Соловьева Ю.Ю Разработка автоматизированной подсистемы определения оптимального состава оборудования машиностроительного предприятия

Принято считать, что уходящее столетие было «взрывным» по темпам развития фундаментальных и прикладных наук, промышленных и информационных и технологий. Представление о технологии, как науке о машиностроительном производстве так же переживает бурное развитие. Эта часть знаний осталась наименее известной как в профессиональном, так и в обывательском сознании. А между тем именно в эту отрасль знаний и были адресованы наибольшие инвестиции в последней декаде ушедшего столетия.
Специалисты по развитию промышленности уже давно предвидели, что процессы разработки, подготовки производства, изготовления, маркетинга и продажи, эксплуатации и поддержки подчиняются одним естественным законам и могут быть формализованы в явном виде.
Объектом исследования магистерской работы является машиностроительное предприятие, а именно состав его оборудования. Целью является разработка автоматизированной подсистемы определения оптимального состава оборудования.
Определение количества и выбор типов оборудования, необходимого для выполнения заданной производственной программы, является основным и наиболее ответственным вопросом при расчете цеха. Неправильно подсчитанное количество или неправильно подобранное по типам оборудование влечет за собой излишек или недостаток, а также некомплектность его. При излишке оборудования происходит неполное его использование, преувеличенные и непроизводительные затраты на его приобретение, установку и содержание, увеличение площади, требующейся для его размещения. При недостатке оборудования отсутствует возможность выполнять производственное задание. Неизбежная при этом необходимость дополнить станочный парк вызывает большие затруднения вследствие ограниченности площади, а также затруднения с расстановкой, обусловленной последовательностью выполнения технологических операций
Правильно подсчитанное количество станков должно одновременно предусматривать его комплектность. Если станочный парк скомплектован так, что отдельные группы станков не обладают соответственной пропускной способностью, то цех не может выпускать заданное количество готовой продукции, так как отдельные стадии обработки будут запаздывать. При неправильном подборе станков по типам и размерам для некоторых операций может не оказаться подходящих станков.

Целью данной работы является разработка автоматизированной подсистемы определения оптимального состава оборудования машиностроительного предприятия.

Для достижения поставленной цели необходимо решить следующие задачи:

Для решения любой оптимизационной задачи нужно построить математическую модель исследуемого процесса, состоящую из набора переменных, влияющих на этот процесс, и законов, связывающих эти переменные.
В этой работе будет предложена пример модель, которая может быть использована при проектировании и описывает рентабельную конфигурацию производства виде ячеек.
Модель соединяется практические инженерные проектировочные особенности, например учитывает производительность станков, использование альтернативных станков(машин, механизмов) из машинного парка, и ограниченный размер ячейки. Это интегрирует проектные решения, располагая механизмы в каждой ячейке и распределяя производственную программу по оборудованию, удовлетворяющие те машинные мощности, которые обеспечивают машинную загрузку достаточную для обеспечения необходимой производственной мощности и распределяя производства между ячейками и альтернативным оборудованием.
В последние два десятилетия при оптимизации сложных систем исследователи все чаще применяют природные механизмы поиска наилучших решений. Это механизмы обеспечивают эффективную адаптацию флоры и фауны к окружающей среде на протяжении миллионов лет. Сегодня интенсивно разрабатывается научное направление Natural Computing - «Природные вычисления», объединяющее методы с природными механизмами принятия решений, а именно:
- Genetic Algorithms - генетические алгоритмы;
- Evolution Programming - эволюционное программирование;
- Neural Network Computing - нейро-сетевые вычисления;
- DNA Computing - ДНК-вычисления;
- Cellular Automata - клеточные автоматы;
- Ant Colony Algorithms - муравьиные алгоритмы.
Хотя данная магистерская работа находится в процессе разработки, но можно предположить, что поставленная задача будет решена одним из перечисленных методов или его модификацией, вследствие многокритериальности модели.

Программный модуль, который будет разработан в данной магистерской работе позволит на практике быстро и эффективно решать задачу проектирования машиностоительного предприятия,а именно определять оптимальный состав оборудования. Практическую ценность носит так же имеет то, что данная задача будет решена при помощи эвалюционных оптимизационных методов.

Skinner [1974] был первый, кто предложил концепцию сосредоточенной фабрики, в которой маленькие производственные системы работают независимо в пределах большой промышленной установки. Идея работает лучше всего для серийного производства. Сосредоточенная фабрика создана, используя понятия или гибких производственных систем (FMS) или группирование деталей в семейства (GT), которые основаны на предположении, что некоторые действия должны быть закреплены за семейством связанного оборудования в производственной ячейке. Позже Burbidge [1975] разработанный и популяризировал систематический подход к этой концепции, которая впоследствии имела широкое распространение в западной промышленности.
Так как механизмы расположены в близко в производственной ячейке, и производственная программа задана, обычно стремяться минимизировать: транспортные потери, передвижение между ячейками, время перенастройки оборудования. Кроме того, относительно большая автономия в пределах этих производственных ячеек ведет к дополнительному побуждению рабочих (кто ответствены за изделия), часто приводящий к более высокой производительности и качеству продукции. Эти, и другие преимущества, были представлены в работах Shunk [1985] и Hadley [1996]. Однако имеются также недостатки к этому подходу, типа относительно дорогостоящего дублирования механизмов.
FMS связана с GT в том, что обе являются подсистемами, которые представляют “острова” в пределах технологического процесса, включая группы механизмов (иногда включая систему погрузочно-разгрузочных работ), которые производят группа оборудования. Основная разница - то, что ГПС представляет полностью автоматизированную систему, принимая во внимание, что в GT обычной технологии вообще преобладает. Большинство недавних главных результатов в GT литературе, уделяли внимание такой проблеме, как - одиночным критерием уменьшения затраты погрузочно-разгрузочных операциев ячейки ( были представлены : Billo [1998], Chu [1995], Kusiak и Heragu [1987], Selim, Askin, и Vakharia [1998], Vakharia [1986], Wemmerhov и Hyer [1987], и Wang [1998]). Эволюционный подход к мультикритериям производственное формирование ячейки был представлен Pierreval и Plaquin [1998].
Предположим, что ряд различных изделий должен быть изготовлен, используя некоторые машинные типы. Это задано производственным процессом. Необходимо назначить различные типы продукции на индивидуальные механизмы требуемых типов и группировать механизмы так, чтобы каждая группа формировала производственную ячейку. Это ведет к следующим действиям:
(A) Назначить семейства продукции на группы машин определенных типов,
(B) Найти размеры партии произведенных частей,
(C) Определить число механизмов, необходимых из каждого машинного типа,
(D) Закрепить производство деталей, из которых состоит продукйия, за индивидуальными механизмами,
(E) Объединить отдельные единицы оборудования в производственные ячейки
(F) Составить графики загрузки оборудования.
Так называемая машинная матрица попаданий с типовой частью определяет, которые типы продукции должны быть обработаны на машине какого типа. Желательно, чтобы машинная матрица с типовой частью была преобразована в форму диагонали блока. Решение проблемы (А) представлено в работах Askin и Standridge [1993], Kumar, Kusiak, и Vanelli [1986], Kusiak [1988], и Hadley [1996]. Каждый блок тогда показывает, которое семейство продукции должно быть обработано, на какой группе механизма.
Если такое группирование диагонали блока не может быть получено, действия (b) к (e) должны быть выполнены. Для чего могут быть использованы известные методы «from inventory control» Hillier and Liebermann [1995], Nahmias [1993], Domschke, Scholl, and Voss [1997], and Neumann [1996]). Метод, который включает удельную информацию, уместную при группированию деталей в семейства, был предложен Askin и Chiu [1990]. Учитывая производственную партию, можем вычислять необходимый уровень использований каждого типа оборудования, который также обеспечивает число механизмов, необходимых из каждого типа, то есть.
Проблемы (d) и (e) традиционно были решены отдельно. (см., например, Askin и Chiu [1990], Askin и Standridge [1993], Cao и McKnew [1994], Faber и Извозчик [1986], Garcia-Diaz и Ли [1995], Hadley [1996], Kumar и другие. [1986], Kusiak и Чжоу [1988], Moussa и Kamel [1995], Plaquin и Pierreval [2000], Vanelli и Холл [1993], Rajagopalan и Batra [1975], и Zhou и Askin [1998].) Однако, большинство подходов для решения проблемы (d) использются и при решении проблемы (e) и наоборот. [2]
Термином «оптимизация» в литературе обозначают процесс или последовательность операций, позволяющих получить уточненное решение. Хотя конечной целью оптимизации является отыскание наилучшего или «оптимального» решения, обычно приходится довольствоваться улучшением известных решений, а не доведением их до совершенства. Поэтому под оптимизацией понимают скорее стремление к совершенству, которое, возможно, и не будет дос- тигнуто.
Задача принятия решения состоит в выборе среди множества возможных решений (их называют также вариантами, планами и т.п.) такого решения, которое являлось бы в определенном смысле лучшим или, как говорят, оптимальным.
Одной из причин, приводящей к многокритериальности, является множественность технических требований, которые предъявляются к характеристикам проектируемого устройства. Следующей причиной многокритериальности является необходимость обеспечения оптимальности проектируемого устройства при различных условиях его функционирования, то есть обеспечение экстремальных значений критерия оптимальности при неопределенности условий, в которых приходится работать устройству. В последние годы появилось очень большое количество научных работ, посвященных векторной оптимизации. Если все критерии имеют одинаковую важность, можно выделить подходы, основаные на принципах:
- принцип справедливого компромисса; [1]
- принцип Чебышевской оптимальности;
- принцип интегральной оптимальности; [1]
- принцип диференциальной оптимальности;
- принцип слабой оптимальности по Парето;[1]
При постановке задачи оптимального проектирования одним из основных вопросов является выбор критерия оптимальности Q( x ). С одной сторoны, критерий должен иметь конкретный физический смысл, а с другой - от него требуется, чтобы он как можно полнее характеризовал проектируемое устройство. Однако требования функциональной полноты трудно удовлетворить с помощью только одного скалярного показателя, так как он обычно описывает конкретное свойство устройства. В связи с этим приходится рассматривать совокупность показателей, каждый из которых имеет наглядную физическую интерпретацию и позволяет оценить качество оптимального решения с различных точек зрения.

Метод свертывания векторного критерия.

Этот метод является наиболее распространенным методом решения многокритериальных задач, учитывающим относительную важность частных критериев оптимальности с помощью построения скалярной функции F, являющейся обобщенным критерием относительно векторного критерия Q(x) и решения однокритериальной задачи оптимизации

где w{w1,...ws} весовые коэффициенты относительной важности частных критериев.
В качестве обобщенных критериев могут быть использованы функции F следующего вида:
а) аддитивный критерий оптимальности:

б) мультипликативный критерий оптимальности:

в) среднестепенной обобщенный критерий оптимальности:

Способы назначения весовых коэффициентов в аддитивном критерии оптимальности.

Для равноценных критериев, то есть критериев, для которых невозможно установить приоритет по важности, значения весовых коэффициентов wi выбираются одинаковыми

.
Для неравноценных критериев, то есть критериев, для которых ЛПР мо жет установить приоритет по важности, значения весовых коэффициентов выбираются в соответствии с важностью критерия.

.
Существует много способов и числовых приемов, позволяющие по информации о качестве значений частных критериев оптимальности определять значения весовых коэффициентов. Расмотрим для примера один из них :
Для каждого частного критерия оптимальности

вычисляется коэффициент относительного разброса

где ,

который определяет максимально возможное отклонение по i-му частному критерию. Весовые коэффициенты wi получают наибольшее значение для тех критериев, относительный разброс которых в области Dq наиболее значителен

           Как только технический эскизный проект правильно параметризирован - с закрепленной топологией – должен быть выбран эффективный метод оптимизации .
   Большое число прикладных задач из различных областей знаний сводится к оптимальным задачам. К настоящему времени накоплен огромный опыт решения оптимизационных задач, как для конкретных приложений, так и в обобщенном виде. Все существующие методы решения можно разделить на: (a) детерминированные; (б) эвристические; (в) комбинированные. Детерминированные методы дают точную оценку исследуемому процессу и однозначно определить функциональные связи между “входами” и “выходами”. Если такая связь является вероятностной, то мы имеем дело с детерминистическими вероятностными методами. Противоположными детерминистическим методам являются эвристические, в частности методы самоорганизации. Они используют генераторы случайных комбинаций (гипотез) и интегральные самоотборы лучших из них по эвристическим критериям. Подход самоорганизации является общим, интегральным и не требует глубокого исследования каждого элемента системы в отдельности.
   Полученные в последнее время методы решения оптимизационных задач преимущественно относятся к первым двум направлениям. Точные математические методы подчас остаются бессильными. Детермистическое направление эффективно при решении действительно небольших, специфических задач. и непригодно для решения трудно формализуемых и сложных многоуровневых задач. К таким задачам относится, например, те в которых нельзя все исходные данные задать в числовом виде или вообще их получить (задачи психологии, социологии, экономики и т.д.). Проблема многомерности заключается в том, что даже в тех случаях, когда ввод и переработку данных удается формализовать в виде, пригодном для автоматической обработки, вычисленные затраты могут быть несоизмеримо велики. Например, такие ситуации возможны при решении задач экстремального управления, экономического прогнозирования, задачи оценки надежности и т.д.
     Таким образом существует класс задач (экономических и технических) для которых детерминистические методы решения не приемлемы и ли не обеспечивают необходимой точности результатов. Следовательно, альтернативный метод состоит в использовании эвристических методов: самоорганизующихся и генетических алгоритмов. Генетические алгоритмы в каком-то смысле являются аналогом самоорганизующихся (впервые они были выведены Холландом [10]). В настоящее время они исследуются более интенсивно и находят свое приложение в обработке изображений, системах управления принятия решений. Различие генетических и самоорганизующихся алгоритмов состоит в определении исходных данных и интерполяции процедуры самоорганизации. Известны примеры самоорганизующихся алгоритмов в системах управления .
   Еще одним из современных методов решения оптимизационных задач является аппарат нечеткой логики. Это направление сочетает свойства детерминированного и детерминистического вероятностного подходов.
   Результат нечеткой логики очень широко используются при решении самых разнообразных прикладных задач. Известные генетические алгоритмы носят преимущественно прикладной характер. Нечеткая логика наиболее часто используется в задачах принятия решений.
   Они помогают решить целый класс комплексных задач, включающих комбинаторную оптимизацию и реализацию высокоточных инженерно-технических задач.
   Генетические алгоритмы - это оптимизационные алгоритмы, относящиеся к классу вероятностных. Они сочетают элементы стохастических и детерминиских подходов. В связи с этим генетические алгоритмы нельзя отнести только к алгоритмам случайного поиска. Поиск решения осуществляется путем одновременного анализа нескольких ветвей эволюции. Причем, при эволюции “выживают” только наилучшие варианты решений, в то время как “плохие” решения “вымирают”. Для определения значимости каждого решения используется целевая (эволюционная) функция, которая выполняет роль окружающей среды при моделировании эволюционного процесса.
   В начале генетического алгоритма формируется множество потенциальных решений (гипотез), которое представляет собой начальную популяцию. В большинстве случаев это множество формируется случайно. Однако, для увеличения скорости сходимости алгоритма в начальную популяцию, могут включаться решения, полученные с помощью другого оптимизационного метода. Размер начальной популяции определяется экспериментально, однако число потенциальных решений должно превышать одно.
   Одним из наиболее важных элементов генетические алгоритмы являются кодированием потенциальных решений, т.е. формированием хромосомы. Полученная структура называется хромосомой. Хромосома состоит из более чем одного элемента (гена). Гены могут принимать бинарные, целочисленные и вещественные значения. Если обозначить ген как ij, то S-я хромосома определяется последовательностью VS = {i1, i2, i3, ... im}. Известны три основные вида хромосом:

   Для строчных хромосом характерно, что изменение одного из генов не влечет за собой изменения остальных. В векторном описании хромосом существует взаимосвязь как минимум двух ген. Табличное представление хромосом характерно для решения транспортных задач с линейным и нелинейным ограничением переменных. Например, для задач целочисленного программирования генами являются значения переменных оптимизируемой системы.
   После формирования начальной популяции, осуществляется процесс синтеза новых решений (поколений) задачи. Исходными данными для него являются хромосомы текущей популяции. Исследуемая в некоторый момент времени популяция называется текущей. В начале работы алгоритма текущая популяция совпадает с начальной. Новое поколение хромосом генерируется посредствам двух основных операций: скрещивания и мутации.
   Скрещивание моделирует передачу наследственности хромосомами. Эта операция обуславливает целенаправленное закономерное “приближение” свойств хромосом к оптимальному решению. Пусть эта процедура состоит в обмене элементов (генов) двух случайно выбранных хромосом. Такие хромосомы называются потомками. Потомки - результат преобразования - сочетают в себе свойства родителей. Например, скрещивание может быть реализовано как обмен генами с одинаковыми порядковыми номерами.
   Однако, при определении операции скрещивания имеет смысл учитывать особенности и специфику конкретной задачи. Число пар хромосом подвергающихся скрещиванию определяется коэффициентом скрещивания, на основе экспериментальных исследований.
   Мутация представляет собой случайное направленное одного или несколько ген. Эта процедура позволяет избежать локального экстремума (решения близкому к оптимальному, но не оптимального). Выбор мутирующих генов в основном осуществляется случайным образом. Однако с учетом особенностей решаемой задачи можно предусмотреть приоритетную мутацию одних элементов хромосом по сравнению с другими для ускорения процедуры поиска глобального экстремума. Число хромосом, подвергающихся мутации определяется коэффициентом мутации. Коэффициент мутации показывает какой процент хромосом будет участвовать в этой операции и определяется экспериментально. Мутации могут подвергаться только потомки или потомки и родители совместно. Причем вероятность их мутации может быть различной.
   После скрещивания и мутации размер популяции увеличивается. Однако для последующих преобразований необходимо сократить число хромосом текущей популяции. Такая процедура носит название селекции. В текущей популяции, состоящей из родителей и потомков либо только из потомков, производится отбор лучших решений, т.е. хромосом с наибольшим значением fittnes-функции.[2] Эта функция показывает насколько исследуемая хромосома близка к оптимальному решению.
   Общая структура генетического алгоритма имеет вид :

Рисунок 1 : Общая структура генетического алгоритма.

Таким образом для генетического алгоритма выделяется три основных этапа.

формирование начальной популяции;

синтез новых хромосом (скрещивание и мутация);

селекция.

При разработке генетического алгоритма для конкретной задачи первоначально необходимо определить следующие компоненты:

Хромосомы;

Начальную популяцию;

Fitness-function;

Операции скрещивания и мутации.

    Затем на основе тестовых данных в ходе экспериментальных исследований, определяются такие компоненты генетического алгоритма как (а) размер популяции; (б) скорость скрещивания; (в) скорость мутации.
     Известно несколько основных типов генетических алгоритмов, в зависимости от определения операций скрещивания, мутации и селекции. Однако наибольший эффект при использовании генетических алгоритмов достигается в том случае, когда при определении этих компонент учитываются особенности решаемой задачи. [3]

Планируемые собственные результаты

В результате выполнения работы планируется разработатьметодику и получить математическую модель оптимального состава оборудования машиностроительног предприятия,учитывая такие противоречивые критерии как: максимизировать ному использования оборудования, минимизировать количество дублированных машин (что снизит стоимостные затраты), минимизировать передвижения между производственными ячейками. Разработать модификацию генетического алгоритма для решения поставленной задачи; разработать программный модуль.

Заключение

Бурное в развитие машиностроения и одновременное резкий скачек в послевоенные годы заставили серьезно задуматься над новыми, более прецизионными способами оптимизации работы производства. В данном реферате я попыталась пояснить задачи и цели моей магистерской работы, сделать краткий обзор проблем возникающих при многокрериальной оптимизации, представить данные по существуюющим разработкам, применяемым методам. Написание магистерской работы планируется закончить в ноябре-декабре 2007 г.

Источники

"Методы разработки интегрированных АСУ промышлеными предприятиями."

Книга посвящена принципам построения АСУ промышленных прелприятий.
Автор : Уланов Г.М. : Москва; Энергоатомиздат, 1983 г

"Approaches to the general cell formation problem"
В данной статье впервые авторы развивают многократный подход принятия решения критериев чтобы решить проблему формирования производственной ячейки, когда имеются противоречивые цели.
Статья : "Approaches to the general cell formation problem"
Автор : L.R Foulds and J.M Wilson, University of Waikato, New Zealand and Bisiness Shool, Loughborough University, Great Britain
URL адрес "http://www.lboro.ac.uk/departments/bs/research/2002-2.pdf"
"Некоторые современные методы решения оптимизационных задач"
Статья посвящена ГА и основным его операторам
Статья : "Эвалюционные вычисления"
Автор : Yuri Burger
URL адрес "http://www.support.vologda.ru/Book/SCIENCE/NEURO/doklad13.htm"

		Соловьева Юлия Юрьевна Факультет : КИТА Специальность : АСУ Тема магистерской работы: Разработка автоматизированной подсистемы определения оптимального состава оборудования машиностроительного предприятия Руководитель : профессор Лаздынь С.В

RUS\| ENG\| Реферат Введение. Обоснование актуальности темы. Цели и задачи. Предпологаемая научная новизна. Предпологаемая практическая ценность. Обзор существующих исследований и разработок. Планируемые результаты. Заключение. Источники.

Ведение. Обоснование актуальности темы Принято считать, что уходящее столетие было «взрывным» по темпам развития фундаментальных и прикладных наук, промышленных и информационных и технологий. Представление о технологии, как науке о машиностроительном производстве так же переживает бурное развитие. Эта часть знаний осталась наименее известной как в профессиональном, так и в обывательском сознании. А между тем именно в эту отрасль знаний и были адресованы наибольшие инвестиции в последней декаде ушедшего столетия. Специалисты по развитию промышленности уже давно предвидели, что процессы разработки, подготовки производства, изготовления, маркетинга и продажи, эксплуатации и поддержки подчиняются одним естественным законам и могут быть формализованы в явном виде. Объектом исследования магистерской работы является машиностроительное предприятие, а именно состав его оборудования. Целью является разработка автоматизированной подсистемы определения оптимального состава оборудования. Определение количества и выбор типов оборудования, необходимого для выполнения заданной производственной программы, является основным и наиболее ответственным вопросом при расчете цеха. Неправильно подсчитанное количество или неправильно подобранное по типам оборудование влечет за собой излишек или недостаток, а также некомплектность его. При излишке оборудования происходит неполное его использование, преувеличенные и непроизводительные затраты на его приобретение, установку и содержание, увеличение площади, требующейся для его размещения. При недостатке оборудования отсутствует возможность выполнять производственное задание. Неизбежная при этом необходимость дополнить станочный парк вызывает большие затруднения вследствие ограниченности площади, а также затруднения с расстановкой, обусловленной последовательностью выполнения технологических операций Правильно подсчитанное количество станков должно одновременно предусматривать его комплектность. Если станочный парк скомплектован так, что отдельные группы станков не обладают соответственной пропускной способностью, то цех не может выпускать заданное количество готовой продукции, так как отдельные стадии обработки будут запаздывать. При неправильном подборе станков по типам и размерам для некоторых операций может не оказаться подходящих станков. Вверх Цели и задачи Целью данной работы является разработка автоматизированной подсистемы определения оптимального состава оборудования машиностроительного предприятия. Для достижения поставленной цели необходимо решить следующие задачи: Выбор и обоснование критериев оптимальности состава оборудования; Разработка постановки задачи определения оптимального состава оборудования; Выбор метода оптимизации и его модификация; Разработка программного модуля реализующего выше поставленную цель; Вверх Предпологаемая научная новизна Для решения любой оптимизационной задачи нужно построить математическую модель исследуемого процесса, состоящую из набора переменных, влияющих на этот процесс, и законов, связывающих эти переменные. В этой работе будет предложена пример модель, которая может быть использована при проектировании и описывает рентабельную конфигурацию производства виде ячеек. Модель соединяется практические инженерные проектировочные особенности, например учитывает производительность станков, использование альтернативных станков(машин, механизмов) из машинного парка, и ограниченный размер ячейки. Это интегрирует проектные решения, располагая механизмы в каждой ячейке и распределяя производственную программу по оборудованию, удовлетворяющие те машинные мощности, которые обеспечивают машинную загрузку достаточную для обеспечения необходимой производственной мощности и распределяя производства между ячейками и альтернативным оборудованием. В последние два десятилетия при оптимизации сложных систем исследователи все чаще применяют природные механизмы поиска наилучших решений. Это механизмы обеспечивают эффективную адаптацию флоры и фауны к окружающей среде на протяжении миллионов лет. Сегодня интенсивно разрабатывается научное направление Natural Computing - «Природные вычисления», объединяющее методы с природными механизмами принятия решений, а именно: - Genetic Algorithms - генетические алгоритмы; - Evolution Programming - эволюционное программирование; - Neural Network Computing - нейро-сетевые вычисления; - DNA Computing - ДНК-вычисления; - Cellular Automata - клеточные автоматы; - Ant Colony Algorithms - муравьиные алгоритмы. Хотя данная магистерская работа находится в процессе разработки, но можно предположить, что поставленная задача будет решена одним из перечисленных методов или его модификацией, вследствие многокритериальности модели. Вверх Предпологаемая практическая ценность Программный модуль, который будет разработан в данной магистерской работе позволит на практике быстро и эффективно решать задачу проектирования машиностоительного предприятия,а именно определять оптимальный состав оборудования. Практическую ценность носит так же имеет то, что данная задача будет решена при помощи эвалюционных оптимизационных методов. Вверх Обзор существующих исследований и разработок Skinner [1974] был первый, кто предложил концепцию сосредоточенной фабрики, в которой маленькие производственные системы работают независимо в пределах большой промышленной установки. Идея работает лучше всего для серийного производства. Сосредоточенная фабрика создана, используя понятия или гибких производственных систем (FMS) или группирование деталей в семейства (GT), которые основаны на предположении, что некоторые действия должны быть закреплены за семейством связанного оборудования в производственной ячейке. Позже Burbidge [1975] разработанный и популяризировал систематический подход к этой концепции, которая впоследствии имела широкое распространение в западной промышленности. Так как механизмы расположены в близко в производственной ячейке, и производственная программа задана, обычно стремяться минимизировать: транспортные потери, передвижение между ячейками, время перенастройки оборудования. Кроме того, относительно большая автономия в пределах этих производственных ячеек ведет к дополнительному побуждению рабочих (кто ответствены за изделия), часто приводящий к более высокой производительности и качеству продукции. Эти, и другие преимущества, были представлены в работах Shunk [1985] и Hadley [1996]. Однако имеются также недостатки к этому подходу, типа относительно дорогостоящего дублирования механизмов. FMS связана с GT в том, что обе являются подсистемами, которые представляют “острова” в пределах технологического процесса, включая группы механизмов (иногда включая систему погрузочно-разгрузочных работ), которые производят группа оборудования. Основная разница - то, что ГПС представляет полностью автоматизированную систему, принимая во внимание, что в GT обычной технологии вообще преобладает. Большинство недавних главных результатов в GT литературе, уделяли внимание такой проблеме, как - одиночным критерием уменьшения затраты погрузочно-разгрузочных операциев ячейки ( были представлены : Billo [1998], Chu [1995], Kusiak и Heragu [1987], Selim, Askin, и Vakharia [1998], Vakharia [1986], Wemmerhov и Hyer [1987], и Wang [1998]). Эволюционный подход к мультикритериям производственное формирование ячейки был представлен Pierreval и Plaquin [1998]. Предположим, что ряд различных изделий должен быть изготовлен, используя некоторые машинные типы. Это задано производственным процессом. Необходимо назначить различные типы продукции на индивидуальные механизмы требуемых типов и группировать механизмы так, чтобы каждая группа формировала производственную ячейку. Это ведет к следующим действиям: (A) Назначить семейства продукции на группы машин определенных типов, (B) Найти размеры партии произведенных частей, (C) Определить число механизмов, необходимых из каждого машинного типа, (D) Закрепить производство деталей, из которых состоит продукйия, за индивидуальными механизмами, (E) Объединить отдельные единицы оборудования в производственные ячейки (F) Составить графики загрузки оборудования. Так называемая машинная матрица попаданий с типовой частью определяет, которые типы продукции должны быть обработаны на машине какого типа. Желательно, чтобы машинная матрица с типовой частью была преобразована в форму диагонали блока. Решение проблемы (А) представлено в работах Askin и Standridge [1993], Kumar, Kusiak, и Vanelli [1986], Kusiak [1988], и Hadley [1996]. Каждый блок тогда показывает, которое семейство продукции должно быть обработано, на какой группе механизма. Если такое группирование диагонали блока не может быть получено, действия (b) к (e) должны быть выполнены. Для чего могут быть использованы известные методы «from inventory control» Hillier and Liebermann [1995], Nahmias [1993], Domschke, Scholl, and Voss [1997], and Neumann [1996]). Метод, который включает удельную информацию, уместную при группированию деталей в семейства, был предложен Askin и Chiu [1990]. Учитывая производственную партию, можем вычислять необходимый уровень использований каждого типа оборудования, который также обеспечивает число механизмов, необходимых из каждого типа, то есть. Проблемы (d) и (e) традиционно были решены отдельно. (см., например, Askin и Chiu [1990], Askin и Standridge [1993], Cao и McKnew [1994], Faber и Извозчик [1986], Garcia-Diaz и Ли [1995], Hadley [1996], Kumar и другие. [1986], Kusiak и Чжоу [1988], Moussa и Kamel [1995], Plaquin и Pierreval [2000], Vanelli и Холл [1993], Rajagopalan и Batra [1975], и Zhou и Askin [1998].) Однако, большинство подходов для решения проблемы (d) использются и при решении проблемы (e) и наоборот. [2] Термином «оптимизация» в литературе обозначают процесс или последовательность операций, позволяющих получить уточненное решение. Хотя конечной целью оптимизации является отыскание наилучшего или «оптимального» решения, обычно приходится довольствоваться улучшением известных решений, а не доведением их до совершенства. Поэтому под оптимизацией понимают скорее стремление к совершенству, которое, возможно, и не будет дос- тигнуто. Задача принятия решения состоит в выборе среди множества возможных решений (их называют также вариантами, планами и т.п.) такого решения, которое являлось бы в определенном смысле лучшим или, как говорят, оптимальным. Одной из причин, приводящей к многокритериальности, является множественность технических требований, которые предъявляются к характеристикам проектируемого устройства. Следующей причиной многокритериальности является необходимость обеспечения оптимальности проектируемого устройства при различных условиях его функционирования, то есть обеспечение экстремальных значений критерия оптимальности при неопределенности условий, в которых приходится работать устройству. В последние годы появилось очень большое количество научных работ, посвященных векторной оптимизации. Если все критерии имеют одинаковую важность, можно выделить подходы, основаные на принципах: - принцип справедливого компромисса; [1] - принцип Чебышевской оптимальности; - принцип интегральной оптимальности; [1] - принцип диференциальной оптимальности; - принцип слабой оптимальности по Парето;[1] При постановке задачи оптимального проектирования одним из основных вопросов является выбор критерия оптимальности Q( x ). С одной сторoны, критерий должен иметь конкретный физический смысл, а с другой - от него требуется, чтобы он как можно полнее характеризовал проектируемое устройство. Однако требования функциональной полноты трудно удовлетворить с помощью только одного скалярного показателя, так как он обычно описывает конкретное свойство устройства. В связи с этим приходится рассматривать совокупность показателей, каждый из которых имеет наглядную физическую интерпретацию и позволяет оценить качество оптимального решения с различных точек зрения. Метод свертывания векторного критерия. Этот метод является наиболее распространенным методом решения многокритериальных задач, учитывающим относительную важность частных критериев оптимальности с помощью построения скалярной функции F, являющейся обобщенным критерием относительно векторного критерия Q(x) и решения однокритериальной задачи оптимизации где w{w1,...ws} весовые коэффициенты относительной важности частных критериев. В качестве обобщенных критериев могут быть использованы функции F следующего вида: а) аддитивный критерий оптимальности: б) мультипликативный критерий оптимальности: в) среднестепенной обобщенный критерий оптимальности: Способы назначения весовых коэффициентов в аддитивном критерии оптимальности. Для равноценных критериев, то есть критериев, для которых невозможно установить приоритет по важности, значения весовых коэффициентов wi выбираются одинаковыми . Для неравноценных критериев, то есть критериев, для которых ЛПР мо жет установить приоритет по важности, значения весовых коэффициентов выбираются в соответствии с важностью критерия. . Существует много способов и числовых приемов, позволяющие по информации о качестве значений частных критериев оптимальности определять значения весовых коэффициентов. Расмотрим для примера один из них : Для каждого частного критерия оптимальности вычисляется коэффициент относительного разброса где , который определяет максимально возможное отклонение по i-му частному критерию. Весовые коэффициенты wi получают наибольшее значение для тех критериев, относительный разброс которых в области Dq наиболее значителен . Как только технический эскизный проект правильно параметризирован - с закрепленной топологией – должен быть выбран эффективный метод оптимизации . Большое число прикладных задач из различных областей знаний сводится к оптимальным задачам. К настоящему времени накоплен огромный опыт решения оптимизационных задач, как для конкретных приложений, так и в обобщенном виде. Все существующие методы решения можно разделить на: (a) детерминированные; (б) эвристические; (в) комбинированные. Детерминированные методы дают точную оценку исследуемому процессу и однозначно определить функциональные связи между “входами” и “выходами”. Если такая связь является вероятностной, то мы имеем дело с детерминистическими вероятностными методами. Противоположными детерминистическим методам являются эвристические, в частности методы самоорганизации. Они используют генераторы случайных комбинаций (гипотез) и интегральные самоотборы лучших из них по эвристическим критериям. Подход самоорганизации является общим, интегральным и не требует глубокого исследования каждого элемента системы в отдельности. Полученные в последнее время методы решения оптимизационных задач преимущественно относятся к первым двум направлениям. Точные математические методы подчас остаются бессильными. Детермистическое направление эффективно при решении действительно небольших, специфических задач. и непригодно для решения трудно формализуемых и сложных многоуровневых задач. К таким задачам относится, например, те в которых нельзя все исходные данные задать в числовом виде или вообще их получить (задачи психологии, социологии, экономики и т.д.). Проблема многомерности заключается в том, что даже в тех случаях, когда ввод и переработку данных удается формализовать в виде, пригодном для автоматической обработки, вычисленные затраты могут быть несоизмеримо велики. Например, такие ситуации возможны при решении задач экстремального управления, экономического прогнозирования, задачи оценки надежности и т.д. Таким образом существует класс задач (экономических и технических) для которых детерминистические методы решения не приемлемы и ли не обеспечивают необходимой точности результатов. Следовательно, альтернативный метод состоит в использовании эвристических методов: самоорганизующихся и генетических алгоритмов. Генетические алгоритмы в каком-то смысле являются аналогом самоорганизующихся (впервые они были выведены Холландом [10]). В настоящее время они исследуются более интенсивно и находят свое приложение в обработке изображений, системах управления принятия решений. Различие генетических и самоорганизующихся алгоритмов состоит в определении исходных данных и интерполяции процедуры самоорганизации. Известны примеры самоорганизующихся алгоритмов в системах управления . Еще одним из современных методов решения оптимизационных задач является аппарат нечеткой логики. Это направление сочетает свойства детерминированного и детерминистического вероятностного подходов. Результат нечеткой логики очень широко используются при решении самых разнообразных прикладных задач. Известные генетические алгоритмы носят преимущественно прикладной характер. Нечеткая логика наиболее часто используется в задачах принятия решений. Они помогают решить целый класс комплексных задач, включающих комбинаторную оптимизацию и реализацию высокоточных инженерно-технических задач. Генетические алгоритмы - это оптимизационные алгоритмы, относящиеся к классу вероятностных. Они сочетают элементы стохастических и детерминиских подходов. В связи с этим генетические алгоритмы нельзя отнести только к алгоритмам случайного поиска. Поиск решения осуществляется путем одновременного анализа нескольких ветвей эволюции. Причем, при эволюции “выживают” только наилучшие варианты решений, в то время как “плохие” решения “вымирают”. Для определения значимости каждого решения используется целевая (эволюционная) функция, которая выполняет роль окружающей среды при моделировании эволюционного процесса. В начале генетического алгоритма формируется множество потенциальных решений (гипотез), которое представляет собой начальную популяцию. В большинстве случаев это множество формируется случайно. Однако, для увеличения скорости сходимости алгоритма в начальную популяцию, могут включаться решения, полученные с помощью другого оптимизационного метода. Размер начальной популяции определяется экспериментально, однако число потенциальных решений должно превышать одно. Одним из наиболее важных элементов генетические алгоритмы являются кодированием потенциальных решений, т.е. формированием хромосомы. Полученная структура называется хромосомой. Хромосома состоит из более чем одного элемента (гена). Гены могут принимать бинарные, целочисленные и вещественные значения. Если обозначить ген как ij, то S-я хромосома определяется последовательностью VS = {i1, i2, i3, ... im}. Известны три основные вида хромосом: строчные; векторные; табличные. Для строчных хромосом характерно, что изменение одного из генов не влечет за собой изменения остальных. В векторном описании хромосом существует взаимосвязь как минимум двух ген. Табличное представление хромосом характерно для решения транспортных задач с линейным и нелинейным ограничением переменных. Например, для задач целочисленного программирования генами являются значения переменных оптимизируемой системы. После формирования начальной популяции, осуществляется процесс синтеза новых решений (поколений) задачи. Исходными данными для него являются хромосомы текущей популяции. Исследуемая в некоторый момент времени популяция называется текущей. В начале работы алгоритма текущая популяция совпадает с начальной. Новое поколение хромосом генерируется посредствам двух основных операций: скрещивания и мутации. Скрещивание моделирует передачу наследственности хромосомами. Эта операция обуславливает целенаправленное закономерное “приближение” свойств хромосом к оптимальному решению. Пусть эта процедура состоит в обмене элементов (генов) двух случайно выбранных хромосом. Такие хромосомы называются потомками. Потомки - результат преобразования - сочетают в себе свойства родителей. Например, скрещивание может быть реализовано как обмен генами с одинаковыми порядковыми номерами. Однако, при определении операции скрещивания имеет смысл учитывать особенности и специфику конкретной задачи. Число пар хромосом подвергающихся скрещиванию определяется коэффициентом скрещивания, на основе экспериментальных исследований. Мутация представляет собой случайное направленное одного или несколько ген. Эта процедура позволяет избежать локального экстремума (решения близкому к оптимальному, но не оптимального). Выбор мутирующих генов в основном осуществляется случайным образом. Однако с учетом особенностей решаемой задачи можно предусмотреть приоритетную мутацию одних элементов хромосом по сравнению с другими для ускорения процедуры поиска глобального экстремума. Число хромосом, подвергающихся мутации определяется коэффициентом мутации. Коэффициент мутации показывает какой процент хромосом будет участвовать в этой операции и определяется экспериментально. Мутации могут подвергаться только потомки или потомки и родители совместно. Причем вероятность их мутации может быть различной. После скрещивания и мутации размер популяции увеличивается. Однако для последующих преобразований необходимо сократить число хромосом текущей популяции. Такая процедура носит название селекции. В текущей популяции, состоящей из родителей и потомков либо только из потомков, производится отбор лучших решений, т.е. хромосом с наибольшим значением fittnes-функции.[2] Эта функция показывает насколько исследуемая хромосома близка к оптимальному решению. Общая структура генетического алгоритма имеет вид : Рисунок 1 : Общая структура генетического алгоритма. Таким образом для генетического алгоритма выделяется три основных этапа. формирование начальной популяции; синтез новых хромосом (скрещивание и мутация); селекция. При разработке генетического алгоритма для конкретной задачи первоначально необходимо определить следующие компоненты: Хромосомы; Начальную популяцию; Fitness-function; Операции скрещивания и мутации. Затем на основе тестовых данных в ходе экспериментальных исследований, определяются такие компоненты генетического алгоритма как (а) размер популяции; (б) скорость скрещивания; (в) скорость мутации. Известно несколько основных типов генетических алгоритмов, в зависимости от определения операций скрещивания, мутации и селекции. Однако наибольший эффект при использовании генетических алгоритмов достигается в том случае, когда при определении этих компонент учитываются особенности решаемой задачи. [3] Вверх Планируемые собственные результаты В результате выполнения работы планируется разработатьметодику и получить математическую модель оптимального состава оборудования машиностроительног предприятия,учитывая такие противоречивые критерии как: максимизировать ному использования оборудования, минимизировать количество дублированных машин (что снизит стоимостные затраты), минимизировать передвижения между производственными ячейками. Разработать модификацию генетического алгоритма для решения поставленной задачи; разработать программный модуль. Вверх Заключение Бурное в развитие машиностроения и одновременное резкий скачек в послевоенные годы заставили серьезно задуматься над новыми, более прецизионными способами оптимизации работы производства. В данном реферате я попыталась пояснить задачи и цели моей магистерской работы, сделать краткий обзор проблем возникающих при многокрериальной оптимизации, представить данные по существуюющим разработкам, применяемым методам. Написание магистерской работы планируется закончить в ноябре-декабре 2007 г. Вверх Источники "Методы разработки интегрированных АСУ промышлеными предприятиями." Книга посвящена принципам построения АСУ промышленных прелприятий. Автор : Уланов Г.М. : Москва; Энергоатомиздат, 1983 г "Approaches to the general cell formation problem" В данной статье впервые авторы развивают многократный подход принятия решения критериев чтобы решить проблему формирования производственной ячейки, когда имеются противоречивые цели. Статья : "Approaches to the general cell formation problem" Автор : L.R Foulds and J.M Wilson, University of Waikato, New Zealand and Bisiness Shool, Loughborough University, Great Britain URL адрес "http://www.lboro.ac.uk/departments/bs/research/2002-2.pdf" "Некоторые современные методы решения оптимизационных задач" Статья посвящена ГА и основным его операторам Статья : "Эвалюционные вычисления" Автор : Yuri Burger URL адрес "http://www.support.vologda.ru/Book/SCIENCE/NEURO/doklad13.htm"
ДонНТУ > Портал магистров > Реферат \| Библиотека \| Ссылки \| Отчет о поиске \| Индивидуальное задание

			S_U_U@mail.ru
	Реферат Библиотека Ссылки Отчет о поиске Индивидуальное задание На главную		ДонНТУ Портал магистров

Соловьева Юлия Юрьевна Факультет : КИТА Специальность : АСУ

Тема магистерской работы: Разработка автоматизированной подсистемы определения оптимального состава оборудования машиностроительного предприятия

Руководитель : профессор Лаздынь С.В

Реферат

Соловьева Юлия Юрьевна
Факультет : КИТА
Специальность : АСУ