Professional Documents
Culture Documents
arah yang bertujuan untuk mendapatkan solusi awal dan meningkatkan solusi
awal dengan prosedur perdagangan dan transfer. Prosedur heuristik Nearchou
didasarkan pada metode evolusi diferensial. Boysen dan Fliedner hadir dengan
grafik heuristik algoritma berbasis dua tahap dan algoritma koloni semut untuk
menyelesaikan semua versi SALBP. Algoritma genetika digunakan oleh Anderson
dan Ferris dan Kim, Kim, dan Cho untuk memecahkan SALBP-II. Algoritma ini
meminimalkan waktu siklus dengan menghaluskan beban kerja antara nomor
yang telah ditentukan oleh stasiun kerja. Scholl mengembangkan prosedur
perbaikan heuristik untuk SALBP-II yang dikombinasikan dengan prosedur tabu
search. Prosedur untuk meningkatkan solusi layak awal dengan menerapkan
pergeseran dan gerakan swap. Nearchou mengusulkan metode baru, berdasarkan
optimasi PSO untuk SALBP-II dengan tujuan memaksimalkan tingkat produksi
(meminimalkan waktu siklus ekuivalen) dan memaksimalkan beban kerja. SeyedAlagheband, Fatemi Ghomi, dan Zandieh mengusulkan algoritma simulated
annealing untuk SALBP-II dengan setiap pengaturan tergantung urutan antara
tugas-tugas.
Dalam model ini, tujuannya adalah untuk meminimalkan dua fungsi objektif
secara bersamaan. Tujuan pertama fungsi ini adalah untuk meminimalkan waktu
siklus (C), untuk sejumlah operator yang telah ditetapkan (S) dalam jalur
perakitan. Jumlah workstation di jalur perakitan adalah sama dengan jumlah
operator (S). Namun, jika beberapa operator melakukan tugas yang sama dalam
workstation yang berbeda, jumlah workstation yang berbeda mungkin lebih kecil
dari jumlah workstation. Oleh karena itu, panjang garis panjang digunakan untuk
menentukan jumlah workstation yang berbeda di jalur perakitan. Karena sifat
masalah model campuran, waktu pengolahan tugas mungkin bervariasi dari satu
model ke model lain dan, dengan demikian beban kerja yang ditugaskan untuk
workstation juga dapat bervariasi dari satu model ke model lain. Untuk campuran
model perakitan yang seimbang diperlukan untuk setiap operator dalam
melakukan dugaan jumlah pekerjaan yang sama untuk masing-masing model yang
dirakit. Dalam konteks ini, fungsi tujuan kedua, B, berkaitan dengan
menghaluskan keseimbangan beban kerja dalam setiap workstation.
ACO untuk jenis ALBP. Di artikel lain, Simaria, Zanella de S dan Vilarinho
tertarik dalam memecahkan masalah merancang lini perakitan fleksibel berbentuk
U menggunakan ACO di bawah filosofi just in time. Tujuan artikel ini adalah
untuk menemukan solusi untuk desain fasilitas dengan menghadirkan sistem
perakitan fleksibel garis konfigurasi berbentuk U.
Lini perakitan pertama kali diciptakan untuk menghasilkan berbagai produk
yang memiliki volume tinggi. Perusahaan memungkinkan biaya produksi yang
rendah, mengurangi waktu siklus dan tingkat kualitas yang akurat dan tinggi. Hal
ini sangant penting bagi perusahaan dimana perusahaan bisa mendapatkan
keuntungan jika perusahaan tersebut ingin tetap kompetitif. Di sisi lain, keadaan
pasar saat ini, yang intensif, kompetitif dan konsumensentris, memaksa produsen
untuk memproduksi satu model dengan fitur yang berbeda. Oleh karena itu,
karena tingginya biaya pembangunan dan pemeliharaan jalur perakitan untuk
masing-masing model, perusahaan manufaktur memproduksi satu model dengan
fitur yang berbeda atau beberapa model pada jalur perakitan tunggal. Jenis jalur
perakitan, yang digambarkan untuk pertama kali dalam literatur oleh
Thomopoulos disebut model jalur perakitan campuran.
Hasil yang diperoleh dari perbandingan studi menunjukkan bahwa misi
untuk menciptakan sebuah solusi keseimbangan outperformed untuk usaha kecil,
medium dan large dalam menguji masalah. Pheromone memperbarui peraturan
lokal itu untuk menunjukkan kinerja lebih baik daripada global pheromone dalam
memperbarui aturan. Selanjutnya, perubahan dalam misi semut buatan memiliki
efek yang lebih pada kinerja ACO dari perubahan pheromone melepaskan strategi.
Hal ini dapat disimpulkan bahwa ACO-2 jauh lebih cocok untuk hybridizing ACO
(konstruktif jenis alogaritma) dengan perbaikan jenis alogaritma. Ini karena,
meskipun ACO-1 memiliki kinerja yang superior sebagai strategi pencarian
global, kemampuan pencarian lokal ACO-2 sangat bagus dan ACO-2 telah buatan
semut. Ini menciptakan solusi encodings dan kemudian decode mereka ke dalam
solusi layak seperti perbaikan algoritma lain, yaitu algoritma genetik, simulasi
annealing dan pencarian tabu.
3. Deskripsi Masalah
Dalam penelitian ini, ALBP memiliki tiga jenis kendala, bernama
precedence, zoning dan capacity constraint. Precedence constraint, yang biasanya
digambarkan dalam diagram precedence, menentukan urutan menurut mana tugas
dapat diproses. Tugas hanya dapat ditugaskan untuk workstation jika tidak
memiliki pendahulu atau jika semua pendahulunya telah ditugaskan untuk
workstation . Zonasi kendala bisa positif atau negatif. Kendala zonasi Positif
memaksa tugas tugas tertentu untuk workstation tertentu. Kendala zonasi Negatif
melarang tugas tugas untuk workstation yang sama. Keterbatasan kapasitas
memberikan bahwa beban kerja dari workstation tidak melebihi waktu siklus.
Dalam beberapa kondisi permintaan, jalur perakitan mungkin perlu dioperasikan
dengan waktu siklus sehingga beberapa tugas dalam proses perakitan memiliki
pengolahan lebih tinggi daripada waktu siklus. Dalam hal ini, dalam rangka untuk
memenuhi permintaan, replikasi workstation yang tugas dengan waktu
pengolahan yang lebih tinggi daripada waktu siklus yang ditugaskan diperlukan.
Asumsi dasar tertentu harus dinyatakan untuk benar-benar mendefinisikan
masalah.
a. Jalur ini digunakan untuk merakit satu set model serupa M dari suatu
produk.
b. Proporsi keseluruhan jumlah unit model m yang berkumpul yaitu qm
c. Setiap model telah menetapkan sendiri hubungan yang diutamakan, tapi
ada bagian dari tugas umum untuk semua model. Oleh karena itu, diagram
diutamakan untuk semua model dapat dikombinasikan sedemikian rupa
sehingga diagram yang dihasilkan berisi tugas N.
d. Waktu tim yang diperlukan untuk melakukan tugas pada model m dapat
bervariasi dari satu model ke model lain. tim = 0 berarti bahwa model m
tidak memerlukan tugas i.
e. Suatu tugas dapat diberikan ke hanya satu workstation dan, akibatnya,
tugas yang umum
hubungan
grafik
berdasarkan
grafik
hubungan
yang
Langkah 3: Memecahkan
MMALBP-I
mengenai
waktu
siklus
trial
menggunakan ACO.
Langkah 4: Jika ACO memberikan nomor stasiun kerja yang diinginkan (w0),
lanjutkan ke langkah 6. Kemudian pergi ke langkah 5.
Langkah 5: Ubah C menggunakan persamaan (5) dan pergi ke langkah 3.
Dimana wcurrent adalah jumlah yang berasal dari stasiun kerja setelah
iterasi saat ini, Ccurrent adalah waktu siklus yang valid untuk iterasi
saat ini, (0 < 1) adalah parameter yang ditentukan leh pengguna
dan Skmis adalah waktu tunggu dari stasiun kerja k ke dalam model
m.
Langkah 6:
Pada artikel ini, kinerja prosedur solusi iteratif ACO berbasis dibandingkan
pada MMALBP-II, di mana tujuannya adalah untuk meminimalkan waktu siklus
untuk sejumlah workstation yang telah ditetapkan. Pertama, dua solusi pendekatan
berbasis different ACO, ACO-1 andACO-2, dibangun dengan memungkinkan
setiap semut untuk menciptakan solusi keseimbangan yang pertama dan denga
memungkinkan solusi setiap semut untuk digunakan di masing-masing dua
pendekatan berbasis ACO. Pada bagian pertama strategi rilis feromon, merupakan
solusi keeimbangan terbaik dalam melepaskan sejumlah feromon (aturan global
pheromone updating), sedangkan semua solusi balancing merilis jumlah feromon
dalam strategi kedua (lokal pheromone update rule). Kedua, 20 perwakilan
MMALBP-II dengan workstation paralel dan kendala penggunaan zonasi ACO-1
dan ACO-2 diselesaikan dengan dua rilis feromon yang berbeda strategi. Ketiga,
hasil solusi dibandingkan dalam hal waktu siklus dan kualitas solusi. Penelitian ini
adalah yang pertama di mana MMALBP-II dipecahkan menggunakan metode
ACO, dan pertunjukan dari ACO-1 dan ACO-2, dengan membandingkan feromon
global yang memperbarui aturan dan feromon untuk memperbarui aturan local.
5. Contoh Ilusrasi
Dalam bagian ini contoh numerik digunakan untuk menggambarkan empat
prosedur solusi ACO berbasis. Contoh numerik memiliki karakteristik sebagai
berikut.
a. Tiga model, A, B dan C, dengan nilai bagi hasil QA = 0.33, QB = 0,5 dan
QC = 0.17 secara bersamaan dirakit dalam garis dengan 17 workstation.
b. Diagram precedence gabungan dengan 30 tugas digambarkan pada
Gambar 1.
Tabel 1. Waktu Proses dan Waktu Tugas Rata-rata Berat untuk Contoh
Numerik
menengah (5-14 masalah) dan berukuran besar (masalah 15-20) sesuai dengan
jumlah tugas mereka.
7. Kesimpulan
Pada artikel ini, kinerja prosedur solusi iteratif ACO berbasis dibandingkan
pada MMALBP-II, di mana tujuannya adalah untuk meminimalkan waktu siklus
untuk sejumlah yang telah ditetapkan workstation. Pertama, dua pendekatan solusi
perbedaan berbasis ACO, ACO-1 dan ACO-2, dibangun dengan memungkinkan
setiap semut untuk menciptakan solusi keseimbangan dalam yang pertama dan
dengan memungkinkan setiap semut untuk membuat coding dari solusi kedua.
Selanjutnya, dua strategi rilis feromon yang berbeda yang digunakan untuk
masing-masing dua pendekatan ACO berbasis. Pada bagian pertama strategi rilis
feromon, solusi terbaik balancing melepaskan sejumlah feromon (pheromone
updating rule global), sedangkan semua solusi balancing merilis jumlah feromon
dalam strategi kedua (feromon lokal memperbarui aturan). Kedua, 20 perwakilan
MMALBP-II dengan workstation paralel dan kendala zonasi diselesaikan
usingACO-1 andACO-2 dengan dua strategi rilis feromon yang berbeda. Ketiga,
hasil solusi dibandingkan dalam hal waktu siklus dan kualitas solusi.