ดาวน์โหลด All Proceeding - AS Nida
ดาวน์โหลด All Proceeding - AS Nida
ดาวน์โหลด All Proceeding - AS Nida
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
5. การออกแบบการทดลอง<br />
การทดลองในงานวิจัยนี้จะเปนการทดสอบคําตอบที่ไดจาก<br />
วิธีการ HANN และกฎการจายงานแบบ EDD โดยจะทําการทดสอบกับ<br />
ขอมูลใบสั่งผลิตจํานวน<br />
80 ใบ จํานวน 10 ชุดขอมูล และวิเคราะหผลโดย<br />
ใชวิธีการวิเคราะหความแปรปรวนแบบทางเดียว (One-way ANOVA)<br />
และตรวจสอบความแตกตางของคาเฉลี่ยโดยใชวิธีการเปรียบเทียบ<br />
คาเฉลี่ยแบบทีละคู<br />
(Tukey’s test) พารามิเตอรที่ใชในการทดลองเพื่อหา<br />
คําตอบของวิธีการ HANN แสดงไดดังตารางที่<br />
14<br />
่<br />
<br />
<br />
่<br />
ตารางที 14 พารามิเตอรตาง ๆ ที่ใชในการทดลอง<br />
พารามิเตอร การหาคําตอบเริ่มตน<br />
การหาคาถวงน้ําหนัก<br />
การเชื่อมโยงและคาไบแอส<br />
ประชากรเริ่มตน<br />
20 โครโมโซม 20 โครโมโซม<br />
วิธีการคัดเลือก วิธีการวงลอรูเล็ต วิธีการวงลอรูเล็ต<br />
ความนาจะเปนในการ<br />
ขามสายพันธ (Pc)<br />
0.9 0.9<br />
วิธีการขามสายพันธุ<br />
วิธีการแบบจัดคู<br />
เปนสวน<br />
วิธีการยูนิฟอรม<br />
ความนาจะเปนในการ<br />
กลายพันธ (Pm)<br />
0.01 0.01<br />
วิธีการกลายพันธุ วิธีการแบบสลับที วิธีการยูนิฟอรม<br />
่ ตารางที 15 ผลการทดลอง<br />
วิธีการ เวลาลาชา (วัน) เวลาที่งานคาง<br />
(วัน) คาใชจายรวม (บาท)<br />
HANN 58.34 [1] 205.32 [1] 95,167.00 [1]<br />
EDD 104.00 [2] 237.60 [2] 186,076.21 [2]<br />
6. ผลการทดลอง<br />
ผลการทดลองจากวิธีการตาง ๆ แสดงไดดังตารางที่<br />
15 จาก<br />
ตารางที่<br />
15 พบวาวิธีการ HANN จะใหคําตอบที่มีประสิทธิภาพกวากฎ<br />
การจายงานแบบ EDD อยางมีนัยสําคัญ ตัวเลขในวงเล็บจะแสดงถึงลําดับ<br />
ที่ไดจาการตรวจสอบความแตกตางของคาเฉลี่ยดวยวิธีการเปรียบเทียบ<br />
คาเฉลี่ยแบบทีละคู<br />
(คานอยดีกวาคามาก) และยังพบวาวิธีการ HANN จะ<br />
ใหคําตอบที่ดีกวาทั้งดานคาใชจายเมื่อมีงานคางในระบบ<br />
คาปรับเมื่อสง<br />
งานลาชา และคาใชจายรวม ทั้งนี้เนื่องจากวิธีการ<br />
HANN สามารถเรียนรู<br />
การจัดตารางการผลิตจากคําตอบเริ่มตนที่ไดจาก<br />
GA ทําใหวิธีการ<br />
HANN สามารถจัดตารางการผลิตไดอยางมีประสิทธิภาพและทําใหเกิด<br />
คาใชจายรวมที่ต่ํากวาได<br />
7. สรุปผลการวิจัย<br />
การจัดตารางการผลิตโดยใชวิธีการที่ผูวิจัยไดนําเสนอนั้น<br />
สามารถใหคําตอบของการจัดตารางการผลิตไดอยางมีประสิทธิภาพกวา<br />
กฎการจายงานแบบ EDD ที่โรงงานตัวอยางใชอยูในปจจุบัน<br />
อีกทั้ง<br />
วิธีการที่นําเสนอยังสามารถลดเวลาที่ใชในการจัดตารางการผลิตของ<br />
290<br />
โรงงานตัวอยางไดอีกดวย<br />
กิตติกรรมประกาศ<br />
ผูวิจัยขอขอบพระคุณฝายวางแผนการผลิตของโรงงาน<br />
ตัวอยางที่อํานวยความสะดวกในการเก็บขอมูลที่จําเปน<br />
ขอขอบคุณ<br />
บัณฑิตวิทยาลัย มหาวิทยาลัยเทคโนโลยีพระจอมเกลาพระนครเหนือที่<br />
ชวยสนับสนุนเงินทุนสําหรับงานวิจัยนี้<br />
และขอขอบคุณทานอาจารยที่<br />
ปรึกษาที่ชวยสั่งสอนและชี้แนะการทําวิจัยมาโดยตลอด<br />
เอกสารอางอิง<br />
[1] H. Chen and P. B. Luh, “An alternative framework to Lagrangian<br />
relaxation approach for job shop scheduling”, European Journal of<br />
Operational Research, 149, 499–512, 2000.<br />
[2] E. Kutanoglu and S. D. Wu, “Lagrangian Relaxation-Based<br />
Techniques for Job Shop Scheduling”, Institute of Industrial<br />
Engineers, 2006.<br />
[3] S. Karmakar and B. Mahanty, “Minimizing Makespan for a<br />
Flexible Flow Shop Scheduling Problem in a Paint Company”,<br />
Industrial Engineering and Operations Management, 2010.<br />
[4] L. Tang W. Liu and J. Liu, “A neural network model and algorithm<br />
for the hybrid flow shop scheduling problem in a dynamic<br />
environment”, Journal of Intelligent Manufacturing, 16, 361-370,<br />
2005.<br />
[5] A. El-Bouri S. Balakrishnan and N. Popplewell, “A neural network<br />
to enhance local search in the permutation flow shop”, Computer &<br />
Industrial Engineering, 49, 182-196, 2005.<br />
[6] A. N. Haq T. R. Ramanan K. S. Shashicant and R. Sridharan, “A<br />
hybrid neural network-genetic algorithm approach for permutation<br />
flow shop scheduling”, Taylor&Francis Group: International<br />
Journal of Production Research, 48, 4217-4231, 2009.<br />
[7] T. R. Ramanan R. Sridharan K. S. Shashikant and A. N. Haq, “An<br />
artificial neural network based heuristic for flow shop scheduling<br />
problems”, Journal of Intelligent Manufacturing, 2009.<br />
[8] T. Wuttipornpun U. Wangrukdeeskul and W. Songserm, “An<br />
Algorithm of Finite Capacity Material Requirement Planning<br />
System for Multi-stage Assembly Flow Shop”, World Academy of<br />
Science: Engineering and Technology 70, 500-510, 2010.<br />
[9] D. E. Goldberg, “Genetic algorithms: In search, optimization and<br />
machine learning”, Reading, MA: Addison-Wesley, 1989.<br />
[10] J. H. Holland, “Adaptation in natural and artificial systems”, Ann<br />
Arbour, MI: University of Michigan Press, 1975.