OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E...

8
OTIMIZAÇÃO DE LINHAS OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR DE MONTAGEM POR ALGORÍTMOS ALGORÍTMOS GENÉTICOS: ANÁLISE, GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E APERFEIÇOAMENTO E IMPLEMENTAÇÃO IMPLEMENTAÇÃO

Transcript of OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E...

Page 1: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

OTIMIZAÇÃO DE OTIMIZAÇÃO DE LINHAS DE LINHAS DE

MONTAGEM POR MONTAGEM POR ALGORÍTMOS ALGORÍTMOS

GENÉTICOS: ANÁLISE, GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E APERFEIÇOAMENTO E

IMPLEMENTAÇÃOIMPLEMENTAÇÃO

Page 2: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

ÉLDMAN DE OLIVEIRA NUNES ÉLDMAN DE OLIVEIRA NUNES E E

AURA CONCIAURA CONCI

INSTITUTO DE COMPUTAÇÃOINSTITUTO DE COMPUTAÇÃO

UFFUFF

Page 3: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

Algoritmo Genético Original

Melhor cromossomo encontrado

Melhor solução encontrada (layout da linha)

Page 4: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

Parâmetros Genéticos:

População inicial: 100 indivíduos

Avaliação:

Ffitness = 1- (Fobj + Cp . Penalidade)/STT + 72 . Tp max

- FObj = (i=110) max { TTA [Aesq (Pi)], TTA [Adir (Pi)]}

- Cp (Coeficiente de aplicação de penalidade) = 2,0

- Penalidade = número de violações às precedências x tempo

de duração da atividade mais longa da linha.

- Somatória dos tempos de execução de todas as atividades da

linha: SST = (i=113) TTA (Ai )

Reprodução: cruzamento de um ponto (80% probabilidade)

mutação simples de bits (probabilidade de 4% por bit)

Seleção: stochastic universal sampling

Sobrevivência: elitismo do melhor indivíduo

Critério de parada: 200 gerações

Page 5: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

Algorítmo Genético Algorítmo Genético PropostoProposto

Alterações propostas

Geração heurística da população inicial Geração heurística da população inicial

Cruzamento modificadoCruzamento modificado

Mutação modificadaMutação modificada

Módulo de busca localMódulo de busca local

Page 6: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

Interface do programa AGBALIM -Interface do programa AGBALIM -

AG Balanceamento de Linhas de MontagemAG Balanceamento de Linhas de Montagem

Page 7: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

Resultado dos testesOperadores Genéticos

14,8514,9515,0515,1515,2515,3515,4515,5515,6515,7515,8515,9516,0516,1516,2516,3516,45

1 2 3 4 5 6 7 8 9 10

Testes

Te

mp

o d

a L

inh

a

Original

Inic AG

Testando a inicialização heurística (melhor indivíduo encontrado)

Page 8: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO.

Operadores Genéticos

14,8514,9515,0515,1515,2515,3515,4515,5515,6515,7515,8515,9516,0516,1516,2516,3516,45

1 2 3 4 5 6 7 8 9 10

Testes

Te

mp

o d

a L

inh

a

Original

Cruz Mod

Testando o cruzamento proposto (melhor indivíduo encontrado)