Machine Translated by Google

Xem các cuộc thảo luận, số liệu thống kê và hồ sơ tác giả của ấn phẩm này tại: https://www.researchgate.net/publication/361159442

Thuật toán di truyền và hỗ trợ quyết định cân bằng dây chuyền lắp ráp trong ngành ô tô

Bài viết trên Tạp chí Quốc tế Nghiên cứu Sản xuất · Tháng 6 năm 2022

DOI: 10.1080/00207543.2022.2081630

TRÍCH DẪN ĐỌC

4 80

4 tác giả, trong đó:

Jeroen Didden
Erjen Lefeber

Đại học Công nghệ Eindhoven Đại học Công nghệ Eindhoven

5 CÔNG BỐ 29 TRÍCH DẪN 90 CÔNG BỐ 2.466 TRÍCH DẪN

XEM HỒ SƠ XEM HỒ SƠ

Ivo Adan

Đại học Công nghệ Eindhoven

227 CÔNG BỐ 3.561 TRÍCH DẪN

XEM HỒ SƠ

Một số tác giả của ấn phẩm này cũng đang thực hiện các dự án liên quan sau:

Lập kế hoạch phẫu thuật Xem dự án

Điều khiển tàu Xem dự án

Tất cả nội dung sau trang này được tải lên bởi Jeroen Didden vào ngày 08 tháng 6 năm 2022.

Người dùng đã yêu cầu nâng cao tệp đã tải xuống.

Machine Translated by Google

Tạp chí quốc tế về nghiên cứu sản xuất

ISSN: (Bản in) (Trực tuyến) Trang chủ tạp chí: https://www.tandfonline.com/loi/tprs20

Thuật toán di truyền và hỗ trợ quyết định cân bằng dây

chuyền lắp ráp trong ngành ô tô

JBHC Didden, E. Lefeber, IJBF Adan & IWF Panhuijzen

Để trích dẫn bài viết này: JBHC Didden, E. Lefeber, IJBF Adan & IWF Panhuijzen (2022): Thuật
toán di truyền và hỗ trợ ra quyết định cho việc cân bằng dây chuyền lắp ráp trong ngành công
nghiệp ô tô, Tạp chí Quốc tế về Nghiên cứu Sản xuất, DOI: 10.1080/00207543.2022.2081630

Để liên kết đến bài viết này: https://doi.org/10.1080/00207543.2022.2081630

© 2022 (Các) tác giả. Được xuất bản bởi Informa UK

Limited, giao dịch với tên Taylor & Francis
Group

Đăng trực tuyến: 07 tháng 6 năm 2022.

Gửi bài viết của bạn đến tạp chí này

Xem các bài viết liên quan

Xem dữ liệu Crossmark

Bạn có thể tìm thấy Điều khoản & Điều kiện đầy đủ về quyền truy cập và sử

dụng tại https://www.tandfonline.com/action/journalInformation?journalCode=tprs20

Machine Translated by Google

TẠP CHÍ NGHIÊN CỨU SẢN XUẤT QUỐC TẾ https://doi.org/

10.1080/00207543.2022.2081630

Thuật toán di truyền và hỗ trợ quyết định cân bằng dây chuyền lắp ráp trong ngành ô tô

JBHC Diddena, E. Lefeber, IJBF Adan

Một

và IWF Panhuijzenc

aKhoa Khoa học Đổi mới và Kỹ thuật Công nghiệp, OPAC, Đại học Công nghệ Eindhoven, Eindhoven, Hà Lan; bKhoa Cơ khí, Đại học Công
c
nghệ Eindhoven, Eindhoven, Hà Lan; VDL Nedcar, Sinh, Hà Lan

TRỪU TƯỢNG LỊCH SỬ BÀI VIẾT

Nhận vào ngày 3 tháng 6 năm 2021
Một quy trình quan trọng và hết sức phức tạp trong ngành công nghiệp ô tô là cân bằng dây chuyền lắp ráp.
Được chấp nhận ngày 25 tháng 4 năm 2022
Việc phân công công việc giữa các dây chuyền một cách tối ưu để đạt hiệu quả cao nhất hầu hết được thực
hiện thủ công, mất nhiều thời gian. Bài viết này nhằm mục đích tự động hóa quá trình cân bằng dòng cho
TỪ KHÓA
trường hợp thử nghiệm trong thế giới thực. Dây chuyền lắp ráp ô tô rất phức tạp và phải xem xét nhiều yếu Cân bằng dây chuyền lắp ráp;
tố khi cân bằng dây chuyền. Tất cả các yếu tố liên quan trong một nghiên cứu điển hình tại VDL Nedcar đều mô hình hỗn hợp; thuật toán

được xem xét, cụ thể là sản xuất theo mô hình hỗn hợp, thời gian thiết lập phụ thuộc vào trình tự, nơi làm di truyền;

việc có thể thay đổi với nhiều người vận hành và nhiều ràng buộc phân công. Thuật toán di truyền (GA) được thời gian thiết lập phụ thuộc vào

trình tự; nơi làm việc thay đổi

đề xuất để giải quyết vấn đề cân bằng đã được xây dựng và hoạt động như một hệ thống hỗ trợ quyết định.
Kết quả trên các trường hợp điểm chuẩn mới được đề xuất cho thấy giải pháp phụ thuộc vào mối quan hệ giữa
thời gian takt và thời gian xử lý công việc, cũng như thời gian thiết lập. Ngoài ra, kết quả của một nghiên
cứu trường hợp thực tế cho thấy GA được đề xuất có hiệu quả trong việc cân bằng dây chuyền lắp ráp trong
thế giới thực và nó có thể vừa tăng hiệu quả của dây chuyền vừa giảm sự khác biệt về thời gian vận hành
giữa tất cả các biến thể mô hình khi so sánh. đến thực tiễn hiện tại.

1. Giới thiệu
trên phôi, trong đó người vận hành thường không vượt quá

Dây chuyền lắp ráp thường được sử dụng trong các cơ sở sản thời gian takt. Các công việc cũng bị hạn chế về mối quan

xuất hàng loạt vì chúng cho phép sản phẩm được hoàn thiện hệ ưu tiên do những hạn chế về mặt vật lý hoặc công nghệ.

nhanh hơn với hiệu suất cao. Dây chuyền lắp ráp lần đầu Mục đích tổng thể là lập kế hoạch cho các công việc cần

tiên được đưa vào sử dụng vào đầu những năm 1900 tại các thiết để lắp ráp phôi hoàn chỉnh theo một mục tiêu nhất
nhà máy của Ford, cho phép sản xuất Model-T nhanh chóng vì định trong khi có tính đến các ràng buộc về thời gian và

mỗi chiếc xe đều giống hệt nhau (Ford và Crowther 1922). mức độ ưu tiên. Vấn đề này được gọi là Vấn đề cân bằng dây

Ngày nay, khách hàng mong muốn có khả năng tùy biến cao chuyền lắp ráp (ALBP).

trong khi vẫn duy trì được thời gian thực hiện ngắn. Việc Mặc dù có rất nhiều nghiên cứu học thuật được thực hiện

sử dụng lao động thủ công cho phép sản xuất nhiều mô hình trong những thập kỷ qua, vẫn có khoảng cách giữa thế giới

khác nhau trên cùng một dây chuyền lắp ráp vì người vận thực và thế giới học thuật. Việc cân bằng dây chuyền lắp

hành rất linh hoạt. Việc triển khai những máy này dẫn đến ráp vẫn được thực hiện thủ công tại các công ty như xe VDL

chi phí đầu tư cao đáng kể, do đó việc lập kế hoạch và bố Ned và có thể mất vài tuần khi dây chuyền lắp ráp cần được

trí các dây chuyền lắp ráp này có tầm quan trọng cao lên lịch lại do thay đổi số lượng hoặc giới thiệu mẫu xe
(Boysen, Fliedner và Scholl 2007). mới, có thể lên đến vài tháng nếu dây chuyền mới được xây

Một dây chuyền lắp ráp bao gồm các máy trạm được kết nối dựng hoặc mô hình mới được giới thiệu. Điều này là do số

nối tiếp. Phôi được đưa xuống dây chuyền theo những khoảng lượng lớn các mô hình và nhiệm vụ hiện diện trong dây chuyền

thời gian cố định, được gọi là thời gian takt (hoặc thời lắp ráp, cả hai đều có hàng nghìn mô hình và nhiệm vụ. Hơn

gian chu kỳ). Thời gian takt liên quan đến số lượng sản nữa, do cần một lượng lớn thời gian để cân bằng dây chuyền

xuất mong muốn trong một khoảng thời gian nhất định (tức là nên rất khó để nhanh chóng biết được những thay đổi tiềm ẩn

số lượng sản xuất chia cho thời gian sản xuất). Các phôi nào xảy ra trên dây chuyền lắp ráp, ví dụ như thay đổi về

được vận chuyển qua từng trạm làm việc bằng cách sử dụng thời gian, định vị thiết bị hoặc giới thiệu mẫu mới. Vì
vậy,
băng tải. Tại mỗi trạm làm việc, người vận hành thực hiện các công việc sử dụng một
việc

LIÊN HỆ JBHC Didden jbhcdidden@tue.nl Technology, PO Box 513 Khoa Kỹ thuật Công nghiệp và Khoa học Đổi mới, OPAC, Đại học Eindhoven

Eindhoven, 5600 MB, Hà Lan

Dữ liệu bổ sung cho bài viết này có thể được truy cập ở đây. https://doi.org/10.1080/00207543.2022.2081630

© 2022 (Các) tác giả. Được xuất bản bởi Informa UK Limited, giao dịch với tên Taylor &
Francis Group. Đây là bài viết Truy cập Mở được phân phối theo các điều khoản của Giấy phép Creative Commons Ghi công-Phi thương mại-NoDerivatives (http://creativecommons.org/licenses/by-nc-
nd/4.0 /), cho phép tái sử dụng, phân phối và sao chép phi thương mại trong bất kỳ phương tiện nào, miễn là tác phẩm gốc được trích dẫn chính xác và không bị thay đổi, chuyển đổi hoặc xây
dựng dựa trên bất kỳ cách nào.
Machine Translated by Google
2 JBHC DIDDEN VÀ cộng sự.

Giải pháp tự động cân bằng dây chuyền lắp ráp được ngành Theo hiểu biết của chúng tôi, không có bài báo nào khác tính

công nghiệp đặc biệt quan tâm nhằm tích hợp nó như một hệ đến tất cả những hạn chế này cùng một lúc. Ngoài ra, hạn chế

thống hỗ trợ quyết định. cân bằng đường ngang được thêm vào nhằm mục đích giảm sự khác

Theo hiểu biết tốt nhất của chúng tôi, lý do tại sao nhiều biệt về thời gian trạm giữa người vận hành và mô hình. Điều

công ty không áp dụng các kỹ thuật tối ưu hóa như siêu chẩn này đặc biệt được các nhà sản xuất ô tô mong muốn để duy trì
đoán để giải ALBP có thể là do một số khối lượng công việc cho tất cả người vận hành trên tất cả

nhiều lý do, cũng được xác định bởi Boysen, Fliedner, và các mẫu xe như nhau. Lưu ý rằng bài viết này được suy luận

Scholl (2007); (1) thiếu các vấn đề 'thế giới thực' cho phép từ một luận điểm, như có thể thấy trong Didden (2020).

trình bày chính xác vấn đề thực tế (tức là các vấn đề trong Để biết thêm thông tin cơ bản, chúng tôi muốn hướng người

văn học thường được đơn giản hóa), (2) khó khăn trong việc đọc đến luận án này. Tuy nhiên, bài viết này chứa nhiều kết

giải quyết các vấn đề phức tạp, vì các ràng buộc thường quá quả đánh giá khái niệm sử dụng phương pháp giải pháp được đề

khó để đưa vào trong một mô hình tối ưu hóa và (3) kết quả xuất làm Hệ thống hỗ trợ quyết định.
học tập không thể được sử dụng cho các ứng dụng thực tế vì ALBP được đặt cho VDL Nedcar chứa các giới hạn như Cân

các giải pháp cụ thể không thể chuyển ngược lại sang các vấn bằng dòng mô hình hỗn hợp, Thời gian thiết lập phụ thuộc

đề chung chung hơn. Ngoài ra, VDL Nedcar cho biết rằng việc trình tự, máy trạm nhiều người và các hạn chế phân công. Các

cân bằng dây chuyền lắp ráp bắt đầu trong một tình huống có hạn chế khác như công thái học không được tính đến vì đây
mức độ phức tạp tối thiểu và dần dần được phát triển chi tiết thường được coi là một vấn đề riêng biệt trong công ty.

hơn (tức là có nhiều ràng buộc hơn được thêm vào trong khi

dữ liệu liên quan đến các quyết định này không được lưu trữ). Ở mức độ này, một MIP được xây dựng (xem Didden 2020) và

Điều này dẫn đến việc thiếu thông tin trong hệ thống dữ liệu Thuật toán di truyền được đề xuất để cân bằng dây chuyền lắp

cần thiết để sử dụng các phương pháp phỏng đoán, để hỗ trợ ráp hiện tại. Hơn nữa, chúng tôi giải thích cách giảm quy mô

quá trình cân bằng. Nó cũng dẫn đến thông tin không có sẵn của vấn đề để đáp ứng số lượng lớn nhiệm vụ và mô hình hiện

trong một hệ thống duy nhất. Khi đó, thật khó để biết liệu có trong một dây chuyền lắp ráp. Phân tích ban đầu về kết quả

tự động hóa quy trình có thể dẫn đến các giải pháp khả thi của các phiên bản điểm chuẩn mới được tạo cho thấy hiệu quả

có thể áp dụng cho các dây chuyền lắp ráp hiện tại hay không. của việc cân bằng dòng phụ thuộc rất nhiều vào thời gian thực

hiện nhiệm vụ và thời gian thiết lập. Hơn nữa, kết quả của

Mặc dù rất nhiều nghiên cứu đã được thực hiện để giải một nghiên cứu điển hình cho thấy thuật toán đề xuất có thể

quyết Vấn đề cân bằng dây chuyền lắp ráp chung (GALBP), vẫn đạt được giải pháp tốt hơn đáng kể về số lượng người vận hành

còn thiếu nghiên cứu xem xét các trường hợp điển hình trong và cân bằng theo chiều ngang khi so sánh với cân bằng dòng

thế giới thực, đặc biệt là trong ngành công nghiệp ô tô. hiện tại. Phân tích kỹ lưỡng hơn cũng cho thấy tiềm năng cải

Ngược lại với tài liệu hiện tại, dây chuyền lắp ráp trong thế tiến khi sử dụng thuật toán được đề xuất làm hệ thống hỗ trợ

giới thực chứa nhiều ràng buộc bổ sung cần được tính đến để quyết định, chẳng hạn như nhu cầu giảm kích thước của các vị

hình thành sự cân bằng dây chuyền khả thi (và tối ưu). trí lắp đặt và khả năng cân bằng dòng mới đáp ứng với những

Những hạn chế này thường liên quan đến việc bố trí các nhiệm thay đổi về nhu cầu.

vụ nhất định trên dây chuyền do các vấn đề hậu cần hoặc bố

trí thiết bị, sự khác biệt về thời gian làm việc giữa những
người vận hành và các hạn chế áp đặt về thời gian takt. Phần còn lại của bài báo được bố trí như sau.

Do đó, mục tiêu của bài viết này gồm ba phần: (i) phát Đầu tiên, trong Phần 2, sẽ đưa ra đánh giá về tài liệu hiện

triển một mô hình tối ưu hóa kết hợp tất cả các hạn chế được tại. Sau đó, phát biểu vấn đề được xây dựng có tính đến các

xác định trong dây chuyền lắp ráp, (ii) triển khai mô hình ràng buộc được xác định tại VDL Nedcar trong Phần 3. Thuật

này trong công ty và (iii) sử dụng mô hình để xác định những toán di truyền sau đó được chính thức hóa trong Phần 4 để

điểm có thể cải tiến với dòng hiện tại (tức là chỉ ra cách giải quyết vấn đề. Phần 6 mô tả một nghiên cứu điển hình và
sử dụng mô hình để hỗ trợ quyết định). Hơn nữa, chúng tôi kết quả thu được khi triển khai Thuật toán di truyền. Cuối

mong muốn giữ cho mô hình càng chung chung càng tốt để có cùng, kết luận và hướng nghiên cứu tiếp theo được trình bày

thể sử dụng mô hình trong nhiều cài đặt khác nhau. Chúng tôi ở Phần 7.

phát triển một vấn đề tương tự như đề xuất của Naderi, Azab

và Borooshan (2019).
2. Bình luận văn học
Tuy nhiên, vấn đề của chúng tôi mở rộng mô hình này bằng cách

thêm thời gian thiết lập phụ thuộc vào trình tự và đưa ra ALBP là một chủ đề được nghiên cứu kỹ lưỡng trong vài thập
ràng buộc về thời gian chu kỳ theo từng phần, như được mô tả kỷ qua. Một trong những mô tả đầu tiên được biết đến của vấn

bởi Boysen, Fliedner và Scholl (2007 ). Ràng buộc về thời đề này được đưa ra bởi Salveson (1955) , người đã đề xuất mô
gian chu kỳ theo tỷ lệ này nêu rõ rằng thời gian takt phải hình Lập trình số nguyên (IP). Wee và Magazine (1982) đã sử
được đáp ứng tùy thuộc vào nhu cầu riêng của từng mô hình. Tốt nhất
dụng thuật toán đóng thùng để giải quyết
Machine Translated by Google
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 3

SALBP, vì vấn đề này liên quan chặt chẽ đến thùng rác hiệu quả (tức là giảm thiểu thời gian chu kỳ và số lượng

vấn đề đóng gói. İlker (1986) còn giới thiệu thêm máy trạm) của dây chuyền lắp ráp. Ở đây, một siêu heuristic

Bài toán cân bằng dây chuyền lắp ráp đơn giản (SALBP) dựa trên GA được đề xuất. Cuối cùng, Alavidoost và cộng sự. (2017)

và phần mở rộng của nó giúp nới lỏng một số hạn chế, cũng xem xét thời gian nhiệm vụ mờ và cũng đề xuất GA.

được gọi là Vấn đề cân bằng đường dây của Đại hội đồng (GALBP). Tuy nhiên, các tác giả xem xét một đường lót hình chữ U thay thế

của một đường thẳng.

Nhiều bài báo gần đây xây dựng GALBP để giải quyết các vấn đề Tăng và cộng sự. (2017) đã giải quyết được vấn đề hai mặt

liên quan chặt chẽ hơn đến dây chuyền sản xuất thực tế. dây chuyền lắp ráp với thời gian nhiệm vụ ngẫu nhiên và khác nhau

Kim, Kim và Kim (2000) giải quyết vấn đề lắp ráp hai mặt các ràng buộc chuyển nhượng khác như tương thích (trong)

vấn đề cân bằng dòng (TALBP), trong đó công nhân có thể thực hiện nhiệm vụ và nhiệm vụ đồng bộ. Sự thay đổi về thời gian thực hiện nhiệm vụ

các nhiệm vụ ở bên trái và bên phải của máy trạm. Mỗi có thể xảy ra do người vận hành không đủ tiêu chuẩn, máy hỏng,

nhiệm vụ có thể có một mặt ưa thích hoặc có thể được thực hiện trên nhiệm vụ phức tạp hoặc các lý do tương tự. Các
các tác giả coi thời gian thực hiện nhiệm vụ ngẫu nhiên cố định và hình
cả hai mặt. Tác giả xây dựng thuật toán di truyền

(GA) để giải quyết vấn đề. Uğur và Toklu (2009) mở rộng thành sau một ràng buộc về thời gian chu kỳ theo xác suất (tức là chu kỳ

vấn đề bằng cách thêm các mô hình hỗn hợp vào TALBP. Họ hạn chế về thời gian phải được đáp ứng với một xác suất nhất định). MỘT
đã xây dựng mô hình toán học và thuật toán ủ mô phỏng để giải quyết thuật toán tối ưu hóa dựa trên dạy-học kết hợp

bài toán. Một phần mở rộng khác được sử dụng để giải quyết vấn đề. Tương tự, Aydoğan

vấn đề là bằng cách cho phép nhiều người vận hành thực hiện đồng et al. (2019) xác định thời gian thực hiện nhiệm vụ ngẫu nhiên và áp dụng

thời các nhiệm vụ biểu mẫu trên phôi. Becker và Tuy nhiên, cùng một ràng buộc về thời gian chu kỳ xác suất, chỉ

Scholl (2009) giải quyết vấn đề này dưới dạng ALBP với các nơi làm cho đường chữ U. Các tác giả phát triển một đàn hạt

việc song song có thể thay đổi. Nhiều nhà khai thác được phép Phương pháp tối ưu hóa để giải quyết bài toán đề xuất.

để thực hiện các nhiệm vụ trên phôi và phôi là Hamta và cộng sự. (2013) xem xét vấn đề trong đó nhiệm vụ

chia thành nhiều vị trí lắp đặt. Một nhiệm vụ là duy nhất thời gian bị giới hạn giữa giới hạn trên và giới hạn dưới

được chỉ định vào một vị trí lắp đặt và người vận hành có thể đồng và một hiệu ứng học tập được giới thiệu nêu rõ thời gian thực hiện nhiệm vụ

thời thực hiện các nhiệm vụ miễn là không cản trở càng giảm khi nhiệm vụ được thực hiện thường xuyên hơn.

nhau (tức là chia sẻ cùng một vị trí lắp đặt). Một hạn chế phổ biến khác trong dây chuyền lắp ráp,

Roshani và Giglio (2017) giải quyết vấn đề cân bằng tuyến trong khi đặc biệt là trong các nhà máy lắp ráp các phôi lớn (ví dụ như ngành

kết hợp các nơi làm việc song song có thể thay đổi ô tô), thời gian thiết lập là

và mô hình hỗn hợp. Họ giới hạn số lượng nơi làm việc giữa các nhiệm vụ. Một cách phổ biến để giải quyết vấn đề này là

tới một số lượng toán tử được xác định trước tùy thuộc vào bằng cách đặt các tác vụ có thời gian thiết lập quá lớn

vấn đề trong tầm tay. Mô hình toán học và mô phỏng không tương thích, xem Boysen, Fliedner, và Scholl (2007).

Thuật toán ủ được tạo ra để giải quyết vấn đề. Andrés, Miralles và Pastor (2008) đưa ra vấn đề về thời gian thiết

Lopes và cộng sự. (2020) mở rộng định nghĩa của Becker và lập do khoảng cách đi bộ hoặc các yếu tố khác

Scholl (2009) bằng cách đưa ra tính linh hoạt cao hơn, cho phép hạn chế, được thêm vào khối lượng công việc của mỗi máy trạm. Thời

công nhân bắt đầu và kết thúc ở các trạm làm việc khác nhau. Một chìa khóa gian thiết lập này được coi là phụ thuộc vào trình tự, tức là thời

sự khác biệt là hạn chế về thời gian chu kỳ được áp đặt gian thiết lập phụ thuộc vào thứ tự trong

vào khối lượng công việc của người vận hành thay vì của máy trạm nhiệm vụ nào được thực thi. Scholl, Boysen và Flied ner (2013) mở
khối lượng công việc.
rộng vấn đề bằng cách định nghĩa chuyển tiếp và

Thời gian thực hiện nhiệm vụ cũng được xử lý khác nhau xuyên suốt thời gian thiết lập ngược. Thời gian thiết lập chuyển tiếp xảy ra trong vòng

văn học. Boysen, Fliedner và Scholl (2007) đưa ra ba cách tiếp cận cùng một chu trình (ví dụ người vận hành phải đi về phía

khác nhau để đưa thời gian làm bài vào nhiệm vụ tiếp theo trên cùng phôi gia công). Một thiết lập lạc hậu

trong vấn đề: tuân theo hàm phân phối một cách ngẫu nhiên, linh xảy ra giữa nhiệm vụ cuối cùng của chu kỳ hiện tại và nhiệm vụ

hoạt thông qua các hiệu ứng học tập nhiệm vụ đầu tiên trong chu trình tiếp theo (ví dụ người vận hành phải đi bộ tới

của người lao động, hoặc một cách xác định khi thời gian thực hiện nhiệm vụ phôi tiếp theo được lắp ráp). Delice (2019) xem xét vấn đề cân bằng
cố định và được biết trước. Phương pháp đầu tiên thường dây chuyền lắp ráp hai bên

đề xuất thông qua việc sử dụng thời gian xử lý mờ. với thời gian thiết lập tiến và lùi. Tác giả đề xuất Thuật toán di

Zacharia và Nearchou (2012) lần lượt mở rộng SALBP truyền (GA) để giải bài toán được đề xuất

với việc bổ sung thời gian nhiệm vụ mờ với mục đích vấn đề.

giảm thiểu thời gian chu kỳ mờ và độ mịn mờ Trong những năm qua, một số nghiên cứu đã được thực hiện

chỉ số/độ trễ cân bằng mờ. Các tác giả đề xuất một phương pháp di truyền việc sử dụng các ứng dụng trong thế giới thực trong ngành công

Thuật toán để giải quyết vấn đề này. Họ tiếp tục nghiệp ô tô hãy cố gắng xem xét vô số ràng buộc thực tế.

làm việc trong Zacharia và Nearchou (2013), nhìn vào một Alghazi và Kurz (2018) xem xét ALBP đồng thời tính đến Dây chuyền

mở rộng vấn đề, với mục tiêu tăng lắp ráp mô hình hỗn hợp, song song
Machine Translated by Google
4 JBHC DIDDEN VÀ cộng sự.

máy trạm, các hạn chế về phân vùng và các yếu tố công thái học. dây chuyền lắp ráp nối tiếp (tức là một dây chuyền lắp ráp duy nhất không có

Ở mức độ này, họ đã phát triển mô hình IP và Constraint Pro gramming đường dây trung chuyển hoặc đường song song). Chúng ta được giao một tập hợp các nhiệm vụ J

(CP). Sử dụng dữ liệu OEM thực tế, họ (đây là tất cả các nhiệm vụ cần thiết để tạo ra N mô hình)

chứng minh rằng mô hình CP của họ tốt hơn mô hình IP. cần được gán cho một tập hợp các máy trạm (duy nhất)

Naderi, Azab và Borooshan (2019) đã xem xét vấn đề cân bằng dây chuyền W, trong đó các trạm làm việc có thể khác nhau tùy theo các hạn chế

lắp ráp mô hình hỗn hợp nhiều người có năm mặt dựa trên dữ liệu OEM về trang bị và kích thước. Mỗi trạm làm việc được chia

thực tế từ hai công ty khác nhau. Ngoài ra, người lao động được phép vào vùng Z. Mỗi nhiệm vụ j J có một nhiệm vụ xác định

di chuyển thời gian bằng τj,n, phụ thuộc vào mô hình n N.

dọc theo các phía khác nhau của xe và tối đa là ba thứ tự các mô hình được tung ra sau đó

công nhân sẽ được phân bổ cho mỗi trạm làm việc. Để giải quyết được quyết định riêng biệt trong bài toán giải trình tự. Tuy nhiên,

vấn đề, các tác giả phát triển tuyến tính số nguyên hỗn hợp khi thứ tự của mô hình thay đổi liên tục do

Chương trình (MILP) và thuật toán phân rã Bender dựa trên Logic. Họ trước những thay đổi về khối lượng sản xuất, dây chuyền được cân bằng

chứng minh rằng thuật toán của họ có thể theo dự đoán của nhu cầu mô hình thay vì

đạt được các giải pháp dưới mức tối ưu cho nghiên cứu điển hình được cung cấp. trình tự chính xác của các mô hình. Không phải mọi tác vụ đều được áp

Tuy nhiên, đối với cả hai nghiên cứu, việc thiết lập phụ thuộc vào trình tự dụng cho mọi kiểu máy. Trong trường hợp đó τj,n = 0. Ngoài ra,

thời gian không được tính vào những nhiệm vụ quá xa nhau nhiệm vụ chung giữa các mô hình phải được xử lý trên

được thiết lập là không tương thích. Điều này có thể dẫn tới giải pháp cùng một máy trạm và bởi cùng một người vận hành. Trên mỗi

không được khám phá. Ferrari và cộng sự. (2019) cũng xem xét máy trạm, một số toán tử o được chỉ định, mỗi toán tử

một vấn đề cân bằng dây chuyền lắp ráp nhiều người, với thực hiện một nhiệm vụ tại bất kỳ thời điểm nào, trong đó o

việc bổ sung sự không tương thích của việc lắp đặt khác nhau {1, ... , Omax}, với Omax là số lượng tối đa

vị trí, chia sẻ thiết bị và hợp tác giữa người lao động. các nhà khai thác có thể được chỉ định cho bất kỳ máy trạm cụ thể nào. TRONG

Ở mức độ này, họ phát triển Chương trình số nguyên hỗn hợp Ngoài ra, chỉ một người vận hành có thể làm việc ở bất kỳ vùng z Z nào

(MIP) và thuật toán mô phỏng luyện kim (SA). Họ đồng thời. Đương nhiên, các mối quan hệ ưu tiên là cáp ứng dụng, nêu

kiểm tra thuật toán của họ bằng một nghiên cứu điển hình tại một nhà rõ thứ tự các nhiệm vụ cần được thực hiện

sản xuất người Ý đang xem xét khoảng 600 nhiệm vụ. Họ chứng minh rằng (ví dụ: bộ tản nhiệt cần được lắp đặt trước mặt trước

vấn đề của họ có thể tìm ra giải pháp gần giống với cản có thể được đưa vào vị trí). Sơ đồ tổng quan về

ước tính giới hạn dưới. Tuy nhiên, một mô hình duy nhất được xem xét một dây chuyền lắp ráp được đưa ra trong Hình 1 và chi tiết hơn

sẽ đơn giản hóa vấn đề một cách đáng kể. Ster natz (2014) xem xét một tổng quan về một máy trạm duy nhất được đưa ra trong Hình 2.

vấn đề trong thế giới thực được lấy từ Thông thường, tổng thời gian thực hiện nhiệm vụ tại mỗi máy trạm

Tập đoàn Volkswagen trong đó họ xem xét nhiều hạn chế áp dụng cho dây và đối với mỗi người vận hành không thể vượt quá thời gian takt.

chuyền lắp ráp thực tế ở T. _ Thời gian takt là một chỉ số về tốc độ sản xuất của

các ngành công nghiệp ô tô. Những hạn chế như sản phẩm cao đường và được định nghĩa là tỷ lệ giữa tổng thời gian sản xuất sẵn có

đa dạng (Mô hình hỗn hợp), thời gian thiết lập phụ thuộc vào trình tự, và khối lượng sản xuất. Các

hạn chế phân công và nhiều người vận hành trên mỗi trạm làm việc thời gian takt thường không đổi trong khoảng thời gian vài

(Nhiều người) được tính đến trong số tháng. Tuy nhiên, vì một số mô hình yêu cầu đáng kể

người khác. Các tác giả phát triển Multi Hoffman nâng cao nhiều nhiệm vụ hơn so với các mô hình khác, việc hạn chế nghiêm ngặt

Heuristic được chứng minh là có hiệu quả trong việc tìm kiếm giải pháp về thời gian takt có thể gây ra thời gian nhàn rỗi không cần thiết

cho các vấn đề phức tạp trong thế giới thực. Công việc của chúng tôi kéo dài đối với một số mô hình nhất định, do tính chất mô hình hỗn hợp của

vấn đề của Sternatz (2014) bằng cách thêm chiều ngang đường kẻ. Do đó, cho phép các mô hình vượt quá takt

cân bằng với chức năng mục tiêu và đánh giá mới thời gian, với thời gian tối đa bằng βw, miễn là

hạn chế chuyển nhượng như tối thiểu và tối đa thời gian làm việc trung bình của tất cả người vận hành trên tất cả các mô hình

khoảng cách giữa các nhiệm vụ nhất định. (phụ thuộc vào nhu cầu của các mô hình) nhỏ hơn hoặc

Bảng 1 trình bày sự so sánh các tài liệu liên quan với tác phẩm bằng thời gian takt, như đã thấy trong Công thức (1). Nhiệm vụ đó
hiện tại1. Sơ đồ phân loại của vượt quá thời gian takt nên được thực hiện bởi cùng một

Boysen, Fliedner, và Scholl (2007) được sử dụng để so sánh. Bảng này người vận hành và có thể được hoàn thành ở các trạm làm việc liên tiếp.

cho thấy chúng tôi là một trong những người đầu tiên Tuy nhiên, điều này dẫn đến sự mất cân bằng khối lượng công việc, vì đối với

kết hợp tất cả các loại ràng buộc khác nhau này. một số mô hình tổng thời gian thực hiện nhiệm vụ của người vận hành có thể

cao hơn đáng kể so với các mô hình khác. Cái này nữa

có thể gây ra thời gian nhàn rỗi không cần thiết. Vì vậy mục tiêu
3. Xây dựng vấn đề
trở thành làm giảm sự khác biệt tuyệt đối trong tổng của

Bài viết này xem xét vấn đề cân bằng dây chuyền lắp ráp khi nó xảy ra thời gian thực hiện nhiệm vụ giữa tất cả các mô hình, còn được gọi là

trong một nhà máy sản xuất ô tô. cân bằng theo chiều ngang, xem Thomopoulos (1970). Vấn đề

thực vật. Một số mẫu N sẽ được sản xuất trên một cân bằng ngang có thể được giải quyết thông qua các phương pháp khác nhau
Machine Translated by Google

NGHI
QUỐC
XUẤ
SẢN
Bảng 1. So sánh các tài liệu liên quan hiện hành về cân bằng dây chuyền lắp ráp.

CỨU
Andrew, Tham vọng Đường Trương Ferrari Lopes
Kim, Kim và Gương và Becker và Scholl Uğur và et al. Sternatz Roshani và Giglio et al. Alghazi và Aydogan và cộng sự. et al. điên cuồng Naderi, Azab, lời thề et al. et al. Hiện hành

Kim (2000) Mục sư (2008) (2009) Năm tháng (2010) (2013) (2014) (2017) (2017) Ngắn (2018) (2019) (2019) (2019) Borooshan (2019) (2019) (2020) Công việc

CHÍ
TẠP
TÔI.
Ưu tiên cụ thể của sản phẩm
Đồ thị

Đơn

đa

Trộn

II. Thời gian thiết lập

Không có

TẾ
Trình tự phụ thuộc

III. Hạn chế chuyển nhượng

Đã liên kết

Không tương thích

đã sửa

Kiểu

tối thiểu

Tối đa

IV. Chuyển động của phôi

nhịp độ

Trung bình

Mỗi

vấn đề

Như nhau

Khác nhau

TRONG.
Bố cục dòng

nối tiếp

Đường chữ U

Song song

CHÚNG TÔI. Song song hóa

Đầy

pstat

Nhiệm vụ

công việc (2) (K) (2) (K) (K) (2) (K) (K) (2) (K) (K) (K)

Không có

VII. Kỹ thuật giải pháp

Mô hình toán học

Lập trình ràng buộc

Thuật toán di truyền

PSO

TRÊN

SỰ HIỂU BIẾT

COMSOAL

đa Hoffmann

Chim di cư

Phân hủy uốn cong

5
Heuristic dựa trên mô hình
Machine Translated by Google
6 JBHC DIDDEN VÀ cộng sự.

Hình 1. Sơ đồ tổng quan của một phần của dây chuyền lắp ráp.

Hình 2. Sơ đồ tổng quan của một máy trạm.

các hàm mục tiêu. Về vấn đề này, chúng tôi đề cập đến công trình của được thêm vào sau khi một nhiệm vụ được xử lý do khoảng cách đi bộ

Emde, Boysen và Scholl (2010). Trong trường hợp của chúng tôi, chúng hoặc thay đổi công cụ/thiết bị/vật liệu. Thời gian thiết lập này cũng
tôi mong muốn giảm sự khác biệt giữa tổng thời gian thực hiện nhiệm vụ cho mộtphụ thuộc vào kiểu máy được sản xuất.

toán tử và thời gian takt, như có thể thấy trong phương trình (2). Không phải tất cả các nhiệm vụ đều được thực hiện cho từng mẫu xe (ví

dụ: các nhiệm vụ liên quan đến mui trần chỉ áp dụng cho các mẫu xe có
αn · tw,o,n ≤ T (1)
loại mui này) và không phải tất cả các mẫu xe đều có cùng kích thước
n N
(ví dụ: một chiếc SUV lớn hơn nhiều so với một chiếc compact xe, điều

phút |tw,o,n T | (2) này có thể làm tăng khoảng cách đi bộ giữa phía trước và phía sau xe).

n N w W o O
Một phương pháp tương tự do Scholl, Boysen và Fliedner (2013) đề xuất
trong đó tw,o,n là thời gian dừng của trạm làm việc w đối với người
cũng được sử dụng. Giữa hai tác vụ liên tiếp j1, j2 J trong cùng một
vận hành o khi model n đang được sản xuất. Do kích thước của ô tô được
chu kỳ, thời gian thiết lập chuyển tiếp bằng nhau
sản xuất trên dây chuyền nên cần phải có thời gian thiết lập
Machine Translated by Google
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 7

Hình 3. Kết nối giữa các tác vụ khác nhau được thực hiện trên phôi trong các chu kỳ liên tiếp.

đến πj1,j2,n được thêm vào. Hơn nữa, giữa nhiệm vụ cuối cùng j2 J giữa các nhiệm vụ hoặc khi người vận hành ở các trạm làm việc liên

được thực hiện trên mô hình n2 N trong một chu kỳ và nhiệm vụ đầu tiếp đang thực hiện các nhiệm vụ trong cùng một khu vực, vì chỉ được

tiên j1 J được thực hiện trên mô hình n1 N trong chu kỳ liền kề phép một người vận hành làm việc đồng thời trong một khu vực duy nhất.

tiếp theo, thời gian thiết lập ngược μj2,j1,n2, n1 được thêm vào. Xem

Hình 3 để biết sơ đồ tổng quan về thời gian thiết lập tiến và lùi. Cuối cùng, chúng tôi cũng xem xét các hạn chế chuyển nhượng:

• Các nhiệm vụ không thể được thực hiện tại cùng một máy trạm hoặc

bởi cùng một người vận hành (Tác vụ không tương thích).
Ví dụ: Hình 3 cho thấy cách xác định các thiết lập và sự khác biệt

giữa các thiết lập tiến và lùi. Thời gian thiết lập đơn giản nhất chỉ
Ví dụ: Việc lắp đặt và kiểm tra bình nhiên liệu phải được thực
được tạo ra bằng khoảng cách đi bộ, như trường hợp giữa nhiệm vụ j1 và
hiện bởi người vận hành khác.
j2. Ở đây người vận hành không phải thay đổi thiết bị hoặc lấy vật

liệu mới. Ngược lại, việc thiết lập giữa nhiệm vụ j2 và j3 phức tạp • Một cặp nhiệm vụ có khoảng cách tối thiểu hoặc tối đa giữa chúng
hơn. Người vận hành phải đi bộ từ vị trí (a), đến hộp nguyên liệu ở vị (Nhiệm vụ tối thiểu và tối đa).

trí (b), sau đó tiếp tục thực hiện nhiệm vụ j3 tại vị trí (c). Điều

này tạo ra thêm thời gian thiết lập so với trường hợp người vận hành Ví dụ: Việc lấp đầy các đường ngắt cần phải được mở rộng trên tối

đi thẳng từ nhiệm vụ j2 tại vị trí (a) đến nhiệm vụ j3 tại (c). Tiếp thiểu 4 trạm, do đó các nhiệm vụ liên quan đến việc ghép và tách

theo, sự khác biệt giữa thiết lập tiến và lùi trở nên rõ ràng. Nếu các máy để thực hiện các nhiệm vụ này phải cách nhau tối thiểu 4

người vận hành kết thúc chu trình a với nhiệm vụ j4 và bắt đầu chu kỳ trạm.

a + 1 tiếp theo với nhiệm vụ j1 thì chỉ cần thời gian thiết lập ngắn

(tức là thiết lập ngượcμj4,j1 ). Tuy nhiên, nếu nhiệm vụ j4 được kế

tiếp bởi nhiệm vụ j1 trong cùng một chu kỳ a thì thời gian thiết lập • Các nhiệm vụ phải được thực hiện cùng lúc bởi những người vận hành

dài hơn nhiều sẽ phù hợp, cụ thể là thiết lập chuyển tiếp πj4,j1 . khác nhau trên cùng một máy trạm (Nhiệm vụ được liên kết).

Ví dụ: Một phôi lớn cần 2 người vận hành để nâng nó lên.

Lưu ý rằng do có thêm nhiều người vận hành trên mỗi máy trạm và • Các nhiệm vụ phải được thực hiện trên một trạm làm việc cụ thể

cho phép người vận hành xử lý các nhiệm vụ vượt quá ranh giới trạm, tion và khu vực (Nhiệm vụ cố định).

thời gian nhàn rỗi có thể phát sinh. Những thời gian nhàn rỗi này

thường phát sinh khi người vận hành phải chờ do quan hệ ưu tiên Ví dụ: Do bảng điều khiển được lắp vào từ dây chuyền cấp liệu ở

một phía cụ thể của dây chuyền lắp ráp, bất kỳ

Machine Translated by Google
số 8 JBHC DIDDEN VÀ cộng sự.
các công việc liên quan đến việc cài đặt bảng điều khiển cần
được thực hiện tại máy trạm.
• Các nhiệm vụ cần được phân công cho một nhóm nhỏ các trạm làm
việc cụ thể. (Nhập nhiệm vụ)
Ví dụ: Một tập hợp con có thể là các trạm làm việc nơi ô tô
được nâng lên. Trên tập hợp con này, các nhiệm vụ có thể được
thực hiện ở mặt dưới của ô tô.
Mục đích là xác định trình tự các nhiệm vụ được phân bổ cho
từng người vận hành và trạm làm việc. Có thể chọn nhiều mục
tiêu để hình thành bài toán cân bằng dây chuyền, trong đó tiêu
biểu nhất là giảm thiểu độ dài dây chuyền (tức là số lượng máy
trạm) hoặc thời gian takt. Các mục tiêu khác có thể là giảm
thiểu số lượng người vận hành hoặc cân bằng khối lượng công
việc. Trong trường hợp có nhiều mục tiêu, mỗi mục tiêu có thể
được cân nhắc theo hệ số trọng số ηi với ηi > ηi+1 > ··· > ηn
để ưu tiên hàm mục tiêu này hơn hàm mục tiêu khác. Trong trường
hợp này, mục tiêu gồm bốn phần: (i) giảm thiểu số lượng người
vận hành, (ii) giảm thiểu số lượng máy trạm, (iii) giảm thiểu
tổng thời gian của trạm và (iv) đạt được sự cân bằng khối lượng
công việc tốt nhất có thể. Hàm mục tiêu được cho trong phương
trình (3),
phút η1 · |O| + η2 · |W| + n3 ·
n N w
+ n4 · |tw,o,n T |.
n N w W o Ow
4. Thuật toán
Trong phần này, Thuật toán di truyền (GA) được đề xuất để giải
quyết vấn đề được nêu trong Phần 3. GA có thể tìm ra các giải
pháp thuận lợi nhờ khả năng đi qua một không gian tìm kiếm lớn.
GA trong tình huống này được giữ đơn giản, nó chỉ chịu trách
nhiệm tạo ra các giải pháp mới và cải thiện mọi giải pháp trước
đó. Về cơ bản, nó xác định thứ tự các công việc được thực hiện
trên dây chuyền. Một phương pháp phỏng đoán khác, giải mã, cuối
cùng xác định việc phân công chính xác các công việc, cho cả
máy trạm và người vận hành. Cơ sở của GA có thể được tóm tắt
theo các bước sau:
(1) Tạo quần thể ban đầu.
(2) Chỉ định điểm thể lực cho từng cá nhân theo Công thức (3).
(3) Sử dụng phương pháp giải đấu để chọn ra các cá nhân cho mỗi
tạo thành các đường chéo.
(4) Chọn các cá thể để thực hiện đột biến.
(5) Tập hợp các cá thể mới được tạo ra và các cá thể ban đầu
vào quần thể mới và ấn định mức độ thích hợp
điểm số. Chọn N cá thể để truyền cho thế hệ sau.
(6) Chấm dứt nếu đáp ứng tiêu chí dừng (giới hạn thời gian, số
thế hệ (#gen), điểm thể lực), các trường hợp khác lặp lại
từ bước 3.
Phần còn lại của phần này được tổ chức như sau.
Đầu tiên, Phần 4.1 và 4.2 mô tả cách mã hóa giải pháp và cách
khởi tạo quần thể ban đầu của GA tương ứng. Tiếp theo, Phần 4.3
mô tả các toán tử lai ghép và đột biến được sử dụng trong GA.
Phần 4.4 trình bày quy trình lựa chọn GA. Trong Phần 4.5, một
thuật toán giải mã được đề xuất để chuyển đổi các cá thể được
tạo thành một sự cân bằng dòng khả thi. Cuối cùng, Phần 4.6 mô
tả cách triển khai các ràng buộc gán bổ sung trong thuật toán.
4.1. Mã hóa
Bước đầu tiên của GA là mã hóa các nhiễm sắc thể (tức là một
giải pháp khả thi cho vấn đề này). Nhiễm sắc thể được hình
thành từ gen. Đối với ALBP, mỗi gen trong nhiễm sắc thể đại
diện cho một nhiệm vụ, ví dụ nhiệm vụ 7 sẽ được cấp cho một gen
có nhãn 7. Tổng chiều dài của nhiễm sắc thể bằng số lượng nhiệm
vụ có sẵn. Trình tự các gen trong nhiễm sắc thể thể hiện trình
tự (tức là thứ tự) của các nhiệm vụ trên dây chuyền lắp ráp.
tw,o,n
Xem Hình 4 để biết ví dụ trực quan về nhiễm sắc thể. Cần lưu ý
W o Ow
rằng thứ tự xuất hiện của các tác vụ trong nhiễm sắc thể không
(3) liên quan chính xác đến thứ tự xử lý các tác vụ. Do thực tế là
nhiều người vận hành có thể có mặt ở mọi trạm làm việc, nên các
nhiệm vụ liên tiếp có trong nhiễm sắc thể có thể bắt đầu đồng
thời, nhưng ở các người vận hành khác nhau. Heuristic giải mã
được sử dụng để xác định nhiệm vụ máy trạm j hiện diện được đưa
ra trong Phần 4.5.
4.2. Dân số ban đầu
Do thực tế là các giải pháp cho ALBP phụ thuộc nhiều vào trình
tự, chủ yếu là do thời gian thiết lập phụ thuộc vào trình tự,
nên một tập hợp đa dạng có thể được sử dụng tối đa cho GA. Do
đó, quần thể ban đầu cũng phải chứa nhiều chuỗi nhiệm vụ duy
nhất, do đó cho phép việc lai ghép và đột biến có hiệu quả.
Vì vậy, người ta đã chọn sử dụng phương pháp do Scholl, Boysen
và Fliedner (2013) phát triển để tạo ra các nhiễm sắc thể ban
đầu. Phương pháp này được đề cập đến
như quy tắc-GRASP (Quy trình tìm kiếm thích ứng ngẫu nhiên tham
lam).
Thuật toán quy tắc-GRASP chỉ định các tác vụ có sẵn từ danh
sách ứng cử viên (CL) được tạo cho chuỗi được xây dựng hiện
tại (được gắn nhãn là σ). Các nhiệm vụ (có nhãn j) trong
Machine Translated by Google
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 9

Hình 4. Ví dụ về nhiễm sắc thể được sử dụng trong Thuật toán di truyền.

CL là những cái có thể được gán cho vị trí tiếp theo trong các số nguyên (C1 và C2) nằm giữa (2, n 1) được chọn (với

chuỗi, do mối quan hệ ưu tiên của chúng C1<C2). C1 và C2 biểu thị vị trí của một số nhiễm sắc thể. Sau

(tức là những công việc không có người đi trước hoặc đã được đó, phần đầu và đuôi của bố mẹ đầu tiên

giao người đi trước). Sau đó ưu tiên nhiễm sắc thể (P1) được sao chép sang thế hệ con đầu lòng (O1).
Quy tắc (PR) được chọn ngẫu nhiên từ một phân phối đồng đều và Đầu là các gen từ vị trí 1 đến C1 và

mỗi tác vụ trong CL được gán một giá trị tương ứng với PR. đuôi từ vị trí C2 đến n. Sau đó ở giữa

Nhiệm vụ có giá trị PR thấp nhất phần (gen nằm giữa C1 và C2) của P1 được sắp xếp theo thứ tự

sau đó được gán cho vị trí tiếp theo trong chuỗi. trình tự nó xảy ra ở nhiễm sắc thể bố mẹ thứ hai

Cuối cùng, CL được cập nhật bằng cách thêm các thành công trực (P2). Các phần tử là bản sao của O1. Quy trình tương tự được sử

tiếp của nhiệm vụ j (tức là từ tập S ) đến CL nếu tất cả khác dụng để tạo ra O2, trong đó vai trò của P1 và P2

j người tiền nhiệm của những nhiệm vụ này cũng đã được giao. Cái này bị đảo ngược. Xem Hình 5 để biết ví dụ về hai điểm

Quá trình được lặp lại cho đến khi tất cả các nhiệm vụ được giao. Nhìn thấy phương pháp chéo. Ngoài ra, không phải cha mẹ nào cũng có

Thuật toán 1 để biết tóm tắt về thuật toán. con lai bằng phương pháp lai ghép. Có xác suất pc với 0,5 pc

1 rằng hai nhiễm sắc thể bố mẹ

sinh ra con cháu.

Thuật toán 1: thuật toán GRASP quy tắc
Phương pháp thứ hai được sử dụng để đa dạng hóa dân số
trong khi CL = thì là thông qua đột biến. Trẻ em đột biến được tạo ra bởi
chọn quy tắc ưu tiên từ đồng phục ngẫu nhiên đầu tiên chọn ngẫu nhiên một gen trong nhiễm sắc thể bố mẹ.
phân bổ; Đối với gen này, gen tiền nhiệm được gán mới nhất (m1) và
với j CL do người kế nhiệm được chỉ định sớm nhất (m2) được ghi lại. Một cách ngẫu nhiên
tính toán các giá trị cho PR đã chọn;
số nguyên từ (m1, m2) sau đó được chọn và gen được
thêm j vào σ; chèn vào điểm này. Có xác suất xảy ra đột biến bằng chiều. Xem
xóa j khỏi CL; Hình 6 để có hình ảnh trực quan
kết thúc
biểu diễn của toán tử đột biến.
xây dựng CL từ S ;
j
kết thúc
4.4. Lựa chọn

Tinh hoa (và lựa chọn) là bước quan trọng thứ ba trong GA.

Chủ nghĩa tinh hoa (hoặc sự sống sót của kẻ mạnh nhất), được sử dụng để chuyển giao
4.3. Toán tử lai ghép và đột biến
giải pháp có giá trị thích hợp tốt nhất cho thế hệ tiếp theo.

Con chéo được tạo ra bằng cách chọn hai cha mẹ Điều này được thực hiện để duy trì chất lượng của các giải pháp

nhiễm sắc thể. Nhiễm sắc thể của bố mẹ có thể được chọn tới các thế hệ tiếp theo. Như đã được giải thích trước đó,

sử dụng nhiều phương pháp khác nhau như: ngẫu nhiên, roulette dân số mới hình thành và dân số ban đầu
lựa chọn bánh xe hoặc lựa chọn giải đấu. Trong trường hợp này, được gộp lại với nhau. Từ tổng dân số này, một lượng nhất định

thủ tục lựa chọn giải đấu được chọn. Đây, một điểm số lượng N cá ,thể có điểm thể lực tốt nhất là

một phần quần thể nhiễm sắc thể ngẫu nhiên được chọn sen (với được chọn lọc để truyền lại cho thế hệ sau.

n>2) từ quần thể hiện tại và hai

với các giá trị thích hợp tốt nhất được chọn để tạo thành một cặp
4.5. Giải mã
cha mẹ. Quá trình này được lặp lại #gen/2 lần.

Để duy trì chuỗi nhiệm vụ khả thi (tức là Việc giải mã nhiễm sắc thể dựa trên thông tin cần thiết cho

theo quan hệ ưu tiên), hai điểm chức năng thích nghi và mong muốn.

phương pháp chéo được chọn. Để bắt đầu, hai ngẫu nhiên đầu ra, trong trường hợp này nhiệm vụ nào được phân bổ cho nhiệm vụ nào
Machine Translated by Google
10 JBHC DIDDEN VÀ cộng sự.

Hình 5. Ví dụ về hoạt động chéo.

Hình 6. Ví dụ về toán tử đột biến.

máy trạm. Việc phân công nhiệm vụ cần ngăn cản quyết định nhiệm vụ được phân bổ cho nhà điều hành nào. Cuối cùng, đầu

tối giản, một chuỗi các nhiệm vụ phải luôn mang lại cùng một kết quả, ra là danh sách các toán tử theo thứ tự tăng dần từ thời gian bắt đầu

do đó, không thể có sự ngẫu nhiên. sớm nhất đến muộn nhất. Cần lưu ý rằng trong trường hợp hòa (tức là

Khi phân bổ nhiệm vụ cho một trạm làm việc, cần tuân thủ các giả định thời gian bắt đầu của hai hoặc nhiều toán tử bằng nhau), thì toán tử

nêu trong Phần 3 . Với mục đích này, một heuristic đã được viết để có chỉ số thấp nhất sẽ được chọn là toán tử tốt nhất, trái ngược với

giải mã các nhiễm sắc thể. Phương pháp phỏng đoán dựa trên ba lựa việc chọn ngẫu nhiên một trong các toán tử.

chọn, lựa chọn đầu tiên là nhiệm vụ được giao cho người vận hành nào,

thứ hai là liệu một nhiệm vụ có thể được phân bổ cho máy trạm hiện Thứ hai, việc kiểm tra phải được thực hiện để quyết định xem một

tại hay không và cuối cùng là số lượng người vận hành được chỉ định nhiệm vụ có thể được phân bổ cho máy trạm hiện tại hay không. Thời

cho mỗi máy trạm. gian trạm tw,o,n cho mỗi kiểu máy được tính toán, bao gồm tất cả thời

gian nhàn rỗi và thời gian thiết lập có thể có (τ và μ). Để tính toán

Đầu tiên, việc phân công nhiệm vụ cho một máy trạm được thực hiện thời gian thiết lập trễ, nhiệm vụ đầu tiên và cuối cùng (tức là f và

thông qua việc tính toán thời gian bắt đầu sớm nhất của nó đối với mọi l) được phân bổ cho một máy trạm cho mỗi kiểu máy phải được theo dõi.

người vận hành có sẵn trên máy trạm hiện tại. Thời gian bắt đầu của Vì thời gian thiết lập lùi có thể khác nhau giữa bất kỳ sự kết hợp mô

một nhiệm vụ phụ thuộc vào bốn yếu tố: (1) thời gian kết thúc của hình nào (ví dụ: thiết lập từ mô hình n1 đến n2 có thể khác với từ n1

nhiệm vụ được phân bổ cuối cùng cho người vận hành, (2) thời gian đến n3 tùy thuộc vào việc một tác vụ có được thực thi cho một mô hình

thiết lập chuyển tiếp, (3) thời gian nhàn rỗi được tạo bởi các mối cụ thể hay không), thời gian này được tính trung bình theo thời gian

quan hệ ưu tiên do các nhiệm vụ được phân bổ cho người vận hành khác đầu tiên. nhiệm vụ phù hợp với một mô hình, theo (4).

gây ra trên cùng một máy trạm (I1) và (4) thời gian nhàn rỗi được tạo

ra bởi các mối quan hệ ưu tiên và vị trí gắn kết bởi các nhiệm vụ được

phân bổ cho người vận hành trên các máy trạm trước đó (I2). Thời gian
1
bắt đầu cho mỗi mô hình và người vận hành được tính toán và thời gian μj2,j1 = (4)
μj2,j1,n1,n2 (j1, j2) J.
N2
bắt đầu tối thiểu của mẹ trên tất cả các mô hình là thời gian bắt đầu được sử dụng để n1 N n2 N
Machine Translated by Google
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 11

Khi tính toán tất cả thời gian của các trạm, chúng sẽ được tính trung
Thuật toán 2: Thuật toán giải mã
bình theo nhu cầu của mô hình. Nếu thời gian trạm trung bình thấp hơn
Khởi tạo: đặt Wtotal = 1, Ow = Omax, thêm σ1 vào J1,1,
thời gian takt (T ) và thời gian trạm tối đa thấp hơn ranh giới của
tính t1,1,n, thêm σ1 vào f1,1,n, l1,1,n tùy model; ii =
người vận hành (Tmax), thì nhiệm vụ sẽ được phân bổ cho người vận
2; trong khi ii ₫ không
hành đã chọn. Mặt khác, việc kiểm tra được lặp lại cho toán tử tiếp
có Nhiệm
theo trong danh sách.
vụ nào
Nếu nhiệm vụ hiện tại không thể được phân bổ cho bất kỳ người vận hành
Đặt j thành σii;
nào, một máy trạm mới sẽ được mở.
Tính I1;
Việc lựa chọn quyết định số lượng người vận hành trên mỗi trạm làm
Tính I2;
việc được thực hiện thông qua hiệu suất (η) của mỗi người vận hành.
Quyết định người vận hành tốt nhất để phân công nhiệm vụ
Đầu tiên, số lượng toán tử tối đa cho mỗi máy trạm được đặt, Omax.
dựa trên thời gian bắt đầu
Con số này thường phụ thuộc vào không gian có sẵn trên dây chuyền lắp
sớm nhất; với o
ráp. Tiếp theo, giá trị ngưỡng cho hiệu suất được đặt. Hiệu quả là tỷ
O làm với n N làm
lệ giữa thời gian hữu ích của người vận hành (tức là thời gian thực

hiện một nhiệm vụ) và thời gian takt. Điều này lần lượt được tính toán Xác định τl,j,n và μj,f ;

Tính toán tw,o,n dựa trên thời gian nhàn rỗi và

cho từng mô hình và được tính trung bình theo nhu cầu của từng mô
thời gian thiết lập;
hình. Nói cách khác:
kết

thúc nếu thời gian trạm trung bình ≤ T và

j (w,o) τj
ηo,w = αn . thời gian trạm tối đa ≤ Tmax
(5)
T thì cộng σii vào Jw,o;

Sau khi không thể phân bổ thêm nhiệm vụ nào cho trạm làm việc hiện Xác định tw,o,n, fw,o,n, lw,o,n; phá

vỡ;
tại, hiệu quả của mỗi người vận hành sẽ được tính toán. Nếu hiệu suất
khác
của một toán tử thấp hơn giá trị ngưỡng cũ thì số lượng toán tử cho
Tiếp tục;
máy trạm đó sẽ giảm đi một và các nhiệm vụ sẽ được phân bổ lại cho
kết thúc
các toán tử còn lại. Quá trình này được lặp lại cho đến khi tất cả
kết thúc
các toán tử đạt đến giá trị ngưỡng hoặc cho đến khi chỉ còn một toán

tử duy nhất trên máy trạm hiện tại. Đầu ra cuối cùng của thuật toán nếu nhiệm vụ phù hợp với máy trạm

là số lượng người vận hành trên mỗi máy trạm (Ow), số lượng máy trạm thì ii = ii

+ 1; khác
(Wtotal), danh sách các nhiệm vụ được phân bổ cho từng máy trạm và

người vận hành (Jw,o) và thời gian của trạm (t). Heuristic tổng quát Tính ηw,o cho tất cả người vận hành trên

máy trạm hiện tại;

có thể được nhìn thấy trong Thuật toán 2.
nếu hiệu suất trung bình ≥ ηt hoặc Ow = 1 thì
Wtotal = Wtotal + 1, Ow = Omax; thêm σii

vào Jw,1, đặt fw,1,n, lw,1,n tùy

thuộc vào kiểu máy;

4.6. Ràng buộc bổ sung
Tính tw,o,n; ii =

ii + 1 khác
Hầu hết các yêu cầu đối với dây chuyền lắp ráp như được mô tả trong
để
Phần 3 đều được giải quyết trong thuật toán giải mã như được mô tả
trống Jw,o và đặt lại fw,o,n, lw,o,n cho tất
trước đó. Tuy nhiên, hầu hết các ràng buộc liên quan đến hạn chế
cả người vận hành trên máy
chuyển nhượng đều được giải quyết thông qua hàm phạt trong đánh giá
trạm hiện tại;
mức độ phù hợp của GA. Sau đó, trong trường hợp một trong những hạn
ii = trước;
chế phân công này bị vi phạm (ví dụ: một tác vụ được giao cho một máy
Ối = Ối 1; kết
trạm không tương thích), giải pháp sẽ bị loại bỏ trong lần lặp tiếp
thúc
theo của GA.
kết thúc
Các tác vụ của Nhiệm vụ được liên kết được xử lý khác nhau trong
kết thúc
GA. Nếu nhiệm vụ hiện tại đang được giao là một trong hai nhiệm vụ

của một nhiệm vụ được liên kết thì một máy trạm mới sẽ được mở và cả

hai gói nhiệm vụ sẽ được giao cho những người vận hành khác nhau

trên máy trạm mới mở. Cũng cần lưu ý rằng số lượng người vận hành tối

thiểu trên máy trạm này bằng 2 thay vì 1. Ngoài ra, có một trường hợp là một lượng không gian làm việc trống nhất định giữa hai nhiệm vụ,

đặc biệt về Nhiệm vụ Tối thiểu/Tối đa, trong đó cần phải có thường là do các quy định về an toàn. Nếu nhiệm vụ đầu tiên của một

trong các cặp nhiệm vụ này được giao cho một máy trạm,
Machine Translated by Google
12 JBHC DIDDEN VÀ cộng sự.

sau đó, sau khi đóng máy trạm, số lượng máy trạm hiện tại trong đó ηo,w như đã nêu trong Công thức (5). Độ mịn

(Wtotal trong Thuật toán 2) sẽ tăng lên tuy nhiên, chỉ số này là kết quả trực tiếp từ các hàm phù hợp cân

bằng x thay vì 1, với x là số ô trống bằng ngang như được nêu trong Phần 4.5, tuy nhiên, được chia tỷ lệ
các máy trạm cần thiết giữa các nhiệm vụ. theo thời gian takt:

n N w W o Ow |tw,o,n T |
VÀ = .
5. Kết quả thực nghiệm T
Phần này cung cấp phân tích ban đầu về nhiều bài kiểm tra

trường hợp sử dụng GA làm hệ thống hỗ trợ quyết định. Đầu tiên 5.2. Thiết kế các thí nghiệm

cài đặt thử nghiệm, cũng như các trường hợp điểm chuẩn mới được
Hiệu suất thuật toán phụ thuộc vào các yếu tố được chọn cho các
tạo, được đưa ra trong Phần 5.1. Tiếp theo, một thiết kế
tham số có sẵn. Để đi đến một
của thí nghiệm được trình bày ở phần 5.2 để phân tích
lựa chọn chính xác cho các tham số này, Thiết kế thí nghiệm
ảnh hưởng của một số thông số đến chất lượng của
(DoE) đã được thực hiện. Trong DoE, nhiều giá trị của
giải pháp. Cuối cùng, Phần 5.3 trình bày kết quả của một phương pháp hỗn hợp
mỗi tham số được kiểm tra để đánh giá chúng
Chương trình tuyến tính số nguyên và GA được đề xuất, cũng như
ảnh hưởng đến kết quả. Trong trường hợp này, hai giá trị cho mỗi
phân tích trên các trường hợp điểm chuẩn được tạo ra.
tham số được chọn, giá trị giới hạn dưới và giới hạn trên.

Giá trị của mỗi thông số được chọn thông qua

5.1. Cài đặt thử nghiệm đoán có giáo dục và có thể được nhìn thấy trong Bảng 2.

Một thiết kế giai thừa hai yếu tố được thực hiện, với
Như đã nêu trước đây, không có nghiên cứu nào khác xem xét tất cả các
bổ sung 17 điểm trung tâm để kiểm tra độ cong có thể có. Điều
do những hạn chế được đề cập trong bài viết này, không có tiêu
này dẫn đến tổng cộng 26 + 17 = 81 lần chạy. Stat Graphics18
chuẩn chuẩn nào có sẵn để thử nghiệm. Tuy nhiên, trong
được sử dụng để tạo ra thiết kế thử nghiệm và
Để cho thấy tính hiệu quả của thuật toán này, mới
để phân tích kết quả. Mỗi lần chạy lấy 10 mẫu.
trường hợp điểm chuẩn được đề xuất2. Các điểm chuẩn
Một trường hợp thử nghiệm được tạo bao gồm 90 nhiệm vụ và 1000
là sự kết hợp của nhiều vấn đề điểm chuẩn khác nhau thu được
mô hình, lấy từ ví dụ thực tế tại xe VDL Ned. Điều này đảm bảo
từ https://assembly-line-balancing.de/. kết quả tương tự như thế giới thực
Các trường hợp thử nghiệm mới được tạo ra chỉ bỏ qua mọi hạn
tuy nhiên sẽ làm giảm thời gian tính toán.
chế gán nhưng chứa tất cả các ràng buộc còn lại như
Hình 7 cho thấy sơ đồ các hiệu ứng chính cho mỗi trong số sáu
được mô tả trước đây trong Phần 7.
thông số. Một đường được vẽ từ giới hạn dưới tới
GA đề xuất được triển khai trên Matlab và được thử nghiệm
giới hạn trên (trái sang phải), tương ứng với hiệu ứng
trên 259 trường hợp khác nhau, mỗi trường hợp có số lượng khác nhau
của sự ràng buộc. Mục tiêu là tối thiểu hóa hàm chi phí
nhiệm vụ, thời gian thực hiện, số lượng mô hình và mức độ ưu tiên
(thể lực), tương ứng với điểm thấp nhất trên
quan hệ. Để tăng tốc GA, một số tiêu chí quốc gia kết thúc sớm
đường kẻ. Dòng càng dài thì một tham số nhất định càng có tác
được thực hiện. Đầu tiên, nếu sau khi đột biến
dụng nhiều hơn. Ngoài ra, độ dốc của đường càng dốc thì
và lai ghép, chỉ còn lại ít hơn 6 cá thể duy nhất trong
mức độ ảnh hưởng chính càng lớn. Độ dốc âm
dân số, hoặc nếu sau 20 thế hệ giá trị thích hợp
liên quan đến kết quả tốt hơn với giá trị tham số cao hơn. Rõ
của cá nhân tốt nhất không thay đổi, mô phỏng là
ràng là η có ảnh hưởng lớn nhất đến
chấm dứt. Ngoài ra, GA cũng bị chấm dứt sau
kết quả.
900 giây. Không có giới hạn nào được đặt ra về số lượng thế hệ,
Ý nghĩa của các tác động chính cũng phải được kiểm tra,
vì thử nghiệm ban đầu cho thấy trong một số trường hợp, do
điều này được thể hiện bằng biểu đồ Pareto trong Hình 8. Ở đây
cân bằng đường ngang, giá trị thể lực vẫn có thể
hiệu ứng tiêu chuẩn được thể hiện của các thông số chính
giảm bớt. Đối với mọi vấn đề, giới hạn dưới lý thuyết của
cũng như sự tương tác hai yếu tố giữa các thông số. Đường thẳng
số lượng toán tử được đề xuất trong Didden (2020) là
đứng màu xanh tượng trưng cho ý nghĩa
đưa ra để so sánh.
mức độ. Có thể thấy rằng hiệu suất ngưỡng (η)
Cuối cùng, để phân tích kết quả, nhiều thước đo trên mỗi

biểu mẫu được đưa ra. Các biện pháp quan trọng nhất cần xem xét Bảng 2. Bảng hiển thị các giá trị giới hạn dưới và giới hạn trên của

là hiệu quả của các tham số của GA cho DoE.

cân bằng dòng, chỉ số độ mịn và giới hạn dưới. Tham số Chặn dưới Giới hạn trên Giá trị tối ưu

Hiệu suất tổng thể của dây chuyền là mức trung bình của từng cá nhân 0,1 0,9 0,9
0,1 0,9 0,9
hiệu quả của tất cả các nhà khai thác, nói cách khác:
chiều pc #gen 10 100 100

1 N 10 100 100

h = ηt 0,1 0,75 0,8

ồ, ồ,
Tổng tự động pt 0,05 0,2 0,2
w W o Ow
Machine Translated by Google
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 13

Hình 7. Biểu đồ tác động chính của các tham số của GA.

với giới hạn thời gian nhất định là 7200 giây. Kết quả cho bốn

của các trường hợp thử nghiệm có thể được xem trong Bảng 3. Chỉ có một thử nghiệm duy nhất

trường hợp có thể được giải quyết một cách tối ưu trong thời hạn nhất định,
trong khi hai cái khác chứa nhiều máy trạm hơn và

các toán tử để nối thêm các tác vụ vào, không thể giải quyết được trong vòng

thời hạn nhất định. Trường hợp thứ tư có 31

các tác vụ nhận được lỗi hết bộ nhớ. Do đó nó có thể được

đã kết luận rằng MILP không thể được sử dụng cho các trường hợp thử nghiệm thực tế.

Kết quả của GA cho tất cả các phiên bản chuẩn

có thể được tìm thấy trong các tài liệu bổ sung. Nó có thể

thấy rằng trong hầu hết các trường hợp, GA có thể đạt được kết quả
Hình 8. Biểu đồ hiệu ứng được chuẩn hóa cho các thông số của
GA. tương đối gần với giới hạn dưới lý thuyết. Thậm chí

mặc dù giới hạn dưới không cung cấp thông tin chính xác
và xác suất chéo (pc) có tác động đáng kể. tối ưu (trong một số trường hợp nó gần hơn so với những trường hợp
Cuối cùng, giá trị tối ưu cho mỗi tham số có thể là khác), vẫn có thể rút ra một số kết luận. Trong trường hợp

quyết định trong StatGraphics18, kết quả này được thể hiện trong Bảng 2.
thời gian thực hiện nhiệm vụ trung bình tương đối nhỏ so với takt

thời gian (ví dụ xem thông số của testcase kilbridc = 110 trong phần

kết quả file3), nghiệm nhanh chóng hội tụ về phía dưới

5.3. Kết quả thực nghiệm
ràng buộc. Thuật toán có thể tìm ra nhiều giải pháp
Trong phụ lục trực tuyến, Chương trình tuyến tính số nguyên hỗn hợp đạt đến giới hạn dưới về số lượng người vận hành. Sự khác biệt duy
(MILP) được đưa ra cho mô hình được mô tả trong phần này. nhất giữa các giải pháp được tìm thấy
Một số trường hợp điểm chuẩn nhỏ hơn đã được chọn
là chỉ số độ mịn. Tuy nhiên, với các ràng buộc về độ ưu tiên chặt chẽ,
để kiểm tra MILP. Ở mức độ này, MILP đã được triển khai bằng Python, thuật toán vẫn nhanh chóng hội tụ về
sử dụng IBM ILOG CPLEX làm bộ giải, một mức tối thiểu.

Bảng 3. So sánh kết quả của mô hình MILP và GA đề xuất cho các trường hợp thử nghiệm nhỏ.

Cài đặt phiên bản Kết quả MILP Kết quả thuật toán

Số của Số của Tỷ lệ Số của Số của Số của Số của CPU

Ví dụ Nhiệm vụ Người mẫu Thời gian
Toán tử Khoảng cách thời gian CPU mục tiêu của máy trạm Toán tử Mục tiêu máy trạm Thời gian

Mertens 11 2 18 2 211.775 1181 2 211.775 16:25

Mertens 11 2 18 4 1 433.325 7200 0 4 1 433.19 16.2
Jackson 13 2 18 3 3 3 335.147 7200 35 33 3 3 322.525 1.2
31 25 – – – < 7200 – 655.088 14.2
Rosie 3 6 2 5
Machine Translated by Google
14 JBHC DIDDEN VÀ cộng sự.

Hình 9. Phân tích các trường hợp chuẩn khác nhau.

Về kết quả của các trường hợp chuẩn, có thể đưa ra một số có nhiều điểm tương đồng về số lượng công việc, mô hình và độ

quan sát thú vị. Đầu tiên, thời gian thực hiện nhiệm vụ tương mạnh thứ tự của biểu đồ độ ưu tiên (tức là độ mạnh thứ tự
đối, biểu thị tỷ lệ giữa thời gian thực hiện nhiệm vụ trung (OS)). Tuy nhiên, thời gian tác vụ tương đối là khác nhau,

bình của tất cả các mô hình và thời gian takt, có ảnh hưởng đối với thời gian tác vụ tương đối thấp hơn, dự kiến thời gian

rõ rệt đến chất lượng của giải pháp. Như có thể thấy trong CPU sẽ tăng lên khi không gian giải pháp trở nên lớn hơn (tức

Hình 9, thông thường nếu takt time tăng lên và tất cả các tham là sẽ có nhiều tác vụ hơn phù hợp với thời gian của người vận hành).

số khác được giữ nguyên thì sẽ xuất hiện mối quan hệ tuyến Tuy nhiên, nguyên nhân tiềm ẩn của việc tăng thời gian CPU là

tính giữa các hàm mục tiêu và thời gian nhiệm vụ tương đối. phạm vi thời gian thiết lập tiến và lùi. Phạm vi về thời gian

Tuy nhiên, trong trường hợp của wee mag, một xu hướng khác thiết lập tiến và lùi cho các phiên bản Arc83 nhỏ hơn nhiều

lại được nhìn thấy. Thời gian thực hiện tác vụ tương đối ở so với Tonge70. Điều này có thể làm giảm không gian giải pháp;

đây cao trong hầu hết các trường hợp (> 0,5), nghĩa là thường mặc dù hệ điều hành của các biểu đồ ưu tiên tương đối giống

chỉ một tác vụ duy nhất có thể phù hợp trên một máy trạm. Do nhau, nhưng nếu phạm vi thời gian thiết lập lớn thì việc chọn

đó, việc tăng thời gian takt không mang lại mối quan hệ tuyến cân bằng dòng khác có thể dẫn đến tổng thời gian thiết lập

tính như nhau. Có thể thấy sự sụt giảm đáng kể về các giá trị trong dòng tăng mạnh. Vì tổng thời gian thiết lập không mong

mục tiêu giữa T = 52 và T = 54. Tại thời điểm này, số lượng muốn nên không gian giải pháp sẽ bị hạn chế.

nhiệm vụ tương đối phù hợp với thời gian takt của một người

vận hành tăng từ 2 lên 3, cho phép tìm thấy nhiều biến đổi

hơn trong không gian giải pháp. Vì vậy, tốt hơn là giữ tỷ lệ
tương đối giữa thời gian thực hiện nhiệm vụ và thời gian takt
6. Nghiên cứu trường hợp
càng thấp càng tốt.
Quan sát thứ hai có thể được đưa ra là thời gian của CPU
Trong phần này, kết quả của một nghiên cứu điển hình được mô
không nhất thiết phụ thuộc vào số lượng công việc hoặc số
tả diễn ra tại VDL Nedcar. Toàn bộ dây chuyền lắp ráp tại VDL
lượng mô hình trên dây chuyền lắp ráp. Nedcar được chia thành nhiều khu vực nhỏ hơn, mỗi khu vực
So sánh các phiên bản điểm chuẩn Arc83 và Tonge70,
chịu trách nhiệm về các quy trình lắp ráp khác nhau.
Machine Translated by Google
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 15

Đối với nghiên cứu điển hình này, một phần của dây chuyền lắp tuyến trong một khung thời gian hợp lý. Theo quan sát ở Phần

ráp đã được sử dụng để phân tích và áp dụng GA đã phát triển. 5, số lượng nhiệm vụ cần giảm đủ, đồng thời vẫn giữ tỷ lệ giữa

Phần này của dây chuyền lắp ráp được gọi là ALX trong suốt thời gian xử lý trung bình của các nhiệm vụ và thời gian takt
phần còn lại của phần này. Mục 6.1 mô tả hợp lý (ví dụ theo kết quả trình bày ở Phần 5 thì tỷ lệ này

phương pháp được sử dụng để thu thập và sắp xếp dữ liệu làm phải thấp hơn 3).

đầu vào cho DSS được mô tả. Phần 6.2 trình bày phân tích GA

trên một trong các dây chuyền lắp ráp tại VDL Nedcar. Quan hệ ưu tiên không có sẵn trực tiếp. Lý do cho điều này

là việc cân bằng dây chuyền lắp ráp được thực hiện bằng tay.

Kỹ sư chịu trách nhiệm thường biết thứ tự các nhiệm vụ phải

6.1. Thu thập dữ liệu
được thực hiện, tuy nhiên, mối quan hệ chính xác không bao

Để triển khai cân bằng dây chuyền tự động tại xe Ned, dữ liệu giờ được viết ra. Nguyên tắc tương tự cũng áp dụng cho thời

chính xác cần được thu thập, phân tích và điều chỉnh để phù gian thiết lập. Những thứ này sẽ được thêm vào sau trong cân

hợp với mô hình được mô tả trước đó. Các dữ liệu chính cần nếu thấy rõ rằng người vận hành phải đảm bảo khoảng cách xa
thiết như sau: hơn giữa các nhiệm vụ. Hơn nữa, để giảm số lượng nhiệm vụ,

một số gói nhiệm vụ nhất định được tạo ra, bao gồm các nhiệm

• Danh sách các nhiệm vụ với thời gian nhiệm vụ vụ có mối quan hệ ưu tiên trực tiếp giữa chúng (tức là các

tương ứng • Danh sách các vị trí lắp có nhiệm vụ phải được thực hiện theo một thứ tự cụ thể). Đối với
sẵn • Mối quan hệ ưu tiên giữa các nhiệm các mô hình, quy trình tương tự được thực hiện. Các biến thể

vụ • Danh sách các biến thể và nhu cầu tương ứng của của mô hình được tạo dựa trên các nhiệm vụ phải thực hiện trên

chúng • Thời gian thiết lập tiến và lùi • chúng, thay vì các tùy chọn mà chúng chứa (tức là các biến
Takt Time thể được tạo có liên quan đến một phần nhất định của dây
chuyền). Điều này giúp giảm 90% số lượng mẫu trong dây chuyền.

Ngoài ra, một số ràng buộc bổ sung có thể cần được thêm Phương pháp thu thập cả hai loại dữ liệu được giải thích chi

vào mô hình tùy thuộc vào phần dây chuyền lắp ráp đang được tiết hơn trong Didden (2020).

cân bằng. Mỗi dây chuyền lắp ráp là duy nhất, ví dụ: một số

dây chuyền có các nhiệm vụ phải được thực hiện trên một máy Cuối cùng, thời gian thiết lập tiến và lùi phải được tính

trạm cụ thể do hạn chế về thiết bị hoặc vật liệu và các nhiệm toán. Điều này được thực hiện bằng cách xác định các thiết

vụ khác có thể yêu cầu hai người vận hành làm việc đồng thời lập giữa các vị trí lắp đặt, thay vì xác định chúng cho từng

trên cùng một nhiệm vụ. Một bước quan trọng cần thực hiện là cặp nhiệm vụ riêng lẻ, vì điều này đòi hỏi lượng thông tin cần

phân tích kỹ lưỡng dây chuyền lắp ráp và lưu ý các ràng buộc thiết cao nhưng không có sẵn. Mỗi gói nhiệm vụ được chỉ định

đặc biệt. Tuy nhiên, cần lưu ý rằng không nên tuân thủ nghiêm một vị trí lắp đặt duy nhất, theo các vị trí được nêu trong
ngặt từng ràng buộc bổ sung vì điều này có thể làm giảm mức Hình 10. Một số nhiệm vụ riêng lẻ đã có thời gian thiết lập

độ tự do trong cân bằng dòng cuối cùng. Ví dụ: một nhiệm vụ (tức là thời gian cần thiết để đi bộ để lấy thiết bị/vật liệu

có thể yêu cầu một thiết bị cụ thể chỉ có ở một trạm làm việc hoặc đi bộ đến phương tiện). Vì trường hợp này xảy ra và vì

duy nhất, do đó có thể thêm một ràng buộc để khắc phục nhiệm khó tìm thấy thời gian chính xác đã được thêm vào nên người

vụ cụ thể này cho trạm làm việc đó. Tuy nhiên, việc giảm chi ta đã quyết định thêm một lượng nhỏ thời gian thiết lập tiến

phí của dây chuyền cân bằng mới có thể lớn hơn chi phí di và lùi để không thêm nhiều thời gian thiết lập hơn mức xảy

chuyển thiết bị. Điều này chỉ trở nên rõ ràng nếu số dư ban ra. Tương tự, điều này phù hợp với phân tích trong Phần 5.

đầu được thực hiện với ít ràng buộc bổ sung nhất. Giữ thời gian thiết lập chuyển tiếp trong phạm vi nhỏ hơn,

trong khi vẫn khả thi, sẽ làm tăng không gian giải pháp. Thời

gian tiêu chuẩn giữa

Nghiên cứu điển hình này xem xét một dây chuyền lắp ráp

duy nhất tại VDL Nedcar, được gọi là ALX. Phân tích dữ liệu
ban đầu cho thấy ALX chứa khoảng 1000 tác vụ

phải được xử lý. Xem xét số lượng tùy chọn được cài đặt trên

dây chuyền lắp ráp, tổng số lượng biến thể được giới hạn bởi

O(104) (không biết con số chính xác vì không phải tất cả các

kết hợp tùy chọn đều có thể tồn tại). Rõ ràng là số lượng biến

thể nhanh chóng vượt quá số lượng nhiệm vụ, vì số lượng biến
thể tăng theo cấp số nhân với số lượng tùy chọn ngày càng

tăng. Do đó, cả số lượng nhiệm vụ và biến thể đều phải giảm đi

một cách hợp lý để cân bằng giữa Hình 10. Các vị trí lắp có sẵn cho mỗi gói nhiệm vụ.
Machine Translated by Google
16 JBHC DIDDEN VÀ cộng sự.

vị trí lắp được thêm vào cho cả thời gian thiết lập tiến và lùi.

Điều này cũng bao gồm vị trí lắp đặt bổ sung 12 không có trong Hình

10.

Vị trí lắp đặt này là quá trình lắp ráp trước ngoại tuyến, thường

được thực hiện ở bên cạnh dây chuyền lắp ráp.

6.2. Trường hợp thử nghiệm

Tham số duy nhất được thay đổi từ kết quả DoE là số lượng thế hệ.

Trong quá trình thử nghiệm, rõ ràng là chức năng thích nghi vẫn

giảm sau 100 thế hệ, do tham số cân bằng theo chiều ngang. Do đó,

nó được chọn để hoán đổi giới hạn về số lượng thế hệ theo một thời

hạn. Giới hạn này được đặt thành 7200 giây vì việc tìm ra giải pháp

tốt hơn quan trọng hơn việc tìm ra giải pháp nhanh chóng. Các cài

đặt khác của GA là các giới hạn trên được tìm thấy trong Bảng 2, bao

gồm thời gian takt tối đa Tmax = 1,3T .

Hình 12. Phân bổ thời gian của trạm trên tất cả các nhà khai thác đối
với cân bằng tuyến mới.

Cuối cùng, cách tính giới hạn dưới, như có thể tìm thấy trong Didden

(2020), mang lại hiệu suất đường truyền tối đa có thể là 95%.

với sự cân bằng đường truyền mới, đối với tất cả các nhà khai thác,

Tiếp theo, thuật toán được thử nghiệm trên trường hợp thử nghiệm thực tải trung bình của trạm đã giảm đáng kể. Hình 12 cho thấy, với cân
tế tại VDL Nedcar. Sự cân bằng dòng hiện tại có thể được nhìn thấy trong bằng dây chuyền mới, có thể giảm thời gian takt mà không cần phải

Hình 11, trong khi có thể thấy sự cân bằng dòng mới do GA tạo ra cân bằng lại dây chuyền. Tuy nhiên, điều này phải trả giá bằng việc

trong Hình 12. Nhìn chung, hiệu suất của dây chuyền4 đã tăng đáng cần phải tăng tải tối đa cho phép của trạm để đáp ứng tất cả các

kể4, với cả hai người vận hành ít hơn ràng buộc. Thời gian takt có thể giảm khoảng 9%, với điều kiện là

và các máy trạm được sử dụng. Chỉ số độ mịn đã được thời gian takt tối đa cho phép tăng lên 1,5T . Điều này có thể trực

giảm từ 10733 xuống 3498, do đó dẫn đến tải trạm đồng đều hơn trong tiếp giúp khắc phục bất kỳ sai lệch nhỏ nào về nhu cầu có thể xuất

toàn bộ dây chuyền lắp ráp, có thể thấy trong Hình 12. Tải trạm tối hiện mà không cần phải cân bằng lại các điều chỉnh trong dây chuyền.

đa đã giảm từ 205% xuống 128%, đạt giá trị mong muốn là 130%.

Với sự cân bằng dòng mới, một số hiểu biết sâu sắc về mặt quản Hơn nữa, dữ liệu cho thấy rằng các vị trí lắp đặt do công ty

lý có thể được hình thành. Một quan sát đầu tiên có thể được thực hiện cung cấp là quá lớn. Do hạn chế là chỉ có một người vận hành duy

nhất có thể được đưa vào vị trí lắp đặt tại bất kỳ thời điểm nào,

điều này sẽ làm tăng đáng kể số lượng người vận hành và số lượng

trạm làm việc cần thiết. Điều này dẫn đến việc đạt được một giải

pháp không khả thi. Để đi đến giải pháp khả thi dựa trên dữ liệu đầu
vào, người ta đã quyết định nới lỏng ràng buộc và cho phép hai người

vận hành có mặt trong một vị trí lắp đặt.

Cuối cùng, Hình 12 vẫn thường cho thấy thời gian dừng ở trạm của

một số nhà khai thác vẫn giảm mạnh. Điều này có nhiều nguyên nhân.

Đầu tiên, một số mô hình có nhiều việc làm hơn đáng kể so với các

mô hình khác. Mặc dù nhu cầu về các mô hình này thấp nhưng nó vẫn
gây ra sự mất cân bằng trong hệ thống khó giải quyết. Thứ hai, các

hạn chế về chuyển nhượng cũng có thể khiến một số nhà khai thác

nhất định không được sử dụng đầy đủ. Vì một số nhiệm vụ được cố định

vào một máy trạm hoặc phải được thực hiện với nhiều người vận hành

cùng một lúc nên số lượng công việc có thể được giao của người vận

Hình 11. Phân bổ thời gian của trạm trên tất cả các nhà khai thác đối hành sẽ giảm đi. Những công việc sẽ được bố trí sau khi được phân
với cân bằng dòng hiện tại.
công
Machine Translated by Google
các công việc bị hạn chế có thể quá lớn để phù hợp, khiến người vận
hành không được sử dụng đầy đủ. Cuối cùng, có thể thấy sự sụt giảm
lớn về thời gian ở trạm của người điều hành cuối cùng. Điều này cho
thấy những cải tiến tiềm năng có thể được thực hiện trong dây
chuyền, vì có thể phân bổ nhiều nhiệm vụ hơn cho dây chuyền đó để
tận dụng tối đa người vận hành cuối cùng, nâng cao hơn nữa hiệu quả
tổng thể của dây chuyền lắp ráp.
7. Kết luận và hướng nghiên cứu tiếp theo
Bài viết này nghiên cứu các vấn đề về cân bằng dây chuyền lắp ráp
với việc bổ sung các mô hình hỗn hợp, thời gian thiết lập phụ thuộc
vào trình tự, phân vùng và nhiều ràng buộc phân công. Vấn đề này chủ
yếu xuất phát từ thực trạng hiện tại tại VDL Nedcar. So với các
nghiên cứu trước đây, điểm mới chính trong vấn đề này nằm ở việc
sử dụng ràng buộc thời gian chu kỳ tỷ lệ, người vận hành được phép
vượt quá thời gian takt đến một mức độ nhất định, miễn là trung bình
(theo nhu cầu của từng mô hình). ) thời gian takt được đáp ứng. Hơn
nữa, một hàm mục tiêu bổ sung về cân bằng theo chiều ngang được bổ
sung trong mô hình đề xuất. Ở mức độ này, GA đã được phát triển để
tìm ra các giải pháp chất lượng tốt hơn trong khoảng thời gian ngắn
hơn so với các quy trình cân bằng dòng thủ công hiện tại.
Các kết quả thử nghiệm cho thấy nhiều điều có thể được sử dụng
trong thực tế nhằm nâng cao chất lượng và hiệu quả của các dây
chuyền cân hiện có. Đầu tiên, quy mô công việc (tức là thời gian xử
lý) nên được giữ ở mức tương đối nhỏ so với takt time, ví dụ dưới 3,
để có thể khám phá thêm các giải pháp liên quan đến cân bằng dây
chuyền. Thứ hai, thời gian thiết lập cũng có tác động tiêu cực đến
không gian giải pháp. Nếu phạm vi thời gian thiết lập lớn thì các
ràng buộc ưu tiên gián tiếp sẽ được tạo ra vì thời gian thiết lập
lớn là không mong muốn. Sẽ có lợi cho các công ty khi tìm cách giảm
thời gian thiết lập giữa các công việc khác nhau.
Những quan sát này cũng có thể hỗ trợ quá trình thu thập dữ liệu,
vì việc giảm số lượng nhiệm vụ và mô hình được xem xét trong quá
trình cân bằng sẽ giảm thời gian tính toán, cho phép người quản lý
khám phá nhiều lựa chọn hơn.
Nghiên cứu tính toán trên dây chuyền lắp ráp thực tế tại VDL
Nedcar cho thấy GA rõ ràng vượt trội hơn phương pháp cân bằng dòng
điện về hiệu suất, độ mượt (tức là độ lệch về thời gian trạm) và
thời gian tính toán. Đáng chú ý nhất là việc giảm chỉ số độ trơn
tru theo hệ số ba, liên quan trực tiếp đến việc giảm thời gian nhàn
rỗi giữa các nhà khai thác và do đó cũng giảm số lần dừng đường dây.
Ngoài ra, sự cân bằng dòng mới cũng cho phép giải quyết nhanh chóng
những sai lệch nhỏ về thời gian takt.
Hơn nữa, nghiên cứu điển hình cũng chỉ ra rằng nên giảm kích
thước của các vị trí lắp đặt để có thể đưa ra các giải pháp khả
thi. Ngoài ra, cách thức hạn chế chuyển nhượng
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 17
bộ cần được xem xét kỹ lưỡng. Những hạn chế nghiêm ngặt trong việc
phân công nhiệm vụ có thể ảnh hưởng đến sự cân bằng của dây chuyền,
làm giảm độ trơn tru và cần nhiều người vận hành hơn. Mô hình này
cũng cho thấy tiềm năng được tích hợp trong một nhà máy lắp ráp
ngoài đời thực. Hiện tại, VDL Nedcar đang nghiên cứu triển khai mô
hình này như một Hệ thống hỗ trợ quyết định để tự động hóa một phần
quy trình cân bằng dây chuyền. Ngoài ra, những hiểu biết sâu sắc
thu được từ việc thu thập dữ liệu cũng tỏ ra hữu ích trong việc
thiết lập môi trường để tích hợp các loại mô hình này trong môi
trường công nghiệp.
Các hướng nghiên cứu thú vị trong tương lai bao gồm tăng cường
chất kết dính cho thuật toán đề xuất, với các toán tử đột biến và
chéo phức tạp hơn để cải thiện chất lượng giải pháp hơn nữa, kết
hợp cân bằng với bài toán giải trình tự dây chuyền lắp ráp để đánh
giá thêm tác động của việc cân bằng dây chuyền và cuối cùng là thực
hiện kết quả là một mô hình mô phỏng hoạt động như một bản song sinh
kỹ thuật số cho dây chuyền lắp ráp.
8. Tuyên bố về tính sẵn có của dữ liệu
Dữ liệu hỗ trợ cho kết quả của nghiên cứu này có sẵn trên GitHub
tại https://github.com/JDidden789/Line Balancing-Instances.git. Dữ
liệu này được lấy từ các tài nguyên sau có sẵn trong phạm vi công
cộng: https://assembly-line-balancing.de/. Dữ liệu liên quan đến
nghiên cứu điển hình không có sẵn vì những người tham gia nghiên cứu
này không đồng ý chia sẻ dữ liệu của họ do tính bảo mật.
Ghi chú
1. Một số bài viết được đề cập trong tổng quan tài liệu đã được
bỏ qua
2. Bạn có thể tìm thấy những trường hợp này tại https://github.com/
JDidde n789/Line-Balancing-
Instances.git 3. Có thể tìm thấy tệp kết quả tại https://github.com/JDidden
789/Cân bằng dòng-Instances.git
4. Mức tăng thực tế không thể được nêu rõ do tính bảo mật
Tuyên bố công khai
Không có xung đột lợi ích tiềm ẩn nào được báo cáo bởi (các) tác giả.
Ghi chú về người đóng góp
JBHC Didden là nghiên cứu sinh Tiến sĩ trong
lĩnh vực Vận hành, Lập kế hoạch, Kế toán và
Kiểm soát, Khoa Khoa học Đổi mới và Kỹ thuật
Thử nghiệm Công nghiệp tại Đại học Công nghệ
Eindhoven (TU/e). Nghiên cứu hiện tại của
anh tập trung vào việc ứng dụng Hệ thống
Multi-Agent để giải quyết các vấn đề lập kế
hoạch phức tạp trong môi trường sản xuất High-
Mix-Low-Volume.
Machine Translated by Google
18 JBHC DIDDEN VÀ cộng sự.
E. Lefeber nhận bằng ThS. bằng cấp về
toán ứng dụng và bằng tiến sĩ. bằng cấp
trong chủ đề điều khiển theo dõi các hệ thống
cơ học phi tuyến tính của Đại học Twente,
Enschede, The Nether Lands, lần lượt vào năm
1996 và 2000. Từ
Năm 2000, ông là Phó giáo sư
với Khoa Kỹ thuật Cơ khí, Đại học Công nghệ
Eindhoven, Eindhoven, The
Hà Lan, nơi ông tham gia mô hình hóa và điều khiển các hệ thống sản
xuất từ năm 2000 đến năm 2015, sau đó
ông gia nhập Nhóm Động lực và Điều khiển vào năm 2015. Mối quan tâm
nghiên cứu hiện tại của ông bao gồm lý thuyết điều khiển phi tuyến, trong
đặc biệt là việc kiểm soát máy bay không người lái và kiểm soát trung đội
xe cộ.
IJBF Adan là Giáo sư tại
Khoa Kỹ thuật Công nghiệp
Đại học Công nghệ Eindhoven. Mối quan tâm
nghiên cứu hiện tại của ông là về
mô hình hóa và thiết kế các hệ thống sản
xuất, hệ thống kho bãi và
hệ thống giao thông vận tải, và cụ thể hơn,
trong việc phân tích đa chiều
Mô hình xử lý và xếp hàng Markov.
IWF Panhuijzen giữ chức năng
Giám đốc chương trình tại VDL Nedcar. Anh ấy có
bằng Cử nhân và Thạc sĩ Kỹ sư Cơ khí, chuyên
ngành Mạng Sản xuất, từ Đại học Eindhoven
thuộc về Công nghệ.
ORCID
IJBF Adan http://orcid.org/0000-0002-4493-6367
Người giới thiệu
Alavidoost, MH, MH Fazel Zarandi, Mosahar Tarimoradi,
và Yaser Nemati. 2017. “Thuật toán di truyền đã sửa đổi cho
Cân bằng dây chuyền lắp ráp thẳng và hình chữ U đơn giản với
Thời gian xử lý mờ.” Tạp chí Sản xuất Thông minh 28 (2): 313–336.
http://dx.doi.org/10.1007/s10845-014-
0978-4
Alghazi, Anas và Mary E. Kurz. 2018. “Dòng mô hình hỗn hợp
Cân bằng với các trạm song song, các hạn chế về phân vùng và
Công thái học.” Ràng buộc 23 (1): 123–153.
Andrés, Carlos, Crisóbal Miralles và Mục sư Rafael. 2008
“Cân bằng và lập kế hoạch nhiệm vụ trong dây chuyền lắp ráp song song
với Thời gian thiết lập phụ thuộc vào trình tự.” Tạp chí Châu Âu
của Nghiên cứu Hoạt động 213: 81–96.
Aydoğan, Emel Kızılkaya, Yılmaz Delice, Uğur Özcan, Cevriye
Gencer và Özkan Bali. 2019. “Cân bằng đường chữ U ngẫu nhiên
Sử dụng tối ưu hóa nhóm hạt. Tạp chí thông minh
Sản xuất 30 (1): 97–111.
Becker, Christian và Armin Scholl. 2009. “Cân bằng dây chuyền lắp
ráp với nơi làm việc song song có thể thay đổi: Vấn đề
Định nghĩa và quy trình giải pháp hiệu quả.” Châu Âu
Tạp chí Nghiên cứu Hoạt động 199 (2): 359–374. http://dx.
doi.org/10.1016/j.ejor.2008.11.051
Boysen, Nils, Malte Fliedner và Armin Scholl. 2007. “Phân loại các
vấn đề cân bằng dây chuyền lắp ráp.” Châu Âu
Tạp chí Nghiên cứu Hoạt động 183 (2): 674–693.
Delice, Yilmaz. 2019. “Phương pháp tiếp cận thuật toán di truyền để
cân bằng dây chuyền lắp ráp hai mặt với các thiết lập.” Cuộc họp
Tự động hóa 39: 827–839.
Didden, Jeroen BHC 2020. “Tự động cân bằng và
Trình tự dây chuyền lắp ráp tại một nhà máy sản xuất ô tô.” Thạc
sĩ, Đại học Kỹ thuật Eindhoven.
https://research.tue.nl/en/studentHeres/automating-balanc
sắp xếp và sắp xếp các dây chuyền lắp ráp trong một chiếc ô tô.
Emde, Simon, Nils Boysen và Armin Scholl. 2010. “Cân bằng
Dây chuyền lắp ráp mô hình hỗn hợp: Đánh giá tính toán
mục tiêu nhằm giảm bớt khối lượng công việc.” Tạp chí quốc tế
của Nghiên cứu Sản xuất 48 (11): 3173–3191.
Ferrari, Emilio, Maurizio Faccio, Mauro Gamberi, Silvia
Margelli và Francesco Pilati. 2019. “Đồng bộ hóa dây chuyền lắp
ráp nhiều người với các vị trí lắp đặt tương thích, chia sẻ thiết
bị và hợp tác giữa người lao động.” Tài liệu IFACOnLine 52 (13):
1502–1507. https://doi.org/10.1016/j.
ifacol.2019.11.412
Ford, Henry và Samuel Crowther. 1922. Cuộc sống và công việc của tôi.
New York: Ngày đôi.
Hamta, Nima, SMT Fatemi Ghomi, F. Jolai và M. Akbar đổ Shirazi.
2013. “Thuật toán PSO lai cho bài toán cân bằng dây chuyền lắp
ráp đa mục tiêu với linh hoạt
Thời gian vận hành, Thời gian thiết lập phụ thuộc vào trình tự và
Hiệu quả học tập.” Tạp chí Quốc tế Kinh tế Sản xuất141 (1): 99–
111. http://dx.doi.org/10.1016/j.ijpe.2012
.03.013
İlker, Baybars. 1986. “Khảo sát các thuật toán chính xác cho bài
toán cân bằng dây chuyền lắp ráp đơn giản.” Khoa học quản lý
32 (8): 909–932. http://pubsonline.informs.org/doi/abs/10.
1287/mnsc.32.8.909.
Kim, Yeo Keun, Yeongho Kim và Yong Ju Kim. 2000
“Cân bằng dây chuyền lắp ráp hai mặt: Một thuật toán di truyền
Tiếp cận." Lập kế hoạch và kiểm soát sản xuất 11 (1): 44–53.
Lopes, Thiago Cantos, Giuliano Vidal Pastre, Adalberto Sato
Michels và Leandro Magatão. 2020. “Vấn đề cân bằng dây chuyền
lắp ráp đa người lái linh hoạt: Mô hình, quy trình suy nghiệm và
giới hạn dưới để giảm thiểu độ dài dây chuyền.” Omega (Vương
quốc Anh) 95: 102063. https://doi.org/
10.1016/j.omega.2019.04.006
Naderi, Bahman, Ahmed Azab và Katayoun Borooshan.
2019. “Mô hình hỗn hợp năm mặt nhiều người thực tế
Vấn đề cân bằng dây chuyền lắp ráp và lập kế hoạch với
Di chuyển công nhân và không gian làm việc hạn chế.” Quốc tế
Tạp chí Nghiên cứu Sản xuất 57 (3): 643–661.
Roshani, Abdolreza và Davide Giglio. 2017. “Mô phỏng
Thuật toán ủ cho hội đồng nhiều người
Vấn đề cân bằng dòng: Giảm thiểu thời gian chu kỳ.” Tạp chí
Nghiên cứu Sản xuất Quốc tế 55 (10): 2731–2751.
http://dx.doi.org/10.1080/00207543.2016.1181286
Salveson, ME 1955. “Vấn đề cân bằng dây chuyền lắp ráp.”
Tạp chí Kỹ thuật Công nghiệp,6 (3): 18–25.
Scholl, Armin, Nils Boysen và Malte Fliedner. 2013. “Các
Vấn đề cân bằng dây chuyền lắp ráp và lập kế hoạch với
Thời gian thiết lập phụ thuộc vào trình tự: Gia hạn sự cố,
Xây dựng mô hình và phương pháp chẩn đoán hiệu quả.” HOẶC Quang phổ
35 (1): 291–320.
Machine Translated by Google
Sternatz, Johannes. 2014. “Phương pháp Heuris Multi-Hoffmann nâng
cao để giải quyết hiệu quả các vấn đề cân bằng dây chuyền lắp ráp
trong thế giới thực trong ngành công nghiệp ô tô.” Tạp chí châu Âu của
Nghiên cứu Hoạt động 235 (3): 740–754. http://dx.doi.org/10.
1016/j.ejor.2013.11.005
Tang, Qiuhua, Zixiang Li, Li Ping Zhang và Chaoyong Zhang.
2017. “Cân bằng dây chuyền lắp ráp hai mặt ngẫu nhiên
với nhiều ràng buộc khi sử dụng thuật toán tối ưu hóa dựa trên
dạy-học kết hợp.” Máy tính và hoạt động
Nghiên cứu82: 102–113. http://dx.doi.org/10.1016/j.cor.2017.
01.015
Thomopoulos, Nick T. 1970. “Cân bằng dòng mô hình hỗn hợp
với Bài tập trạm được làm mịn.” Khoa học quản lý
16 (9): 593–603. https://about.jstor.org/terms.
ˇ
Ugur, Özcan và Bilal Toklu. 2009. “Cân bằng dây chuyền lắp
ráp hai mặt theo mô hình hỗn hợp.” Máy tính và thử nghiệm công
nghiệp Kỹ thuật 57 (1): 217–227.
Uğur, Özcan và Bilal Toklu. 2010. “Cân bằng hai mặt
Dây chuyền lắp ráp với thời gian thiết lập phụ thuộc vào trình tự.”
Tạp chí quốc tế về nghiên cứu sản xuất 48 (18):
Xem số liệu thống kê xuất bản
TẠP CHÍ QUỐC TẾ NGHIÊN CỨU SẢN XUẤT 19
5363–5383. https://www.tandfonline.com/action/journalIn
sự hình thành?journalCode = tprs20.
Tạp chí Wee, TS và MJ. 1982. “Cân bằng dây chuyền lắp ráp
Như đóng gói thùng tổng hợp. Thư nghiên cứu hoạt động 1
(2): 56–58.
Zacharia, P. Th. và Andreas C. Nearchou. 2012. “Cân bằng dây chuyền
lắp ráp mờ đa mục tiêu bằng cách sử dụng di truyền
Thuật toán.” Tạp chí Sản xuất thông minh số 23 (3):
615–627.
Zacharia, P. Th. và Andreas C. Nearchou. 2013. “Thuật toán siêu
nghiệm cho bài toán cân bằng dây chuyền lắp ráp mờ loại E.” Nghiên
cứu về máy tính và hoạt động
40 (12): 3033–3044. http://dx.doi.org/10.1016/j.cor.2013.07.
012
Zhang, Zixia, Qiuhua Tang, Dayong Han và Zixiang Li.
2019. “Thuật toán tối ưu hóa chim di cư nâng cao
cho các vấn đề cân bằng dây chuyền lắp ráp hình chữ U với
Phân công công nhân.” Điện toán thần kinh và ứng dụng
31 (11): 7501–7515. https://doi.org/10.1007/s00521-018-3
596-9