Title	การจัดสมดุลสายการผลิตที่มีหลายวัตถุประสงค์บนสายการประกอบผลิตภัณฑ์ผสมแบบสองด้านภายใต้ผลกระทบจากการเรียนรู้ / เอื้อมพร จันทร์แซม = Multi-objective balancing on mixed-model two-sided assembly lines under learning effect
Author	Ueamporn Jansaem
Imprint	2554
Connect to	http://cuir.car.chula.ac.th/handle/123456789/26450
Descript	ก-ห, 510 แผ่น : ภาพประกอบ

สายการประกอบแบบสองด้านเป็นสายการประกอบที่สามารถทำการผลิตได้ทั้งด้านซ้าย (Left-Side) และด้านขวา (Right-Side) ขนานกันไปพร้อมๆ กัน ซึ่งใช้กันมากในอุตสาหกรรมการผลิตผลิตภัณฑ์ที่มีขนาดใหญ่ และมีลักษณะที่คล้ายคลึงกัน เช่น รถยนต์ รถบรรทุก การแก้ปัญหาการจัดสมดุลสายการประกอบผลิตภัณฑ์ผสมแบบสองด้านภายใต้ผลกระทบจากการเรียนรู้ มีวัตถุประสงค์เพื่อให้ฟังก์ชันหลายวัตถุประสงค์ของการใช้งานสายการประกอบเกิดประสิทธิภาพสูงสุด ซึ่งปัญหานี้เป็นปัญหา NP-hard ดังนั้นงานวิจัยนี้จึงนำเสนออัลกอริทึมที่มีชื่อว่า วิธีการหาค่าเหมาะสมแบบการกระจายของสิ่งมีชีวิตตามภูมิศาสตร์ เข้ามาประยุกต์ใช้ในการแก้ปัญหาดังกล่าว และทำการเปรียบเทียบผลที่ได้กับอัลกอริทึมอื่นที่ได้การยอมรับว่ามีความเหมาะสมที่จะนำมาแก้ปัญหาการจัดสมดุล ได้แก่ วิธีเจนเนติกอัลกอริทึม วิธีการหาค่าเหมาะสมแบบฝูงอนุภาค วิธีการหาคาเหมาะสมแบบฝูงอนุภาคโดยอาศัยความรู้เชิงลบ โดยวัตถุประสงค์ที่พิจารณามี 4 วัตถุประสงค์ คือ จำนวนคู่สถานีงานน้อยที่สุด จำนวนสถานีงานน้อยที่สุด ผลต่างของความสัมพันธ์ของงานในสถานีงานมีค่าน้อยที่สุด และความแตกต่างของภาระงานระหว่างสถานีงานมีค่าน้อยที่สุด จากผลการทดลองพบว่าวิธีการหาค่าเหมาะสมแบบการกระจายของสิ่งมีชีวิตตามภูมิศาสตร์ มีประสิทธิภาพในการค้นหาคำตอบที่ดี และเป็นที่ยอมรับได้
Two-sided assembly lines are typically use both sides (left and right) this type of assembly line are found in production of learg-sized products, such as automobile and trucks. Solving mixed model two-side assembly lines under a learning effect problem to achieve multi-objective functions aims at highest effectiveness of assembly lines. This type of problem is known to be NP-hard. A Biogeography-based optimization (BBO) is applied as a method for solving this problem. Four objectives were considered including minimum number of Mated-station, minimum number of Workstations, minimum Work Relatedness and minimum Workload Balance between Workstation. The performance of BBO was compared with the well-known algorithms, namely Non-dominated Sorting Genetic Algorithm II (NSGA-II), Discrete Particle Swarm Optimization (DPSO), and the Particle Swarm Optimization with Negative Knowledge (PSONK). The result shows that BBO is good performance and acceptable.