Paperitehtaan tuotannon karkeasuunnitelman optimointi geneettisillä algoritmeilla
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Helsinki University of Technology |
Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Authors
Date
1997
Department
Major/Subject
Automaatiotekniikka
Mcode
Aut-84
Degree programme
Language
fi
Pages
84
Series
Abstract
Tämän diplomityön tavoitteena on ollut tutkia paperitehtaan tuotannonsuunnitteluprosessia ja erityisesti tuotannon karkeasuunnitelman optimointiin vaikuttavia asioita. Tutkimuksen perusteella tavoitteena oli kehittää mahdollisimman yleispätevä karkeasuunnitelman optimointimalli. Henkilökohtaisten tietokoneiden ja heurististen optimointimenetelmien nopea kehittyminen on tehnyt karkeasuunnitelman optimoinnista entistä kiinnostavamman, sillä lisääntynyt laskentateho mahdollistaa yhä monimutkaisempien ongelmien ratkaisemisen. Tässä työssä tutkittiin geneettisten algoritmien perusominaisuuksia ja niiden soveltuvuutta paperitehtaan tuotannon karkeasuunnitelma optimoitiin. Karkeasuunnittelun perustavoitteena on jakaa paperitehtaassa tuotettavat tilaukset tehtaan paperikoneille ja määrittää kunkin koneen tilausten valmistusjärjestys siten, että tuotannon kokonaiskustannukset ovat mahdollisimman pienet ja jälkikäsittelykapasiteetti on riittävä tämän tuotannon toteuttamiseen. Tärkeimmät kustannukset paperikoneen ajo-ohjelman tilausjärjestyksen optimoinnissa ovat: laadunvaihtokustannukset, tuotettavien ajojen koosta aiheutuvat kustannukset ja tilausten valmistusajankohdasta aiheutuvat kustannukset eli varastointi-, varo- ja myöhästymiskustannukset. Geneettiset algoritmit ovat optimointiongelmien ratkaisemiseen käytettäviä adaptiivisia metodeja, jotka jäljittelevät biologisten orgaanien geneettisiä toimintoja. Geneettisten algoritmien toiminnan perusajatuksia ovat luonnossa vallitsevat vahvimman selviytymisen ja luonnollisen valinnan periaatteet, joiden avulla eri lajit kehittyvät sukupolvien kuluessa selviytymään entistä paremmin muuttuvassa ympäristössään. Koeaineistolla suoritetut optimointikokeet tuottivat erittäin lupaavia tuloksia. Optimointimallin parametroinnilla pystytään tehokkaasti ohjamaan optimoinnin tuottamia ratkaisuja, mikä myös osoittaa optimointimallin ja optimoinnin toimivuutta ja käytettävyyttä.Description
Supervisor
Halme, AarneThesis advisor
Karhu, PanuKeywords
production planning, scheduling, genetic algorithms