Sztuczne Sieci Neuronowe

Prezentacja na temat: "Sztuczne Sieci Neuronowe"— Zapis prezentacji:

1 Sztuczne Sieci Neuronowe
PRZEGLĄD ZAAWANSOWANYCH METOD HARMONOGRAMOWANIA NA WIELOPRODUKTOWYCH LINIACH PRODUKCYJNYCH Adrian Knapczyk(1), Sławomir Francik(1) Katedra Inżynierii Mechanicznej i Agrofizyki Uniwersytet Rolniczy w Krakowie WSTĘP I CEL PRACY Wieloproduktowe systemy produkcyjne stanowią istotny element współczesnych linii produkcyjnych. Poprzez swą elastyczność i duże wykorzystanie maszyn coraz więcej przedsiębiorstw decyduje się na ich wdrażanie. Mimo wielu zalet, główną wadą tego typu produkcji jest problem z jego organizacją. Mnogość produktów wytwarzanych na jednej linii produkcyjnej wymusza częste przezbrajanie, a to wydłuża czas pracy. Największym problemem jest jednak zaszeregowanie zadań na linii produkcyjnej wg optymalnej kolejności. Klasyczne metody szeregowania zadań opierają się głównie na regułach priorytetowych (jedno- i wieloatrybutowych). W przypadku bardziej skomplikowanych zadań, bądź zwiększonej ich ilości, wykazują się małą efektywnością. Celem pracy było pokazanie zaawansowanych metod harmonogramowania, które zostały wybrane, aby rozwiązać problem ze sterowaniem na wieloproduktowych liniach produkcyjnych. Metody te wykorzystują zaawansowane modele matematyczne, a przez to są bardziej efektywne. Algorytmy mrówkowe Jest to algorytm, który powstał na drodze bezpośredniej inspiracji światem owadów. Kolonia wirtualnych mrówek stopniowo generuje najkrótszą drogą. Jest to proces wieloetapowy. Metoda może być zastosowana do poszukiwania nowych rozwiązań. Algorytmy rozmyte Idealne rozwiązanie do wprowadzania nowych produktów, dla których nie posiadamy zbyt dużej ilości danych historycznych. Dzięki ‘rozmywaniu’ zbioru, następuje uogólnienie problemu, a przez to łatwiejszego jego rozwiązanie. Źródło: Źródło: drekarin.wordpress.com Algorytmy genetyczne Metoda ta odwołuje się do natury. Poprzez dziedziczenie potomstwa, w każdym kolejnym pokoleniu algorytm zbliża się do rozwiązania. Głównym celem jest utrzymanie dopasowania do optymalnego rozwiązania. Źródło: Sztuczne Sieci Neuronowe Metoda ta doskonale nadaje się do symulacji problemów produkcyjnych. Dzięki zdolności sieci do uczenia się można je wykorzystać do tworzenia harmonogramów znanych produktów. Wadą jest konieczność posiadania dużej ilości danych historycznych. Źródło: wikipedia.org PODSUMOWANIE W licznych badaniach wykazano, że wybrane metody doskonale sprawdzają się we współczesnej inżynierii produkcji. Zastosowanie ich do rozwiązania problemu szeregowania zadań na wieloproduktowej linii produkcyjnej może przynieść oczekiwane rezultaty. Bez przeprowadzenia oceny wielokryterialnej, bądź wykonania szeregu eksperymentów nie jest możliwe wybranie najbardziej optymalnej metody. Największym minusem wybranych metod jest potrzebna duża moc obliczeniowa. Koszty generowania harmonogramu często nie odpowiadają zyską.