Primjena u brodogradnji
Trendovi sve prisutne globalizacije dramatino mijenjaju trine strategije i zahtijevaju brzu prilagodbu primjenom inovativnih tehnologija i znanstvenih resursa u svim segmentima proizvodnje. Danas kupca definira trite koje najee i uvjetuje konanu cijenu produkta. Proizvodnja esto balansira izmeu unutarnjih i vanjskih metrika produktivnosti. U novije vrijeme cilja se migracija s lokalne na globalnu optimizaciju koja za svrhu ima to kvalitetnije zadovoljavanje zahtjeva kupca ukljuujui ga direktno u ivotni ciklus proizvoda. U brodogradnji koja je specifina sa stajalita poslovnih procesa koji se odvijaju u izgradnji broda kupac je od poetka ukljuen u cjelokupni nadzor kvalitete produkta (broda) koji kupuje. Stoga brodogradilitima predstavlja problem postizanje ravnotee izmeu zadovoljenja zahtjeva brodovlasnika i postizanja planiranih kalkulacija uinkovitosti. Organizacija i planiranje proizvodnje su kljuni u zadovoljenju tih zahtjeva. Organizacijska struktura bi trebala osigurati to uinkovitiji proces planiranja i njegove primjene na glavne procese proizvodnje. Veina brodogradilita primjenjuje matrinu strukturu u organizaciji poslovanja (Slika 3.).
Slika 3 Problem matrine organizacije
Izvor: autor
21
Matrina struktura podrazumijeva kombiniranje projektnih s produkcijskim ciljevima, upravo tu dolazi do estih konflikata interesa u identifikacije prioriteta poslovanja. U produkcijskoj organizaciji odluke rukovodstva su usmjerene optimalnom iskoritavanju kapaciteta. U projektnoj organizaciji se odluke fokusiraju na zavretak projekta u planiranom vremenu i budetu. Stoga se sve vie kao alternativa postavljaju koncepti optimizacije koji mogu omoguiti fleksibilnu i kontinuirano prilagoenu optimizaciju plana proizvodnje s ciljem ostvarivanja postavljeni zahtjeva. U paralelnoj realizaciji vie projekata konflikti su uestaliji i kompleksniji. U odreenim sluajevima mogue su manipulacije od strane voditelja projekta sa ciljem ostvarivanja individualnih interesa koji mogu bitni kontraproduktivni prema poslovnim ciljevima u iroj perspektivi. esto je osnovni nedostatak ovakvih tipova organizacije nepostojanje uinkovitog sustava koordinacije koji vri integraciju projekata i resursa te njihovu kontinuiranu kontrolu. Predmet ovog rada obrauje djelomino koncept virtualne proizvodnje. Koncept virtualne proizvodnje kroz uspjenu implementaciju potencijalno omoguuje rjeenje integracije problemskih podruja u realizaciji plana proizvodnje brodograevne industrije.
4.1.Snimka stanja proizvodnje u Brodogradilitu d.d.
Brodogradilite d.d. funkcionira na rigidnom matrinom tipu organizacije to potencira negativne implikacije za opstanak na modernom konkurentom tritu. Potrebno je izvriti prilagoenu transformaciju na fleksibilni tip organizacije i razvoj provoditi kroz kohezivan timski rad. Zbog slabe konkurentnosti Brodogradilite je usmjereno na trine nie koje zahtijevaju razvoj prototipova plovila a izgledna je diversifikacija kao kompenzacija u iskoritavanju kapaciteta proizvodnje. Sam razvoj prototipova produkta zahtjeva visoki stupanj prilagodljivosti i kontrole u svim segmentima razvoja stoga je vidljiva potreba za uvoenjem novih informacijskih tehnologija koje mogu podrati protok informacija na brz i uinkovit nain kroz veliki sustav kao to je Brodogradilite d.d.. Kao jedno od potencijalnih rjeenja razmatra se implementacija sustava virtualne proizvodnje kroz koji se namjerava postii integralnost cjelokupnog procesa izgradnje broda. Integracijom kroz virtualnu proizvodnju se namjerava jasnije definirati sustav odgovornosti za sve segmente aktivnosti na projektima. 22
Hodogramom planiranja (Slika 4.) definiran je tok procesa planiranja proizvodnje. Vrijeme glavnog proizvodnog intervala utvruje se prema preostalim aktivnostima. U postojeem procesu planiranja, vremenom i kapacitetima se upravlja nezavisno i izolirano. Planer je usmjeren na dostizanje pojedinih faza poput porinua, datuma isporuke itd.. Tek u sljedeem koraku se ukljuuje raspoloivost kapaciteta. Planiranje kapacitete nije primarno i nedovoljno je usklaeno s planom proizvodnje. Slika 4 Hodogram procesa planiranja proizvodnje
Utvrivanje Aktivnost Preostale aktivnost trajanja intervala proizvodnje
Planiranje aktivnosti prema vremenu
Provjera raspoloivosti kapaciteta Plan
Izvor: autor Neusklaeno planiranje vremena i kapaciteta za posljedicu ima nepouzdane i
neuinkovite rezultate planiranja. Osnovi nedostatak ovog pristupa planiranju je to to se nedovoljno analiziraju ogranienja u izvoenju aktivnosti poglavito ogranienja kapaciteta. Zato dolazi u veini projekata do dodatnih trokova i generiranja dubioza u ukupnom poslovanju. Izvren je prikaz sluaja negativnih implikacija vremenski utvrenog plana aktivnosti. U planiranju se esto koristi metoda kritinog puta CPM (critical path method metoda kritinog puta) koja kao bitan segment ne uzima konaan kapacitet resursa, te implicira nepouzdane rezultate planiranja u sluaju neraspoloivosti odreenog kapaciteta resursa. Razmatran je sluaj opremanja odreenog mikro prostora na brodu koji je podijeljen na dva sustava s kojim se oprema (Tablica 1.).
23
Tablica 1. Analiza aktivnosti opremanja mikro prostora Normativ aktivnosti (sati) 250 350 100 100 150 50 50
Aktivnost 1 2 3 4 5 6 7 Izvor: autor
Opis Montaa sustava1 Montaa sustava2 Instalacija sustava1 Instalacija sustava2 Testiranje sustava1 Testiranje sustava2 Primopredaja mikro prostora
Trajanje (u danima) 5 7 2 2 3 1 1
U modelu mrenog plana aktivnosti su predstavljene vorovima (Slika 5.). Poetni (P) i zavrni (K) vor predstavljaju poetak i kraj aktivnosti. Pored vorova su oznaeni vremenski parametri trajanja pojedine aktivnosti. Operativni timovi izvode navedene aktivnosti opremanja. Svaki tim sainjen je od osam djelatnika, svaki djelatnik ostvari osam radnih sati po danu. Zbog pauze za objed ukupni raspoloivi radni kapacitet po timu je 60 radnih sati po danu. Ako gledamo konani kapacitet tima, aktivnosti 1, 2 i 3 mogu istovremeno zapoeti sa realizacijom.
Slika 5 CPM dijagram plana aktivnosti

1 3 5
Izvor: autor 24
U praksi CPM tehnika se koristi za izraun najkraeg vremena trajanja aktivnosti. U planiranju se procjenjuje interval aktivnosti s obzirom na konani kapacitet resursa. U promatranom primjeru kalkulacija intervala iznosila bi 350/60=5.83 dana. Procijenjena duina trajanja aktivnosti je 7 dana. Aktivnosti 2, 4, 6 i 7 predstavljaju kritian put mrenog dijagrama za kapacitet opremanja. Ako se doda ukupan kapacitet resursa dolazi se do podatka da proizvodni interval opremanja potreban da bi proizvodni tim izvrio planirane aktivnosti opremanja prelazi kalkulaciju vremena navedenog kritinog puta u mrenom dijagramu Grafikon 1. Trend koritenja kapaciteta
Izvor: autor
Analizom optimalne organizacije plana aktivnosti za proizvodni tim (Grafikon 1.) vidljivo je da i u sluaju realizacije planiranja pojedinog projekta opremanja mikro prostora postoji neiskoritenost kapaciteta u planiranim vremenskim intervalima. Kao rezultat primjene CPM tehnike u sluaju planiranja vie paralelnih projekata koji pristupaju istim resursima, odstupanja su jo izraenija. Kapacitete resursa neophodno je planirati tako da se povea njihova iskoritenost tijekom svih procesa koji se odvijaju u proizvodnji.
25
4.2. Formuliranje problema
Jedan od osnovnih ciljeva procesa planiranja je postii optimalnu duljinu trajanja osnovnog procesa proizvodnje, odnosno uinkovito i djelotvorno uskladiti procese s dostupnim kapacitetima. Potreba za informacijama koje proizlaze iz ovog procesa danas su neophodne u primjeni. Naroito je ta potreba vidljiva u primjeni agilnog pristupa organizacije proizvodnje i primjeni koncepta virtualne proizvodnje. Pretpostavka istraivanja je da promatrano Brodogradilite d.d. ima uspjeno implementiran sustav virtualne proizvodnje. Takav sustav iziskuje veliku preciznost u definiranju parametara koji ulaze u razvoj modela proizvodnje. Kontinuirano je potrebno za svaki novi projekt izraunati optimalni interval trajanja proizvodnog procesa.
Koncept virtualne proizvodnje ukljuuje postojanje softverske platforme koja je sposobna izvriti integraciju procesa koji sudjeluju u aktivnostima proizvodnje broda. Smjernice ovog pristupa promoviraju integraciju svih dostupnih resursa s ciljem optimalne valorizacije atributa prilikom definicije modela projekta i produkta. Pretpostavka mogueg sustava virtualne proizvodnje u Brodogradilitu d.d. obuhvaa arhitekturu sastavljenu od est modula: tehnoloko/dizajnerski modul, modul planiranja procesa, modul planiranja nabave, modul procjene izvodljivosti i procjene trokova, modul planiranja prioriteta i upravljaki modul. Svaki modul posjeduje dodijeljena prava i uloge. Upravljaki modul posjeduje prava najvie razine koja mu omoguavaju dodjeljivanje prava ostalim modulima. Modul planiranja prioriteta je direktno povezan s implementacijom genetskog algoritma , stoga se namee kao predmet daljnjeg razmatranja. Modul planiranja prioriteta u kontekstu primjene predstavlja reprezentaciju problema poznatog kao JSSP (Job Shop Scheduling Problem problem organizacije poslova u proizvodnom pogonu) ili problem organizacije poslova u proizvodnom pogonu. Problem je definiran mogunostima alokacije kapaciteta za izvravanje zadanih radnih zadataka u odreenom intervalu vremena. Organizacijska jedinica pod oznakom T moe predstavljati jedan od kapaciteta i prvi od objekata optimizacije. Radni nalog pod oznakom Rn predstavlja drugi objekt koji sudjeluje u optimizaciji. U definiciji JSSP problema ova dva objekta predstavljaju problem prema kojem konani skup Rn sastavljen od N operacija (radnih zadataka) treba biti izvren od strane svakog radnog tima T. Svaki radni 26
nalog sadri niz operacija. Svaka operacija zahtjeva odreeni interval vremena potrebno za izvrenje operacije. Svaka operacija zahtjeva obradu od tono odreenog kapaciteta, u ovom sluaju radne jedinice. Ideja ovog rada je razmotriti mogunost primjene genetskog algoritma u optimizaciji plana aktivnosti prema dostupnim kapacitetima s ciljem skraivanja trajanja vremenskog intervala proizvodnje i uinkovitog koritenja kapaciteta.
Dekompozicija radnih zadataka u sekvence se izvodi u svrhu utvrivanja vremenskog slijeda izvrenja operacija u odnosu na alokaciju dostupnih kapaciteta. Svaka operacija mora biti rasporeena tako da ne ulazi u konflikt s drugim radnim nalozima odnosno pripadajuim operacijama. Proces dekompozicije proizvodnih poslova u sekvence definira se kao proces optimizacije i kao takav ima znaajan utjecaj na uinkovitost i proizvodnost proizvodnog okruenja. Proces rasporeda proizvodnih poslova u odnosu na dostupne kapacitete klasificira se kao NP-potpun problem, odnosno nemogue je pronai optimalno rjeenje bez koritenja testnog algoritma koji moe u polinomnom vremenu testirati rjeenje zadanog algoritma. Dekompozicija proizvodnih poslova u sekvence pripada u red sloenijih proizvodnih problema.
4.2.1. Model problema
Realizacija genetskog algoritama se moe opisati kao raunalna simulacija u kojoj mogua izvesti prihvatljivo rjeenja odreenog problema. Ona kroz selekciju i reprodukciju, ovisno o ciljanim vrijednostima, rezultiraju definiranim skupom rjeenja prihvatljivim za daljnje koritenje u svrhu kreiranja optimalnog procesa. Uspjeh uinkovite primjene genetskog algoritma je direktno povezan sa sposobnou izrade modela koja predstavlja apstraktnu okolinu u kojoj se izvodi pretraga uz primjenu odgovarajuih operatora. S ciljem poveanja uinkovitosti nekog sustava prvo moramo razumjeti kako se on ponaa. U sluaju dekompozicije proizvodnih zadataka u sekvence najbolja rjeenja se mogu dobiti primjenom metode pokuaja i pogreaka iz razloga visoke sloenosti samog problema. Upravo tu je mogue uvidjeti prednosti pretraivanja prostora rjeenja primjenom genetskog algoritma. Genetski algoritam obuhvaa iterativnu proceduru koja vri obradu odreene populacije definirane veliine. Iteracije se uobiajeno prekidaju pronalaenjem rjeenja ili dostizanjem 27
maksimalnog broja generacija. Matematikim pristupom moe se opisati da za vrijeme iteracije t, GA obrauje populaciju P(t) skupa moguih rjeenja konstantnu veliinu populacije. Svako od moguih rjeenja
x ... x
1
t R
, gdje R oznaava
t i
prolazi evaluaciju funkcijom
F( x ti ) kojom se vri mjerenje kvalitete izvedenog jedinke rjeenja. Kvaliteta rjeenja odreuje sposobnost opstanka jedinke i mogunost produkcije izvedene jedinke u sljedeoj generaciji. U t+1 iteraciji populacija se izvodi na osnovu genetskih operacija selekcije, krianja i mutacije.
Proizvodni pogon raspolae s pet proizvodnih jedinica koje predstavljaju kapacitete. Kapacitet izvodi tono odreene operacije unutar proizvodnog okruenja. Model obrauje pet radnih naloga koje su sastavljene od tono odreenih operacija. Svaka operacija ima tono definirano vrijeme potrebno za izvrenje. Pretpostavke za realizaciju modela su sljedee: Favoriziranje radnih naloga nije dozvoljeno. Svi nalozi su istodobno dostupni za poetak obrade. Sve operacije su definirane zahtjevom prema kapacitetu i vremenom realizacije. Nakon zavretka operacije vri se prelazak na sljedei kapacitet, vrijeme prelaska se uvrtava u vrijeme realizacije. Vrijeme poetka realizacije nije ovisno o sekvenci i ne uvrtava se u vrijeme realizacije. U promatranom problemu geni svakog kromosoma predstavljaju fenotip rjeenja optimizacije unutar definirane populacije (Slika 6.). Slika 6 Fenotip jedinke
1-1-1
2-1-1
3-1-1
1-1-2
2-1-2
3-1-2
operacija- radni nalog-indeks kapaciteta Izvor: autor
28
Svaki radni nalog je strukturiran od niza operacija koje izvodi proizvodni kapacitet specijaliziran za odreene operacije. Niz aktivnosti se utvruje procesnim planom koji se jo naziva tehnologijom toka proizvodnje. Svaka operacija definiran je vremenom poetka realizacije Vp i vremenom zavretka realizacije operacije Vz. Procesno vrijeme realizacije operacije predstavlja sumu navedenih vremena: Po=Vp+Vz.
Jedinka rjeenja (kromosom) predstavlja pet radnih naloga od kojih svaka sadrava pet operacija (sekvenci) i pet kapaciteta koji su alocirani za izvoenje tono odreenih operacija. Reprezentacija rjeenja je izvrena tako da prvih dvadeset i pet gena predstavlja relaciju radnog naloga s pripadajuom operacijom i alokacijom kapaciteta. Prikazani su ulazni podaci problema koji obrauje kroz opisani model (Tablica 2.)
29
Tablica 2. Analiza radnog naloga (kromosoma) ifra proizvodne operacije

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Alokacija radnog naloga

1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5
Alokacija kapaciteta
Vrijeme realizacije operacije (h)
Reprezentacija rjeenja (kromosom) 1-1-1 2-1-2 3-1-3 4-1-4 5-1-5 6-2-1 7-2-2 8-2-3 9-2-4 10-2-5 11-3-1 12-3-2 13-3-3 14-3-4 15-3-5 16-4-1 17-4-2 18-4-3 19-4-4 20-4-5 21-5-1 22-5-2 23-5-3 24-5-4 25-5-5
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
3 6 4 5 12 4 10 23 2 15 6 3 3 34 12 4 6 5 6 12 2 4 12 15 9
Izvor: autor
30
4.3. Struktura algoritma
Izradom modela problema stvorena je osnova za definiranje ulaznih podataka koji se obrauju kroz genetski algoritam. Procedure obrade se odvijaju kroz procese inicijalizacije, selekcije i primjenu reprodukcijskih operatora.
4.3.1. Inicijalizacija
Inicijalizacija se vri
neuniformiranim tipom generacije, odnosno sluajnim
generiranjem jedinki. U inicijalnoj populaciji se nalaze jedinke koje predstavljaju kandidate za rjeenja, tijekom svake iteracije one evoluiraju s izmijenjenim vrijednostima. Prvi generirani kromosom (predstavlja pojedinani redoslijedom sekvenci aktivnosti algoritmu inicijalizacije (Shema 2.). Shema 2. Pseudokod algoritma inicijalizacije Generiranje preostalih kromosoma { Unesi sluajno generirani kromosom odabirom indeksa uz uvjet da je indeksa kromosoma vei od dva a manji od veliine populacije; { Generiraj gen u podruju duljine kromosoma; { Selektiraj sve gene u navedenom podruju pod uvjetom da nisu redundantni; } Selektiraj kromosome pod uvjetom da se ne ponavljaju; } Ispii rjeenje; } Izvor : autor 31 radni nalog) definiran je slijednim (a,b,c) dok se drugi kromosom generira obrnutim
redoslijedom sekvenci (c,b,a). Ako je broj kromosoma vei od dva oni se generiraju u
4.3.2 Evaluacija kvalitete
Evaluacija kvalitete svakog kromosoma se vri supstitucijom vrijednosti varijabli u funkciji cilja, a ujedno se vri filtriranje dobrih od loih rjeenja. Unutar modula planiranja prioriteta mogue je definirati parametre funkcije cilja ovisno o zahtijevanim restrikcijama. Funkcija cilja prihvaa kromosom kao ulazni parametar, zatim mjerenjem kvalitete generira parametar koji je rezultat obrade. Evaluacija kvalitete predstavlja kritini proces unutar genetskog algoritma. Funkcija cilja u ovom procesu treba utvrditi koja su loa a koja traena svojstva jedinke. U razmatranom sluaju funkciju cilja utvruje minimalno vrijeme praznog hoda, odnosno optimalnu stopu koritenja kapaciteta. Za svaki kromosom se izraunava vrijeme potrebno za izvravanje obuhvaeni operacija. Zatim se izraunava maksimalno vrijeme realizacije radnih naloga.
Ova funkcija cilja se izvodi sljedeim hodogramom: 1. Uzima se vrijeme poetka realizacije posljednje operacije Ov koja se izvrava od strane radne jedinice (oznaava se Tvk). 2. Dodaje se procesno vrijeme realizacije posljednje operacije Pop i zbraja s prethodnim vremenom obrade od strane kapaciteta, Tvk + Pop
Ova dva koraka se ponavljaju za sve kapacitete u kromosomu. Interval realizacije proizvodnog procesa se izraunava prema formuli:
Pv = MAX [(Tvk1+ Pop1) , (Tvk2+ Pop2),..., (TvkM+ +PopM)].
Funkciju cilja mjerimo izrazom:
Fc=Min(Pv1, Pv2, Pv3,...., Pv_veliina populacije ).
32
4.3.3. Selekcija
Selekcija kao proces izbora najboljih roditelja za cilj ima segregaciju kvalitetnih kandidata. Operacija selekcije zasebno ne moe generirati novog kandidata za rjeenje, ali je koristimo za odabir jedinki koji sudjeluju u kreiranju nove generacije. Preporuka je koritenja binarne selekcije koja je pokazala bolje rezultate u istraivanjima i primjeni. Utvreno je da ova vrsta selekcije prua visoki stupanj usklaivanja, izbjegava se djelomina optimizacija, te prua jednostavniji pristup pri kodiranju u raunalnom okruenju. U razmatranom problemu koristi se rangirajui tip selekcije, shema 3.. Tako se postie uravnoteena vjerojatnost selekcije a ujedno smanjuje dominacija kvalitetnijih jedinki tijekom evolucijskog procesa. Shema 3. Pseudokod selekcije Selekcija para kromosoma { Selektiraj prvi kromosom sluajnim odabirom indeksa unutar veliine populacije; { Selektiraj drugi kromosom sluajnim odabirom indeksa unutar veliine populacije uz uvjet da nije jednak prvom; { Selektiraj kromosom koji je blie uvjetu ispunjavanja kvalitete rjeenja; } } Ispii rjeenje; } Izvor: autor
33
4.3.4. Krianje
Operacija krianja se koristi kao reprodukcijski operator s ciljem definiranja nove osnove za pretraivanje. Uzimaju se dvije jedinke klasificirane kao roditelji i selektirane kroz dvostruki poziv selekcijskoj funkciji, zatim se kreira nova nasljedna jedinka koja je stvorena kombinacijom sekvenci roditelja (Slika 7.).
Slika 7 Primjer operacije krianja izmeu dvije jedinke
1 3 5 7 2 4 6
7 2 6 1 4 3 5
1 3 5 7 4 35
Izvor:autor
Novo generirani kromosom ima velike izglede da je kvalitetniji od oba roditelja ako je naslijedio najbolje karakteristike od svakog roditelja. Jednostavni model operatora krianja izvodi se razmjenom sekvenci kromosoma roditelja, koje su odreene sluajnim izborom toke krianja. Na prethodnoj slici toka krianja je predstavljena vertikalnom linijom u retku numeracije gena. Operator krianja predstavlja kljuni element genetskog algoritma u smislu metode koja omoguava evoluciju kvalitete kroz nove generacije. U primijenjenom genetskom algoritmu koriten je tzv. PMX (Partially Mapped Crossover - djelomino krianje) operator krianja koji se klasificira pod vrstu dvostrukih metoda krianja. Implementacijom u genetskom algoritmu operator krianja se ukljuuje kad je potrebna horizontalna razmjena redaka izmeu dva razliita kromosoma . Sekvence zadataka unutar radnog naloga (kromosoma) razmjenjuju se izmeu dva roditeljska rjeenja. Svaki zadatak je definiran u roditeljskom kromosomu. Operacija se izvrava tako da se sluajnim izborom selektira broj sekvenci genoma i izvri razmjena izmeu dva rjeenja, a zatim se generira nova jedinka rjeenja. Unutar PMX operatora postavljaju se dva stringa koja sadre permutacijom izvedene gene , zatim se definiraju dvije zajednike toke krianja ( a i b) koje se postavljaju
34
sluajnim odabirom sekvence stringa. Sekcije ukazuju na dijelove koje e se koristiti u operaciji razmjene (Slika 8.). Slika 8 Krianje roditeljskih kromosoma
Roditelj 1 Roditelj 2
6 1 4 3 1 7 3 4
5 2
Potomak 1 Potomak 2
7 6
2 5 a
1 6
7 1
3 4 b
3 4
5 2
6 5
Izvor : autor
PMX operator nastavlja se izvoditi razmjenom gena. Prvo se mapira niz roditelja 2 u niz roditelja 1. Geni s indeksima 6, 1, 4 zamjenjuju pozicije sa sekvencom genoma 1, 7, 3. Istovjetno se mapira niz roditelja 1 u niz roditelja 2. Sada nastaje novi PMX operator s dva kriana stringa u kojima se pojavljuje redundancija gena (Slika 9).
Slika 9 PMX nizovi nakon krianja
Potomak 1 Potomak 2
4 3
2 5 a
1 6
7 1
3 4 b
6 7
5 2
Izvor: autor
Daljnja obrada dobivenih stringova slijedi tako da se zamjene redundantni geni u prvom stringu s prvim redundantnim genom u drugom stringu. Na isti nain se rjeava problem redundancije gena u drugom stringu (Slika 9.). PMX operator krianja u algoritmu koristi dva niza roditelja r1 i r2, potomak je generirani kromosom (dijete), shema 4.. Varijabla t predstavlja poziciju gena u nizu r1 koji ima jednaku vrijednost selektiranog gena u nizu r2.
35
Shema 4. Pseudokod PMX algoritma PMX algoritam { Selektiraj Roditelja 1 i Roditelja 2 sluajnim odabirom. Selektiraj dvije toke krianja sluajnim odabirom pod uvjetom da nisu preklopljene. { Zamjeni toke krianja. } Zamjeni sekvencu fenotipa Roditelja 1 i Roditelja 2. Pod uvjetom da nema redundancije. { Zamjeni redundantne gene. } Generiraj Potomak1 i Potomak2. } Izvor: autor
4.3.5. Mutacija
Mutacija je proces interne modifikacije genoma unutar kromosoma. Mutacijski operatori obrauju svaku novu jedinku ili kandidata rjeenja koja je nastala kao rezultat operacije krianja. Ova operacija ima veliki utjecaj pri dostizanju buduih rjeenja u prostoru pretrage. Mutacija se odvija modifikacijom sluajno odabranih jedinki rjeenja s ciljem produkcije boljih karakteristika modificirane jedinke. Mutacija se koristi izrazito u cilju izbjegavanja lokalnih optimuma funkcija cilja koja je predmet optimizacije. Kroz primjenu mutacije postie se proirenje prostora pretraivanja za kvalitetnijim rjeenjima. U sluaju koritenja operatora mutacije prilikom obrade znakovnog niza (string) on se primjenjuje tako da se vri kombiniranje elemenata niza s definiranim koeficijentom vjerojatnosti. Obrada operatorom mutacije se izvodi na svakom kromosomu potomka koji je generiran nakon operacije krianja. Mutacija omoguuje kontinuiranu raznolikost jedinki po svojim fenotipovima na globalnoj razini optimizacije. U konkretnom sluaju razmatraju se dva pristupa izvoenja mutacije; mutacija dodjeljivanjem i mutacija zamjene. 36
1) Mutacija dodjeljivanja; hodogram: Jedinka se sluajno izabere . Izvri se dodjela novog gena na istu sekvencu fenotipa 2) Mutacija zamjene (Shema 5.).
Shema 5. Pseudokod operatora mutacije Mutacija potomaka { Selektiraj dva gena za mutaciju unutar veliine kromosoma; { Zamjeni pozicije gena } Generiraj mutirani kromosom; } Izvor: autor
Nakon operacija mutacije potrebno je u programskom rjeenju koje obrauje genetski algoritam izvesti zamjenu stare populacije s novom, te se time zakljuuje jedna iteracija u izvoenju. Nakon definiranog broja iteracija program bi trebao prikazati oekivani rezultat optimizacije.
37
4.4. Analiza rjeenja
Predloena strategija primjene genetskog algoritma u procesu planiranja proizvodnje je zamiljena kroz implementaciju u modulu planiranja prioriteta i organizacije poslova u proizvodnom pogonu. Funkcioniranje samog modula se izvodi kroz integraciju u okruenju virtualne proizvodnje. Kako je rije o konceptu koji zahtjeva dugotrajni razvoj ili postojanje sline platforme za potrebe ovog rada je koritena napredna verzija tablinog kalkulatora koji se koristi kao proirenje na paketu MS excela 2007. Rije je o programskom alatu za simulaciju problema optimizacije pod nazivom Evolver, konkretno koritena je probna verzija ovog komercijalnog programskog alata (www.palisade.com/evolver). Evolver je praktian programski alat koji vri optimizaciju primjenom genetskog algoritma. Ovaj programski alat mogue je integrirati na veinu programskih platformi i zasigurno predstavlja veliki potencijal u primjeni genetskih algoritama. Evolver je u razmatranom problemu koriten sa stajalita simulacije opisanog modela.
4.4.1. Simulacija
Prilikom simulacije koriteni su odreeni ulazni podaci (Tablica 2.) na osnovu kojih je izvreno mjerenje performansi predloenog modela. Scenarij modela obuhvaa izvravanje pet radnih naloga od kojih svaki sadri pet operacija, svaka operacija se izvrava od strane specificiranog kapaciteta. Cilj optimizacije je dobiti minimalno vrijeme izvravanja svih naloga u sustavu, te optimalno organizirati realizaciju planiranih aktivnosti prema dostupnim kapacitetima. Tijekom testiranja eksperimentiralo se izvoenjem optimizacije na razliitom broju generacija. Izvrena je komparacija modela s 500, 1000 i 10000 generacija.
Koriteni su sljedei parametri za izvoenje genetskog algoritma: Veliina populacije = 100 Koeficijent krianja = 0.5 Koeficijent mutacije = 0.1
38
Grafikon 2. Komparacija razliitih generacija
Izvor:autor
39
Na grafikonima su prikazani trendovi pretraivanja optimalnog rjeenja pri koritenju razliitog broja generacija. Moe se zakljuiti da se koritenjem veeg broja generacija poveava vjerojatnost dobivanja optimalnog rjeenja (Grafikon 2.). Najbolji rezultat je dobiven u zadnjem sluaju gdje je koriteno deset tisua generacija u prostoru pretrage. Meutim moe se zakljuiti da kad se dostigne odreeni optimum pri velikom broju generacija on dalje u kontinuitetu ne ostvaruje visoke varijacije od svojih vrijednosti mijenjajui broj generacija. Stoga je potrebno prilikom procesa optimizacije izvriti umjerenu procjenu koliine generacija potrebnih za uinkovitu realizaciju procesa optimizacije. Kao optimalni rezultat u razmatranom problemu procijenjena je simulacija na tisuu generacija (Tablica 3.).
Tablica 3. Rezultati simulacije Definicija metrike Realizirani broj generacije Ukupan broj generacija Inicijalno rjeenje Najbolje rjeenje Indeks generacije s najboljim rjeenjem Vrijeme pretrage do najboljeg rjeenja Razlog prekida optimizacije Ukupno vrijeme optimizacije Izvor:autor Vrijednost 10000 10000 112 62 4484 0:00:51 10000 generacija 0:01:51
Prikazani podaci su proizali kao rezultat simulacije i mogu se promatrati odvojeno, ovisno o aspektu eljenih performansi. Relevantni podatak ovog istraivanja predstavlja nabolje rjeenje optimizacije (62) koji identificira najkrae vrijeme realizacije operacija od strane pet kapaciteta. Na temelju ovog podatka mogue je izvesti ostale informacije koje su postavljene kao cilj istraivanja. Konano zvren je prikaz preraspodjele slijeda izvoenja operacija nastao kao rezultat optimizacije (Tablica 4.).
40
Tablica 4. Optimizirani slijed izvoenja operacija u sustavu ifra proizvodne operacije

18 2 10 3 14 7 21 23 20 4 25 16 8 24 15 1 17 12 6 9 11 22 13 5 19
Alokacija radnog naloga

4 1 2 1 3 2 5 5 4 1 5 4 2 5 3 1 4 3 2 2 3 5 3 1 4
Alokacija kapaciteta
Vrijeme realizacije operacije (h)

5 6 15 4 34 10 2 12 12 5 9 4 23 15 12 3 6 3 4 2 6 4 3 12 6
3 2 5 3 4 2 1 3 5 4 5 1 3 4 5 1 2 2 1 4 1 2 3 5 4
Izvor:autor
41
Na osnovu dobivenih rezultata, prioritete u izvoenju operacija proizvodnje mogue je organizirati na uinkovitiji nain u cilju skraivanja vremena proizvodnje. Izvedeni su podaci o vremenskoj koritenosti kapacitete prije i nakon optimizacije (Tablica 5.). Tablica 5. Analiza praznog hoda kapaciteta Definicija metrike Prazni hod kapaciteta 1 Prazni hod kapaciteta 2 Prazni hod kapaciteta 3 Prazni hod kapaciteta 4 Prazni hod kapaciteta 5 Inicijalni prazni hod (ukupno) Optimizirani prazni hod kapaciteta 1 Optimizirani prazni hod kapaciteta 2 Optimizirani prazni hod kapaciteta 3 Optimizirani prazni hod kapaciteta 4 Optimizirani prazni hod kapaciteta 5 Prazni hod nakon optimizacije (ukupno) Izvor:autor Vrijednost 93 83 65 50 52 343 43 33 15 0 2 93
Na osnovu izvedenih podataka mogue je izraunati iskoritenost pojedinog kapaciteta i ukupnu stopu koritenja kapaciteta relativno prema idealnom vremenu potrebnim za paralelnu realizaciju operacija. Koritena sljedea formula:
SK =
IK x 100 ; PK
SK= stopa iskoritenosti kapaciteta (%) IK = iskoriteni kapacitet PK= planirani kapacitet
42
Koritenjem navedene formule izveden je sljedei izraz:
Pi = vrijeme praznog hoda (ulazni podaci), i = indeks kapaciteta; IK1=19, IK2=29, IK3=47, IK4=62, IK5=60; P1=93, P2=83, P3=65, P4=50, P5=52; (ulazni podaci) PKi = IKi +Pi; SKi=
IKi x100; PKi
SK1=17%, SK2=26%, SK3=42%, SK4=55%, SK5=54%

Nakon izvoenja simulacije dobiveni su sljedei podaci o iskoritenosti kapaciteta:
IK1=19, IK2=29, IK3=47, IK4=62, IK5=60; P1=43, P2=33, P3=15, P4=0, P5=2; (izlazni podaci) PKi = IKi +Pi; SKi=
IKi x100; PKi
SK1=30%, SK2=47%, SK3=75%, SK4=100%, SK5=97%
Prikazana je usporedba iskoritenosti kapaciteta prije izvoenja simulacije i nakon optimizacije ulaznih podataka obradom kroz genetski algoritam (Grafikon 3.). Sa aspekta iskoritenosti kapaciteta vidljivo je da je dolo do znatnog poveanja iskoritenosti kapaciteta.
43
Grafikon 3 Komparacija iskoritenosti kapaciteta

PRIJE OPTIMIZACIJE
NAKON OPTIMIZACIJE
Izvor:autor
Dobiveni rezultati prikazuju da je primjenom tehnologije genetskih algoritama u optimizaciji procesa planiranja mogue postii rast uinkovitosti proizvodnog sustava.
44
5. Zakljuak
Specijalistiki zavrni rad prikazan je u etiri tematske cjeline. U prvom dijelu su navedeni svrha i cilj istraivanja te je postavljena radna hipoteza. Drugi dio rada opisuje iri kontekst problematike brodograevne industrije u modernom poslovnom okruenju. Trei dio obrazlae koncept genetskog algoritma. U etvrtom dijelu izvren je prikaz primjene genetskog algoritma pri rjeavanju praktinog problema prisutnog u brodograevnoj industriji. Na kraju su analizirani konkretni rezultati nastali primjenom razmatrane tehnologije.
U brodogradnji kao kompleksnoj grani industrije neophodna je kontinuirana integracija novih znanja i tehnologija. U dananjem trinom okruenju poslovanje velikih brodogradilita nije odrivo bez primjene tehnolokih inovacija i fleksibilne organizacije. Genetski algoritam predstavlja jedan od tehnolokih koncepata koji kroz oponaanje prirodnog evolucijskog procesa omoguuje optimizaciju procesa u proizvodnji. Osnovni problemi u poslovanju brodogradilita najee se povezuju s tromou sustava upravljanja i organizacijskim vjetinama. Osnovni proces u proizvodnji predstavlja proces planiranja proizvodnje koji ini temelj za uinkovito i djelotvorno funkcioniranje poslovnog sustava. Procjena planera i sposobnost predvianja esto ima kljunu ulogu u uspjenosti realizacije plana proizvodnje. Primjenom naprednih tehnolokih koncepata poput genetskih algoritama mogue je smanjiti rizike od loih poslovnih odluka i slabih procjena strunjaka koji sudjeluju u procesu planiranja. Predstavljenim strunim istraivanjem razraena je ideja integracije platforme virtualne proizvodnje i optimizacije procesa planiranja primjenom genetskog algoritma. Implementacijom ovakve raunalne platforme mogue je simulacijski testirati proizvodne aktivnosti te preventivno reducirati trokove procesa proizvodnje. Iz svjetskih spoznaja i dostupnih informacija neosporno je da ovaj pristup predstavlja smjernice budueg poslovanja i njegovo uvoenje osigurava konkurentnu prednost na zahtjevnom globalnom tritu.
45
Popis kratica
3D - Three dimensional trodimenzionalno CAD Computer aided design raunalna podrka u projektiranju CAM Computer aided manufacturing raunalna podrka u proizvodnji CFD Computational fluid dynamics Raunalna metodologija za izraun dinamike fluida CPM- Critical path method metoda u planiranju DAS - Daewoo Shipbuilding Scheduling Sustav planiranja brodogradnje FEA- Finite element method metoda u projektiranju GA Genetic algorithm genetski algoritam JSSP Job shop scheduling problem problem organizacije poslova u proizvodnji PMX Partially mapped crossover metoda krianja SaaS Software as a service tip usluga u raunalnom oblaku UI umjetna inteligencija VM Virtual manufacturing virtualna proizvodnja VMS Virtual manufacturing in shipbuilding Sustav virtualne proizvodnje u brodogradnji
46
Bibliografija
Knjige 1. John R.Koza, Genetic programming , MIT press, Massachusetts 1992. 2. Goldberg D.E., Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Boston MA, 1989. 3. Darwin Charles, On the Origin of Species, London, 1859.
lanci 1. Zhao D., The Strategy and Innovation of China's Shipbuilding Industry, Jiaotong University, Beijing, 2009., str. 494-497. 2. Jae Kyu, et al., Developing scheduling systems for Daewoo Shipbuilding: DAS project, European Journal of Operational Research, 1997., str. 380-395. 3. Crljenko D., Blaevi D., Mikac T., Planiranje serijske proizvodnje uporabom Genetskog algoritma, Tehniki fakultet u Rijeci, Rijeka, 2007., str.27-37. 4. Renner G., Ekart A., Genetic algorithms in computer aided design, Computer-Aided Design, vol.35, 2003., str.709-726. 5. Akala M., et al., Priority Dispatching Rules for Virtual Manufacturing, University of Mosul, Mosul, 2008., str.139-162.
Ostali izvori (Internet) 1. http://www.zemris.fer.hr/~golub/ga/ga.html (04.03.2013.) 2. http://www.genetic-programming.com/johnkoza.html (04.03.2013.) 3. http://www.palisade.com/evolver/ (04.03.2013.) 4. http://c2.etf.unsa.ba/mod/resource/index.php?id=156 (04.03.2013.) 5. http://www.myreaders.info/html/artificial_intelligence.html (04.03.2013.)
47
Popis ilustracija
Popis slika:
Slika 1. Komponente virtualnog proizvodnog okruenja ......................................................... 11 Slika 2 Kategorizacija operatora selekcije................................................................................ 18 Slika 3 Problem matrine organizacije ..................................................................................... 21 Slika 4 Hodogram procesa planiranja proizvodnje................................................................... 23 Slika 5 CPM dijagram plana aktivnosti .................................................................................... 24 Slika 6 Fenotip jedinke ............................................................................................................. 28 Slika 7 Primjer operacije krianja izmeu dvije jedinke .......................................................... 34 Slika 8 Krianje roditeljskih kromosoma ................................................................................. 35 Slika 9 PMX nizovi nakon krianja.......................................................................................... 35 Popis tablica:
Tablica 1. Analiza aktivnosti opremanja mikro prostora ......................................................... 24 Tablica 2. Analiza radnog naloga (kromosoma) ...................................................................... 30 Tablica 3. Rezultati simulacije ................................................................................................. 40 Tablica 4. Optimizirani slijed izvoenja operacija u sustavu ................................................... 41
Popis grafikona: Grafikon 1. Trend koritenja kapaciteta ................................................................................... 25 Grafikon 2. Komparacija razliitih generacija ......................................................................... 39 Grafikon 3 Komparacija iskoritenosti kapaciteta.................................................................... 44
48
Popis shema: Shema 1 Prikaz jednostavnog GA ............................................................................................ 16 Shema 2. Pseudokod algoritma inicijalizacije .......................................................................... 31 Shema 3. Pseudokod selekcije .................................................................................................. 33 Shema 4. Pseudokod PMX algoritma ....................................................................................... 36 Shema 5. Pseudokod operatora mutacije .................................................................................. 37
49

Primjena Genetskih Algoritama U Brodograđevnoj Industriji

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Primjena Genetskih Algoritama U Brodograđevnoj Industriji

Uploaded by

Copyright:

Available Formats

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Polytechnic of Rijeka; 2012. God.

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

KLJUNE RIJEI: Brodogradnja, genetski algoritam, optimizacija, informacijska tehnologija.

Polytechnic of Rijeka; 2012. God.

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

1.1. Predmet istraivanja

1.2. Radna hipoteza

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

1.3. Svrha i ciljevi istraivanja

1.4. Primijenjene metode istraivanja

1.5. Struktura rada

Zakljuak je sinteza rezultata istraivanja kojom je dokazana postavljena hipoteza. 2

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

2. Razvojni trendovi u brodogradnji

robotika laserska tehnologija precizno upravljiva procesna tehnologija umjetna inteligencija

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

2.1. Strategije primjene novih tehnologija

2.1.1. Laserska tehnologija

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

tehnologija najuinkovitije koristi u brodogradilitima koja se bave modifikacijama gotovih plovila.

2.1.2. Izrada digitalnih prototipova

2.1.3. Industrijska multimedija

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

2.1.5. Raunalno dizajniranje

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

2.2. Perspektiva informatizacije

2.2.1. Generika programska rjeenja

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

2.2.2. Raunalna podrka

2.2.3. Paralelno raunarstvo

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

2.2.4. Umjetna inteligencija

2.2.5. Virtualna proizvodnja

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Slika 1. Komponente virtualnog proizvodnog okruenja

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

3.1. Evolucijski algoritmi

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

3.3. Struktura genetskog algoritma

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Shema 1 Prikaz jednostavnog GA

Pod populacija (potomstvo) Izvor: autor

Hodogram jednostavnog pseudo-koda prikazanog opisan je kroz sljedee korake:

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

3.4. Genetski operatori

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Slika 2 Kategorizacija operatora selekcije

3.4.1. Koeficijent krianja i mutacije

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

3.5. Kvaliteta jedinke

3.6. Kategorizacija genetskih algoritama

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

Slika 3 Problem matrine organizacije

Ervin Bei : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAEVNOJ INDUSTRIJI

4.1.Snimka stanja proizvodnje u Brodogradilitu d.d.