otimizaÇÃo de linhas de montagem por algorÍtmos genÉticos: anÁlise, aperfeiÇoamento e...
TRANSCRIPT
![Page 1: OTIMIZAÇÃO DE LINHAS DE MONTAGEM POR ALGORÍTMOS GENÉTICOS: ANÁLISE, APERFEIÇOAMENTO E IMPLEMENTAÇÃO](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/1.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/2.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/3.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/4.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/5.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/6.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/7.jpg)
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](https://reader035.vdocuments.site/reader035/viewer/2022070311/552fc10b497959413d8c170b/html5/thumbnails/8.jpg)
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)