PCB厂之生产排程以基因算法架.docx
- 文档编号:5772814
- 上传时间:2023-01-01
- 格式:DOCX
- 页数:12
- 大小:61.95KB
PCB厂之生产排程以基因算法架.docx
《PCB厂之生产排程以基因算法架.docx》由会员分享,可在线阅读,更多相关《PCB厂之生产排程以基因算法架.docx(12页珍藏版)》请在冰豆网上搜索。
PCB厂之生产排程以基因算法架
PCB厂之生产排程以基因算法架构
SchedulingOfPCBFactoryBuildingByGeneticAlgorithms
曾文宏南台科技大学工业管理研究所
吴秉威南台科技大学工业管理研究所
摘要
PCB(PrintedCircuitBoard)厂为电子产业的基础,一般的电子产品大多数都含有PCB板在内部,如何大量的产出及缩短总完工时间,决定了工厂的利润来源。
一般来说PCB工厂为了要使流程时间缩短,通常都会从机台的平衡(Balance)、技术的改良及机台的更新来着手,往往忽略了排程(Scheduling)在生产规划的重要性,而且PCB厂的工厂模式,属于非等效平行机台(UnrelatedParallelMachines)为复杂的求解模式,如果以工厂人员手动的排程方法需要花费较多的时间且其解也不一定较佳,本研究以基因算法(GeneticAlgorithms)建构排程的求解模式,利用基因算法的优点来解决复杂的排程问题。
关键词:
PCB工厂、不相关平行机台、基因算法
1.导论
在整个制造规划和控制系统的架构中,由于排程连结了物料需求规划功能和生产现场的执行功能,而扮演了重要的角色。
排程可以定义为在一段时间内,配置可用的资源来处理一群工作,以达到所设定的目标;而目标则可以订为满足交期或缩短闲置时间等。
为了能有效地达成既定的目标,大量解决排程问题的方法不断的提出,但直到今天排程问题依然存在且持续被讨论着。
在1980年之前,解决排程问题的方法可划分成两大类[2]:
一是最佳化问题,另一方面则是启发式法则。
作业研究可以说是最佳化技术的典型代表;但是应用最佳化所发展出来的排程策略,往往会因为过多的假设而变得不切实际,无法实际地应用在真实的制造系统中。
至于启发式法则典型的代表就是派工法则。
启发式的优点是较简单且实用,缺点为具有高度的系统和准则的相依性;如Moreno和Ding[9]对于排程问题中零件的选取法,提出一套启发式的法则。
Mukhopadhyay[10]则发展整合各启发式法的排程方法进行排程工作。
在1980年代以后,人工智能与最佳化技术结合,促成最佳化搜寻技术的发展。
模拟退火法(SimulatedAnnealing)[11]和遗传基因演算[11]等均是属于最佳化搜寻技术的领域。
这类方法的特性在于能在广大的解答空间(SolutionSpace)中有效地搜寻到近似最佳解的答案;如Kim和Lee[12]以分布式遗传基因算法为基础,衍生出一个零工型制造系统的排程方法,可以在合理的计算时间内找出最佳的排程解答;Murata及Ishibuchi[d]则以遗传基因算法、塔布搜寻法(Tabusearch)和模拟退火法来探讨流线型制造系统的排程问题,实验结果显示遗传算法的表现优于另外两者。
针对平行机器排程问题,总时程最小化、总流程时间最小化和总延迟时间最小化,均是属于NP-hard问题的范围[13]。
现有文献大多探讨相同机器或等率机器之排程问题,就问题复杂度而言,不相关机器之问题较相同或等率机器之问题更为困难。
由于IC封装技术不断提升,IC载板(ICSubstrate)需求量近年来成长迅速。
在台湾既有半导体产业集聚的优势条件下,IC载板俨然成为印刷电路板厂及晶圆封装厂等各家厂商未来所积极投资发展的重点。
IC载板的制程类似印刷电路板PCB(PrintedCircuitBoard)的制程,以往与PCB相关的研究较偏重于PCB插件组装及制程技术,而少数探讨PCB裸板排程方面的研究亦仅止于考虑单一加工站生产限制条件的产能规划,对于印刷电路板厂的管理尤其在排程上的问题却很少有这方面的研究。
结合PCB工厂的生产排程与基因算法,为了得到使多个订单能在最短的时间内完工,来换取接更多的订单,使得工厂的盈余增加。
2.问题描述
一般来说PCB工厂的厂房布置,皆为平行机台的样式,且每一条生产线在微调之后都可以生产任一产品,差别在每一条生产所需花费的时间不同,过去有人以数学规划的方式;再利用LINDO求解,但是只要问题数量大的话,在加上计算机设备不够强,求解时间往往需要很久。
非相关平行机台总完工时间最小化排程问题可利用下列线性规划数学模式来表示[14]:
Minz=Cmax,
s.t.
ak+
≦Cmax,
k,
=1,
j,
rj+
≦Cmax,
j,k,
xjk≧0,
j,k,
符号定义:
Cmax:
工作的总完工时间,
ak:
机器k的开始加工时间,
rj:
工作j的底达时间,
xjk:
工作j指定在机器k加工的百分比(1or0),
pjk:
工作j指定在机器k加工的单位处理时间,
j´:
在工作j之后抵达之工作,包含工作j。
在工厂中由于工件j在机器k的处理时间相差不多,也就是说Pjk=Pj1=Pj2……Pjm;所以我们在做基因算法求解时会先将工件j在每一机台的加工时间求取平均,再以基因算法架构求解。
当问题以此方法架构时就如同平行机台问题,有利于简化我们在建构基算法的程序。
以下为我们在建构算法时所需用到的目标值。
MinC=min{max[
…,
…,
]}
Where
C=max[
…,
…,
]isthemakespan
X(i,j)t(j)=jobj在machinei的加工时间
t(j)=jobj的加工时间
X(i,j)=0or1
i=1,2,3……n
j=1,2,3……n
3.基因算法
基因算法中有一组解族群(Population),就像生物的染色体一般。
依照不同类型的问题,可藉由不同的编码方式(Coding)去显示不同的问题特性,而在由适合函数表现染色体解的好坏程度。
透过基因算法中的复制(Reproduction)、交配(Crossover)、突变(Mutation)及淘汰的机制,染色体以世代的改进方式,直到达到终止的条件。
以下将介绍基因算法的流程与实际编码的过程。
3.1编码方式(Coding)
在进行基因算法时,需将每一个可行解编成一个字符串,字符串必须要能表达出这个可行解的特性,编码的方式大概可分为两种:
二进制与实数型。
由于平行机台排程的特性,本研究采用实数型编码方式。
3.2复制(Reproduction)
复制的目的是为了找出取代较差父代的染色体,这个运算机制将会找出较佳的染色体,使其可以有较佳的机率保留下来。
常用的复制方法有两种,一种是放回的随机抽样(轮盘法)如下,这是将染色体的适合度函数除以所有染色体的适合度函数值的总合,各染色体求出的值称为适合值比率,在依各适合值比率大小随机选取。
另一种方法是不放回的随机抽样,是将各染色体的适合度函数除以此代所有染色体的适合度函数值的平均值,求出各染色体的适合值比率,此数值将会有整数值及小数值,整数值代表此染色体至少要被复制几次的部份,小数值利用轮盘法随机被选取要复制的机率。
F(i)=max[
…,
…,
]适合度函数值
(FitnessFunction)
P(i)=
i=1,2,……,n
3.3交配(Crossover)
交配的目的是为了让染色体之间互相交换有用的基因,使新染色体有机会产生组合更高的适合度,以达成不断演化的目的。
对实数型编码来说,较常见的交配方法有以下几种。
3.3.1PMX(PartiallyMatchedCrossover):
母代1:
123456789
随机产生两切点
母代2:
569871423
子代1:
129876789
两切点中的基因对调
子代2:
563451423
子代1:
129876543
将切点外重复机因对调
子代2:
763451829
3.3.2LOX(LinearOrderCrossover):
母代1:
123456789
随机产生两切点
母代2:
569871423
子代1:
123456000
将切点中所有位以0代替
子代2:
069871020
子代1:
120003456
0往切点中移动
子代2:
690008712
子代1:
129873456
将原本切点中染色体对调
子代2:
693458712
3.3.3CX(CycleCrossover):
母代1:
123456789
在母代1中任选一染色体,找出
对应母代2之染色体8的位数
母代2:
569871423
母代1:
123456789
找出母代1之先前8的位数,
再对应到母代2之2的位数
母代2:
569871423
母代1:
123456789
重复以上步骤直到回到染色体
的基因为4的位数
母代2:
569871423
子代1:
129456783
将未标示的染色体交换得到子代
子代2:
563871429
3.3.4SX(SimpleCrossover):
母代1:
123456789
随机产生一切点
母代2:
569871423
母代1:
123569874
保留切点左边的基因,而切点右
边的以另一个染色体顺序填入
母代1:
569123478
本研究的编码方是以加工作业的顺序为染色体中的基因排序,因此为了保留下良好染色体中所表示的加工作业顺序,所以本研究采用LOX帮交配方法。
3.4突变(Mutation)
突变也是用来产生子代的一种方法,为了防止复制与交配过程中;忽略有机会在后来的世代找到好解的基因串。
以下为常见的突变方式:
3.4.1邻近两点变换
123456789
123546789
3.4.2随机两点变换
123456789
183456729
3.4.3随机三点变换
123456789
163458729
一般来说,交配率机率可以高,但突变率应低一点,否则有可能破坏找到的优良基因排序。
4.验证
以下举三个例子验证所做的基因算法结果,交配率为0.92、突变率为0.05,第一个例子(Table1)为7工件3平行机台,得到的的结果(Table2)小优于LST,但与SA一样,第二个例子(Table3)10工件3平行机台,最后出来的结果(Table4)GA与SA还是一样的,第三个例子(Table5)30工件3平行机台,运算后的结果(Table6)为GA优于SA所得之演算结果,且GA对最佳解也比SA好,所以用GA来建构PCB厂生产排程是可行的方法。
Table17工件3平行机台
工件平行机台1平行机台2平行机台3平均
15766
27656
32644
43454
55254
62433
73333
Table2结果
LSTSAGA
7个工件数111010
Table310工件3平行机台
工件平行机台1平行机台2平行机台3平均
13423
22132
37656
43454
55555
68677
79878
85766
92222
105676
Table4结果
SAGA
10个工件数2525
Table530工件3平行机台
工件平行机台1平行机台2平行机台3平均
13423
22132
37656
43454
55555
68677
79999
811151313
94444
1013211112
11811910
1210778
1324212122
14159911
158888
1624272726
1713151414
184686
1919161617
2030252627
2110121111
2218161717
2324252926
2415171616
257777
2625242423
2714141715
2818181818
2914161515
3012131413
Table6结果
30工件
平均GA42.3
SA46
BESTGA41
SA44
5.参考数据
1.林淳菁,”应用遗传算法求解不相关平行机台之排程问题”,朝阳科大工业工程与管理硕士论文,2000
2.曾毓文,”运用系统仿真与遗传算法从事非相关平行机台之研究”,台北科大生产系统工程与管理研究所,2000
3.张育仁,李庆恩,王立志,”自我调适的动态排程系统-限制排程、模糊理论和遗传算法的应用”,工业工程学刊,第15卷,第六期,1998.
4.L.P.Khoo,T.K.NG.”AGeneticalgorithm-baseedplanningsystemforPCBcomponentplacement”INT.J.ProductionEconomics54(1998)321-332
5.E.Guerra,J.R.Villalobos,”Athree-dimensionalautomatedvisualinspectionsystemforSMTassembly”Computer&IndustrialEngineering40(2001)175-190
6.ColinR.R.“AGENETICALGORITHMFORFLOWSHOPSEQUENCING”,ComputerOpsRes.Vol.22No1,pp.5-13,1995
7.LiuM.,WuCheng,”Ageneticalgorithmforminimizingthemakespaninthecaseofschedulingidenticalparallelmachines”,ArtificialIntelligenceinEngineering13(1990)399-4-3
8.NguyenV.H.,NagendraN.N.,“TheschedulingproblemofPCBsformultiplenon-identicalparallelmachine”,EUROPEANJOURNALOFOPERATIONALRESEARCH158(2004)577-594
9.Moreno,A.A.,andDing,F.,“GoalorientedheuristicsfortheFMSloading(andparttypeselection)problems”,ProceedingsoftheThirdORSA/TIMSConferenceonFlexibleManufacturingSystems,105-110,1989
10.Mukhopadhyay,S.K.,B.MaitiandS.Garg,“Heuristicsolutiontotheschedulingproblemsinflexiblemanufacturingsystems”,InternationalJournalofProductionResearch,29,2003-2024,1991.
11.Murata,T.andH.,Ishibuchi,”Performanceevaluationofgeneticalgorithmsforflowshopschedulingproblems”,IEEEInternationalConferenceonRoboticsandAutomation,1,812-817,1994.
12.Kim,G.H.andC.S.G.Lee,“Anevolutionaryapproachtothejob-shopschedulingproblem”,ProceedingIEEEInternationalConferenceonRoboticsandAutomation,1,501-506,1994.
13.Pinedo,M.,“Scheduling:
theory,algorithms,andsystems”,Prentice-Hall,1995.
14.Gursel,A.S.,Pico,F.andSantiago,A.,“Indenticalmachineschedulingtominimizethenumberoftardyjobswhenlot-splittingisallowed,”IEEE1996.
15.NobuoSannomiya,HitoshiIima,”ApplicationofGeneticAlgorithmtoSchedulingProbleminManufacturingProcesses”,IEEE1996
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- PCB 生产 基因 算法
![提示](https://static.bdocx.com/images/bang_tan.gif)