Lập tiến trình công nghệ tối ưu là một vấn đề hết sức
quan trọng trong công nghệ CAPP. Bài báo đã trình bày
cách tiếp cận giải thuật GA với các toán tử chọn lọc, lai
ghép, đột biến được mô tả bằng ngôn ngữ toán học để
lập tiến trình công nghệ tối ưu. Một chi tiết điển hình với
nhiều đối tượng gia công được mô tả bằng các ma trận ràng
buộc, ma trận chi phí. Giải thuật GA được trình bày ở trên
cũng đã được ứng dụng để tìm tiến trình công nghệ với chi
phí thấp nhất và rõ ràng hiệu quả của giải thuật GA tốt hơn
so với giải thuật ACO
5 trang |
Chia sẻ: huongthu9 | Lượt xem: 514 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Tối ưu tiến trình công nghệ bằng giải thuật di truyền, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(126).2018, Quyển 1 125
TỐI ƯU TIẾN TRÌNH CÔNG NGHỆ BẰNG GIẢI THUẬT DI TRUYỀN
OPTIMIZATION OF OPERATION SEQUENCING BASED ON GENETIC ALGORITHM
Phạm Trường Tùng1, Phạm Đăng Phước2, Lưu Đức Bình3
1, 2Trường Đại học Phạm Văn Đồng; pttung@pdu.edu.vn, pphamdang@yahoo.com
3Trường Đại học Bách khoa – Đại học Đà Nẵng; ldbinh@dut.edu.vn
Tóm tắt - Lập tiến trình công nghệ được xem là yếu tố quan trọng,
phức tạp trong công nghệ CAPP (Computer Aided Process
Planning). Bài báo trình bày việc ứng dụng giải thuật di truyền (GA)
trong việc xác định tiến trình công nghệ với hàm mục tiêu là chi phí
thấp nhất. Một giải thuật di truyền gồm các toán tử lai ghép, đột biến,
chiến lược lựa chọn cá thể trên cơ sở “mô hình ưu tú” được đề nghị.
Một ma trận ràng buộc được tạo ra trên cơ sở quan hệ hình học của
chi tiết, các yêu cầu công nghệ và các tài nguyên gia công. Tiến trình
công nghệ tối ưu được xác định bằng thuật toán tối ưu trên cơ sở
tuân thủ các luật ràng buộc của ma trận ràng buộc. Cuối cùng, một
ví dụ thực tế được đưa ra để chứng tỏ rằng tính hội tụ đến lời giải tối
ưu của GA tốt hơn so với giải thuật đàn kiến (ACO).
Abstract - Process sequencing is considered as the key technology
for computer aided process planning (CAPP) and is very complex.
This paper deals with optimization of operation sequencing based on
Genetic Algorithm (GA) with the lowest cost function. A GA is
proposed, including the crossover, mutation operators and selection
strategy based on “elitist model”. A matrix of constrants is created
based on geometrical shape of part, technology requirements and
available machining resources. An optimization of operation
sequencing is found through GA in compliance with rules of matrix of
constrants. Finally, an experiment is presented to verify that the
convergence to optimal solution is better than that to Ant colony
optimization Algorithm (ACO).
Từ khóa - giải thuật di truyền; CAPP; tối ưu; tiến trình công nghệ;
ma trận ràng buộc.
Key words - genetic algorithm; CAPP; optimization; operation
sequencing; constraint matrix.
1. Đặt vấn đề
Thiết kế quy trình công nghệ là quá trình đưa ra giải
pháp công nghệ dựa trên các thông số đầu vào như kích
thước, hình dáng vật liệu phôi; các yêu cầu kỹ thuật của chi
tiết gia công; dạng sản xuất; chủng loại và thông số kỹ thuật
của máy; chủng loại, kích thước và vật liệu dao; kích thước,
hình dáng vật liệu phôi; các yêu cầu kỹ thuật của chi tiết
gia công; các yêu cầu kinh tế xã hội; điều kiện sản xuất, bí
quyết và truyền thống công nghệ, Phương pháp chuẩn bị
công nghệ truyền thống mang nặng tính chủ quan và tính
hợp lý phụ thuộc vào kỹ năng, kiến thức, kinh nghiệm của
người thiết kế và thực tế là rất khó có thể là phương án tối
ưu. Việc chuẩn bị công nghệ có sự trợ giúp của máy tính
(CAPP) khắc phục được các nhược điểm của phương pháp
truyền thống, nâng cao chất lượng quy trình công nghệ, rút
ngắn thời gian lập quy trình công nghệ.
Theo Paiva Gustavo Silva và Carvalho Marco Antonio M.
[1], giải quyết bài toán lập tiến trình công nghệ là một trong
những vấn đề quan trọng, khó khăn, phức tạp khi nghiên cứu
CAPP, bởi đây là dạng bài toán NP (nondeterministic
polymonial) khó, phi tuyến, hàm mục tiêu và các điều kiện
ràng buộc là yếu tố không được định lượng rõ ràng. Do đó,
việc giải bài toán bằng các giải thuật truyền thống là khó khăn
và thường không cho được kết quả tối ưu.
Tối ưu tiến trình công nghệ bằng cách sử dụng các giải
thuật thông minh đã được quan tâm nghiên cứu trong những
năm gần đây. Wang Jinfeng và Fan Xiaoliang cùng các cộng
sự [2] đã sử dụng thuật toán đàn dơi lai (Hybird Bat
Algorithm) dựa trên nguyên lý mô phỏng việc định vị bằng
siêu âm của đàn dơi và kết hợp hai chiến lược tìm kiếm nhằm
tránh vấn đề hội tụ cục bộ để lập tiến trình công nghệ tối ưu.
Petrović Milica và Vuković Najdan cùng các cộng sự [3] đã
sử dụng thuật toán tối ưu bầy đàn hỗn loạn CPSO (Chaotic
Particle Swarm Optimization) để xác định tiến trình công
nghệ và kế hoạch sản xuất tối ưu trên hệ thống sản xuất. Tran
Anh Van và Nguyen Ngoc Binh [4] sử dụng thuật toán tối ưu
đàn kiến (ACO) để xác định tiến trình công nghệ tối ưu. Paiva
Gustavo Silva và Carvalho Marco Antonio M. [1] lại sử dụng
thuật toán heuristic cải tiến để xác định chuỗi công việc và bài
toán chọn dao tối ưu trong hệ thống sản xuất linh hoạt (FMS).
Giải thuật di truyền (Genetic Algorithm - GA) cũng đã
được quan tâm, nghiên cứu ứng dụng cho việc tối ưu hóa các
hoạt động công nghệ trong sản xuất. Khan Z. và Prasad B.
cùng các cộng sự [5] đã sử dụng cả hai thuật toán GA và giải
thuật mô phỏng luyện kim (Simulated Annealing - SA) để xác
định các chế độ cắt cho nguyên công tiện nhiều lớp với các
vật liệu và dao khác nhau. Li L. và Fuh J. Y. H. cùng các cộng
sự [6] ứng dụng GA trong việc xác định tiến trình tối ưu hoặc
gần tối ưu trên cơ sở một số các tiêu chuẩn cho hệ thống sản
xuất phân tán. Chiu Nan-Chieh và Fang Shu-Cherng cùng các
cộng sự [7] sử dụng GA để xác định chuỗi hoạt động của trung
tâm gia công phay/tiện với các máy song song.
Bài báo trình bày việc ứng dụng giải thuật di truyền để
lập tiến trình công nghệ gia công chi tiết trong sản xuất loạt
nhỏ với hàm mục tiêu là giá thành thấp nhất. Thông tin chi
tiết sẽ được biểu diễn theo quan điểm hướng đối tượng, các
ràng buộc hình học giữa các đối tượng, các chi phí gia công
cũng sẽ được tính đến.
2. Kết quả nghiên cứu
2.1. Một số các định nghĩa
2.1.1. Biểu diễn đối tượng gia công
Một đối tượng gia công có thể định nghĩa bởi bốn thuộc
tính như sau:
( ) , , , , i e a iF ID F A M f= (1)
Trong đó:
- Fi biểu diễn đối tượng gia công thứ i của chi tiết.
- ID biểu diễn mã của đối tượng gia công.
- Fe biểu diễn đối tượng gia công thuộc loại nào.
126 Phạm Trường Tùng, Phạm Đăng Phước, Lưu Đức Bình
- A biểu diễn độ chính xác gia công.
- Ma biểu diễn vật liệu.
- fi biểu diễn nguyên công, hay bước nguyên công thứ i
trong bảng tiến trình công nghệ.
2.1.2. Phần tử gia công
Mỗi đối tượng gia công Fi có thể được tạo bởi chuỗi các
nguyên công hay bước nguyên công khác nhau. Mỗi bước
này gọi là phần tử gia công. Để thuận tiện, ta gọi F là tập
các phần tử gia công và fi là phần tử gia công thứ i thì
F = {f1, f2, fn}, với n là số các phần tử gia công. Với mỗi
phần tử gia công, ta quy ước:
- Một phần tử gia công chỉ thuộc về một đối tượng gia
công, có thể là một nguyên công hoặc một bước nguyên công.
- Một phần tử gia công chỉ sử dụng một loại dao cụ duy
nhất khi gia công.
- Một phần tử gia công chỉ gia công trong một lần gá đặt.
- Một phần tử gia công chỉ dùng duy nhất một phương
pháp gia công.
Ta mô tả mối quan hệ giữa các phần tử gia công i và j
bằng một ma trận gọi là ma trận ràng buộc:
12 1
21 2
1 2
0 ...
0 ...
... ... 0 ...
... 0
n
n
n n
r r
r r
R
r r
=
(2)
Trong đó:
- rij = 1 nếu phần tử gia công i được thực hiện trước
phần tử gia công j;
- rij = 0 nếu phần tử gia công i được thực hiện sau j.
Các phần tử gia công trước khi được sắp xếp theo một
tiến trình hợp lý thì trước hết phải thỏa mãn ma trận ràng
buộc này.
2.1.3. Mục tiêu tối ưu hóa
Khi lập tiến trình công nghệ, các nhà công nghệ luôn
mong muốn lập một tiến trình gia công mà thời gian gia
công là ngắn nhất, chi phí gia công là nhỏ nhất và chất
lượng là cao nhất. Bài báo này chỉ xét đến mục tiêu là tối
ưu hóa chi phí gia công. Chi phí gia công của chi tiết bao
gồm tổng chi phí thực hiện các phần tử gia công cộng với
chi phí khi vận chuyển từ phần tử này sang phần tử khác.
Số lượng các phần tử gia công trên chi tiết là không đổi, do
đó chi phí trên mỗi chi tiết gia công là cố định, do vậy muốn
giảm chi phí gia công ta phải giảm chi phí chuyển đổi từ
phần tử này sang phần tử khác.
Để biểu diễn chi phí khi chuyển các phần tử gia công ta sử
dụng một ma trận chi phí. Quá trình chuyển đổi giữa các phần
tử chủ yếu phát sinh từ những vấn đề sau: chi phí thay đổi máy
móc, chi phí thay đổi đồ gá, chi phí thay dao. Giả sử chi phí
tổng là C, chi phí khi chuyển từ phần tử gia công thứ i sang
thứ j là Cij. Ma trận chi phí có thể biểu diễn như sau:
11 12 1
21 22 2
1 2
...
...
... ... ... ...
...
n
n
n n nn
C C C
C C C
C
C C C
=
(3)
Gọi ma trận khoảng cách F theo quy luật như sau: nếu
rij = 0 thể hiện đối tượng gia công thứ i đứng trước đối
tượng gia công thứ j, khi đó không tồn tại chi phí gia công,
Cij = 0 thì fij = 0. Nếu rij = 1, chi phí gia công fij = Cij. Ma
trận khoảng cách cuối cùng sẽ là:
11 12 1
21 22 2
1 2
...
...
... ... ... ...
...
n
n
n n nn
f f f
f f f
F
f f f
=
(4)
Hàm mục tiêu là quãng đường ngắn nhất có thể được
biểu diễn như sau:
1
1
j n
ij
i
f f
= −
=
= (5)
Ở đây, fij biểu diễn chi phí khi chuyển giữa phần tử gia
công thứ i sang phần tử gia công thứ j.
2.2. Giải thuật di truyền xác định tiến trình công nghệ tối ưu
2.2.1. Giải thuật di truyền
Giải thuật di truyền cũng như các thuật toán tiến hoá
khác hình thành dựa trên quan niệm cho rằng quá trình tiến
hoá tự nhiên là quá trình hợp lý, hoàn hảo, tự nó đã mang
tính tối ưu. Quan điểm trên như một tiên đề, không chứng
minh, nhưng phù hợp với thực tế khách quan. Giải thuật di
truyền sử dụng một số thuật ngữ của ngành di truyền học
như: nhiễm sắc thể, quần thể (population), gen.... Nhiễm
sắc thể được tạo thành từ các gen. Mỗi gen mang một số
đặc trưng và có vị trí nhất định trong nhiễm sắc thể. Mỗi
nhiễm sắc thể sẽ biểu diễn một lời giải của bài toán.
Một giải thuật di truyền cơ bản bao gồm các bước sau:
Bước 1: Khởi tạo một quần thể ban đầu gồm các chuỗi
nhiễm sắc thể.
Bước 2: Xác định giá trị mục tiêu cho từng nhiễm sắc
thể tương ứng.
Bước 3: Tạo các nhiễm sắc thể mới dựa trên các toán tử
di truyền.
Bước 5: Xác định hàm mục tiêu cho các nhiễm sắc thể
mới và đưa vào quần thể.
Bước 4: Loại bớt các nhiễm sắc thể có độ thích nghi thấp.
Bước 6: Kiểm tra thỏa mãn điều kiện dừng. Nếu điều
kiện đúng, lấy ra nhiễm sắc thể tốt nhất, giải thuật dừng lại.
Ngược lại, quay về Bước 3.
2.2.2. Thuật toán giải thuật di truyền xác định tiến trình
công nghệ tối ưu
Để sử dụng giải thuật di truyền tối ưu tiến trình công
nghệ, nhóm tác giả đề xuất các phương pháp định nghĩa
các toán tử di truyền như sau:
Cá thể: Trong giải thuật này, mỗi cá thể được đại diện
bởi một nhiễm sắc thể đặc trưng cho độ thích nghi của cá
thể trong quần thể. Một chi tiết gia công có N phần tử gia
công, được đánh số thứ tự từ 1 đến N. Ta gọi p là tập các
phần tử gia công p = {1, 2, N}. Khi đó, nhiễm sắc thể
E là một véc-tơ N phần tử với các phần tử véc-tơ là một
phần tử gia công.
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(126).2018, Quyển 1 127
1
2
...
N
e
e
E
e
=
(6)
Trong đó: ei p và ei ej ij.
Tập hợp các cá thể E, gọi là quần thể, ký hiệu P.
Độ thích nghi của mỗi cá thể: là tổng chi phí của mỗi
lời giải. Độ thích nghi chính là hàm mục tiêu của bài toán
toán tối ưu cần hướng tới.
1
1
1
i i
N
e e
i
f f
+
−
=
= (7)
Trong đó:
1i ie e
f
+
là phần tử thuộc ma trận F được định
nghĩa trong (4).
Sinh sản: Quá trình sinh sản là quá trình lai ghép một
phần nhiễm sắc thể của cá thể cha và một phần nhiễm sắc
thể của cá thể mẹ. Việc chọn các cá thể cha/mẹ để lai ghép
được dựa trên độ thích nghi của các cá thể cha/mẹ trong
quần thể theo nguyên tắc độ thích nghi của cá thể nào cao
hơn thì xác suất được lựa chọn cũng cao hơn. Xác suất để
lựa chọn cá thể cha, mẹ theo công thức (8). Chiến lược lựa
chọn cá thể cha/mẹ dựa trên nguyên lý bánh xe Roullet [8].
/
/
f m
f m
f
p
f
=
(8)
Trong đó: f là tổng độ thích nghi của quần thể.
Gọi k là vị trí lai ghép giữa hai nhiễm sắc thể cha Ef và
nhiễm sắc thể mẹ Em. Khi đó, nhiễm sắc thể của con được
lai ghép từ cặp cha mẹ trên là:
f
c f mE E I E
= +
Trong đó:
( )
1
k
f f fi N
E e I E
= =
(9)
( )
( )
( ) ( )
k k N kk
N k k N k N k
I Zero
I
Zero Zero
−
− − −
=
(10)
-
kI là ma trận đơn vị cấp k.
- ( )N k kZero − là ma trận 0 có (N-k) hàng và k cột.
- mE
là véc-tơ có N phần tử với:
( )
1
k
mi mi mi pj
j
e e e e
=
= − (11)
f
ij N N
I a
= với:
11
1 1
0
ji
ij
f i lj ip m j
l p
if i k
a
e a a e if i k
−−
= =
=
+ +
(12)
( )
0 0
1
if u
u
else
=
=
(13)
( )
1 0
0
if u
u
else
=
=
(14)
Hình 1. Mô tả quá trình lai ghép
Đột biến: là quá trình tạo ra một nhiễm sắc thể không
mang bất kỳ kiểu nhiễm sắc thể nào từ cha và mẹ với một
xác suất rất nhỏ. Trong giải thuật di truyền cho bài toán tối
ưu hóa tiến trình công nghệ bằng giải thuật di truyền, ta
thực hiện phép đột biến như sau: Chọn ngẫu nhiên 1 cá thể
E trong quần thể; Chọn ngẫu nhiên 2 vị trí k1 và k2 trên
nhiễm sắc thể của cá thể được chọn, tráo đổi 2 vị trí đó để
trở thành nhiễm sắc thể cá thể E* sau đột biến. Ta mô tả
bằng công thức sau:
m
E I E
= (15)
Trong đó:
m
ij N N
I b
= (16)
1 2
1
2
1 0 0 ... 0 ... 0
0 1 0 ... ... ... 0
0 0 ... ... 0 ... 0
0 0 ... 0 0
0 0 ... 0 0 ... 0
0 0 0 1 0
0
0 1
1 0
0 0 0 ... 0 1
m
N N
k k
I
k
k
=
→
→
(17)
Ví dụ:
Hình 2. Mô tả quá trình đột biến
Chọn lọc: Sau các quá trình sinh sản và đột biến, kích
thước quần thể sẽ tăng lên, do đó toán tử chọn lọc là một
phần rất quan trọng của giải thuật GA. Nó quyết định sự
hội tụ của giải thuật đến kết quả tối ưu. Có rất nhiều các
chiến lược lựa chọn đã được đề xuất. Như chiến lược “mô
hình thủ lĩnh”, hay chiến lược “cạnh tranh” ... dựa trên cơ
sở giới hạn quần thể của thuật toán và độ thích nghi của
từng cá thể theo công thức . Trong bài báo này, nhóm tác
giả sử dụng chiến lược “mô hình ưu tú” để tiến hành loại
128 Phạm Trường Tùng, Phạm Đăng Phước, Lưu Đức Bình
bỏ các cá thể có độ thích nghi thấp, chỉ giữ lại các cá thể
có độ thích nghi cao (tức giữ lại các kết quả tốt nhất của
bài toán tối ưu).
Cuối cùng, sau quá trình sinh sản, đột biến sẽ sinh ra
các cá thể của một đời mới và được bổ sung vào quần thể.
Thông qua quá trình chọn lọc, chỉ các cá thể tốt mới được
giữ lại trong quần thể và qua một số đời, giải thuật sẽ dừng
và cá thể có độ thích nghi cao nhất trong quần thể chính là
đáp án cho bài toán tối ưu.
2.3. Kết quả ứng dụng giải thuật di truyền tối ưu tiến
trình công nghệ.
2.3.1. Mô tả chi tiết gia công
Để đánh giá các giải thuật, ta sử dụng một chi tiết gia
công có 6 đối tượng công nghệ đã được trình bày và nghiên
cứu trong [4]. Căn cứ vào bản vẽ và yêu cầu công nghệ, 6
đối tượng gia công này sẽ có 8 phần tử gia công.
Hình 3. Mô tả chi tiết gia công
Bảng 1. Bảng thông tin các đối tượng gia công
Mã đối
tượng
Loại
Kích
thước
Độ
sâu
Cấp
chính xác
Độ
nhám
Vật
liệu
F1 Mặt phẳng 7 3,2 CT45
F2 Trụ tròn ngoài 50 7 CT45
F3 Lỗ 12 10 7 6,3 CT45
F4 Lỗ 12 10 7 6,3 CT45
F5 Mặt phẳng 7 3,2 CT45
F6 Lỗ 30 35 7 1,2 CT45
Bảng 2. Bảng thông tin các phần tử gia công
Đối tượng gia công Phần tử gia công
Máy
Mã đối Loại Mã Phương pháp gia
tượng công
F1 Mặt phẳng
f1 Phay thô F1 Phay
f2 Phay tinh F1 Phay
F2 Trụ tròn ngoài f3 Tiện F2 Tiện
F3 Lỗ f4 Khoan lỗ F3 Phay
F4 Lỗ f5 Khoan lỗ F4 Phay
F5 Mặt phẳng
f6 Phay thô F5 Phay
f7 Phay tinh F5 Phay
F6 Lỗ f8 Phay lỗ F6 Phay
Gọi C1 là chi phí thay đổi máy móc, C2 là chi phí thay
đổi đồ gá, C3 là chi phí thay dao. Giả sử ta có C1 = 50,
C2 = 10, C3 = 5. Ta lập các ma trận quan hệ và ma trận chi
phí như sau:
0 1 1 1 1 1 1 1
0 0 1 1 1 1 1 1
0 0 0 1 1 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 1
0 1 1 1 1 0 1 1
0 0 1 0 0 0 0 1
0 0 0 0 0 0 0 0
R
=
(18)
0 10 65 15 15 10 15 15
10 0 65 15 15 15 15 15
65 65 0 65 65 65 65 65
15 15 65 0 0 5 5 5
15 15 65 0 0 5 5 5
10 15 65 5 5 0 5 5
15 15 65 5 5 5 0 5
15 15 65 5 5 5 5 0
C
=
(19)
0 10 65 15 15 10 15 15
0 0 65 15 15 15 15 15
0 0 0 65 65 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 5
0 15 65 5 5 0 5 5
0 0 65 0 0 0 0 5
0 0 0 0 0 0 0 0
F
=
(20)
Tất cả các thuật toán sử dụng dưới đây để tìm tiến trình
công nghệ tối ưu là tìm giá trị nhỏ nhất. Ma trận F trong (4)
xuất hiện những khoảng cách giữa 2 đỉnh (i, j) = 0 (nếu
không thỏa mãn ma trận R). Để đảm bảo sự hội tụ của bài
toán và cũng để đơn giản hóa thuật toán, nhóm tác giả đề
xuất một phương pháp: đó là nếu như không thể đi từ đỉnh
i đến đỉnh j thì ta cho F(i, j) = (một giá trị rất lớn).
Khi đó kết quả có chứa cặp đỉnh (i, j) này sẽ là kết quả
rất lớn, và quá trình tìm kiếm lời giải sẽ bỏ qua kết quả này.
Nếu như có thể đi được từ đỉnh i → j mà chi phí bằng 0 thì
ta gán cho nó một giá trị tượng trưng (trong các thuật toán
sử dụng bằng 1), khi đó kết quả cuối cùng của thuật toán ta
trừ đi giá trị tượng trưng này. Như vậy, ta có ma trận F sử
dụng trong thuật toán được trình bày trong (22).
1000000 10 65 15 15 10 15 15
1000000 1000000 65 15 15 15 15 15
1000000 1000000 1000000 65 65 1000000 1000000 10000000
1000000 1000000 1000000 1000000 1 1000000 1000000 1000000
1000000 1000000 1000000 1000000 1000000 1000000 1000000 5
1000
F = (22)
000 15 65 5 5 1000000 5 5
1000000 1000000 65 1000000 1000000 1000000 1000000 5
1000000 1000000 1000000 1000000 1000000 1000000 1000000 1000000
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 5(126).2018, Quyển 1 129
Tiến trình công nghệ tìm được được mô tả bằng một
dãy chứa các mã đối tượng fi mô tả thứ tự thực hiện các
nguyên công.
2.3.2. Kết quả ứng dụng thuật toán di truyền tối ưu tiến
trình công nghệ
Áp dụng giải thuật GA để lập tiến trình công nghệ gia
công cho chi tiết trên, với kích thước quần thể là 500 cá
thể, xác suất đột biến là 0,1, số đời 20. Kết quả chạy mô
phỏng trên Matlab R2010b với cấu hình máy Intel Core i5-
Ram 4GB, ta được tiến trình tối ưu là f1 → f2 → f6 → f7
→ f3 → f4 → f5 → f8 với tổng chi phí là 166. Giải thuật
có thời gian tính toán là 12s.
Hình 4. Kết quả mô phỏng của thuật toán GA
Kết quả nghiên cứu của [4] khi sử dụng giải thuật đàn
kiến (ACO) cho cùng một chi tiết được mô tả ở trên, cho
ra tiến trình công nghệ là f1 → f6 → f2 → f7 → f3 → f4
→ f5 → f8 với tổng chi phí là 174. So sánh với giải thuật
GA được trình bày trong bài báo này, ta thấy giải thuật GA
tốt hơn nhiều, kết quả cũng cho ra tiến trình công nghệ với
chi phí thấp hơn rất nhiều.
3. Kết luận
Lập tiến trình công nghệ tối ưu là một vấn đề hết sức
quan trọng trong công nghệ CAPP. Bài báo đã trình bày
cách tiếp cận giải thuật GA với các toán tử chọn lọc, lai
ghép, đột biến được mô tả bằng ngôn ngữ toán học để
lập tiến trình công nghệ tối ưu. Một chi tiết điển hình với
nhiều đối tượng gia công được mô tả bằng các ma trận ràng
buộc, ma trận chi phí. Giải thuật GA được trình bày ở trên
cũng đã được ứng dụng để tìm tiến trình công nghệ với chi
phí thấp nhất và rõ ràng hiệu quả của giải thuật GA tốt hơn
so với giải thuật ACO.
Mức độ hội tụ đến kết quả tối ưu khi sử dụng thuật toán
GA phụ thuộc rất nhiều vào kích thước quần thể, số đời,
xác suất đột biến. Việc tăng kích thước quần thể và số đời
sẽ làm giải thuật có khả năng tìm được lời giải tối ưu, tuy
nhiên sẽ làm thời gian tính toán tăng lên rất nhiều. Giảm
kích thước quần thể và số đời sẽ làm giảm thời gian tính
toán, tuy nhiên kết quả đạt được chưa chắc là tối ưu. Xác
suất đột biến nhỏ sẽ làm cho bài toán lâu hội tụ, tuy nhiên
khi tăng xác suất đột biến sẽ dễ làm xuất hiện các cá thể có
độ thích nghi thấp và duy trì trong nhiều đời liên tiếp, đôi
khi sẽ làm mất khả năng đạt được điểm tối ưu cục bộ sắp
đạt được trước đó. Do đó, việc lựa chọn kích thước quần
thể, số đời và xác suất đột biến phải tính tới mục tiêu đạt
được tiến trình công nghệ tốt ở mức chấp nhận được.
Khi lập tiến trình công nghệ, các nhà công nghệ luôn
mong muốn lập một tiến trình gia công mà thời gian gia
công là ngắn nhất, chi phí gia công là nhỏ nhất và chất
lượng cao nhất. Rõ ràng để đáp ứng được yêu cầu này,
chúng ta phải giải bài toán tối ưu đa mục tiêu. Giải thuật
GA trong bài báo chỉ mới giải bài toán tối ưu hóa một mục
tiêu chi phí. Việc tối ưu hóa đa mục tiêu áp dụng cho lập
tiến trình công nghệ sẽ được nghiên cứu tiếp theo bằng
cách ứng dụng lý thuyết của Vũ Ngọc Phàn [8].
Hiện nay, các giải thuật tối ưu rất phát triển. Trong
phạm vi nghiên cứu của bài báo, nhóm tác giả chưa thể
trình bày được việc ứng dụng các giải thuật PSO (Particle
Swarm Optimization), giải thuật luyện kim, giải thuật di
truyền vi sai, các thuật toán trí tuệ nhân tạo, các giải thuật
lai Việc tiếp tục nghiên cứu các giải thuật này cũng sẽ
mở ra hướng nghiên cứu tiếp theo trong nghiên cứu công
nghệ CAPP.
TÀI LIỆU THAM KHẢO
[1] Paiva Gustavo Silva and Carvalho Marco Antonio M., “Improved
Heuristic Algorithms for the Job Sequencing and Tool Switching
Problem”, Computers & Operations Research, 88(Supplement C),
2007, pp. 208-219.
[2] Wang Jinfeng, et al., “A Hybrid Bat Algorithm for Process Planning
Problem”, IFAC-PapersOnLine, 48(3), 2015, pp. 1708-1713.
[3] Petrović Milica, et al., “Integration of Process Planning and
Scheduling Using Chaotic Particle Swarm Optimization
Algorithm”, Expert Systems with Applications, 64(Supplement C),
2016, pp. 569-588.
[4] Tran Anh Van and Nguyen Ngoc Binh, “Optimization of Operation
Sequencing in CAPP Based on Ant Colony Algorithm”,
Proceedings of The 4th National Conference on Mechanical Science
& Technology, 2, 2015, pp. 87-95.
[5] Khan Z., Prasad B., and Singh T., “Machining Condition
Optimization by Genetic Algorithms and Simulated Annealing”,
Computers & Operations Research, 24(7), 1997, pp. 647-657.
[6] Li L., et al.,2005 “Application of Genetic Algorithm to Computer-
Aided Process Planning in Distributed Manufacturing
Environments”, Robotics and Computer-Integrated Manufacturing,
21(6), 2005, pp. 568-578.
[7] Chiu Nan-Chieh, Fang Shu-Cherng, and Lee Yuan-Shin,
“Sequencing Parallel Machining Operations by Genetic
Algorithms”, Computers & Industrial Engineering, 36(2), 1999, pp.
259-280.
[8] Vũ Ngọc Phàn, “Ứng dụng thuật toán tiến hóa giải bài toán tối ưu đa
mục tiêu có ràng buộc”, Tạp chí Tin học và Điều khiển, 16, 2000,
pp. 16-22.
[9] KA De Jong, An Analysis of The Behavior of A Class of Genetic
Adaptive Systems, Doctoral dissertation, University of Michigan.
[10] DE Gold Berg, K Deb, and B Korb, “Do Not Worry, Be Messy”,
Proceedings of The Fourth International Conference on Genetic
Algorithms, 1991, pp. 24-30.
(BBT nhận bài: 19/3/2018, hoàn tất thủ tục phản biện: 26/4/2018)
Các file đính kèm theo tài liệu này:
- toi_uu_tien_trinh_cong_nghe_bang_giai_thuat_di_truyen.pdf