primjena genetskih algoritama u brodograđevnoj industriji

Ervin Bešić : PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAĐEVNOJ INDUSTRIJI

Polytechnic of Rijeka; 2012. God.

VELEUČILIŠTE U RIJECI

Ervin Bešić

PRIMJENA GENETSKIH ALGORITAMA U BRODOGRAĐEVNOJ INDUSTRIJI

( specijalistički završni rad)

Rijeka, 2013.



SAŽETAK

Gradnja broda svrstava se u jedan od složenijih proizvodnih procesa, a kontinuirana

optimizacija učinkovitosti proizvodnog procesa omogućuje brodograđevnoj tvrtci željeni nivo

produktivnosti i konkuriranje na tržištu. U tu svrhu potrebno je sagledati sve danas dostupne

moderne tehnologije, proučiti i izmjeriti kosrinosti i prednosti njihovih implementacija u

proizvodne procese. Kao jedna od takvih, nezaobilazna je primjena informacijskih

tehnologija, a jedno od kompleksnijih područja unutar ovih tehnologija predstavljaju i

genetski algoritmi. Ovaj rad je usmjeren na mogućnosti primjene tog znanstveno-tehnološkog

pristupa pri rješavanju konkretnih problema u brodograđevnoj industriji. Kroz rad će se

razmotriti problematike prisutne u brodograđevnoj djelatnosti, strategija primjena novih

tehnologija zatim metode optimizacije pomoću genetskih algoritama i na kraju će biti

dokazana učinkovitost primjene određene vrste genetskog algoritma kroz simulaciju modela

proizvodnog okruženja.

KLJUČNE RIJEČI: Brodogradnja, genetski algoritam, optimizacija, informacijska

tehnologija.



Sadržaj

1. Uvod ....................................................................................................................................... 1 1.1. Predmet istraživanja ........................................................................................................ 1 1.2. Radna hipoteza ................................................................................................................ 1 1.3. Svrha i ciljevi istraživanja ............................................................................................... 2 1.4. Primijenjene metode istraživanja ..................................................................................... 2 1.5. Struktura rada .................................................................................................................. 2

2. Razvojni trendovi u brodogradnji ...................................................................................... 3 2.1. Strategije primjene novih tehnologija.............................................................................. 4

2.1.1. Laserska tehnologija ................................................................................................. 4 2.1.2. Izrada digitalnih prototipova .................................................................................... 5 2.1.3. Industrijska multimedija ........................................................................................... 5 2.1.4. Robotika ................................................................................................................... 6 2.1.5. Računalno dizajniranje ............................................................................................. 6

2.2. Perspektiva informatizacije ............................................................................................. 8 2.2.1. Generička programska rješenja ................................................................................ 8 2.2.2. Računalna podrška .................................................................................................... 9 2.2.3. Paralelno računarstvo ............................................................................................... 9 2.2.4. Umjetna inteligencija .............................................................................................. 10 2.2.5. Virtualna proizvodnja ............................................................................................. 10

3. Genetski algoritam ............................................................................................................. 13 3.1. Evolucijski algoritmi ..................................................................................................... 13 3.2. Optimizacija................................................................................................................... 14 3.3. Struktura genetskog algoritma ....................................................................................... 15 3.4. Genetski operatori .......................................................................................................... 17

3.4.1. Koeficijent križanja i mutacije .............................................................................. 18 3.5. Kvaliteta jedinke ............................................................................................................ 19 3.6. Kategorizacija genetskih algoritama ............................................................................. 19

4. Primjena u brodogradnji ................................................................................................... 21 4.1.Snimka stanja proizvodnje u Brodogradilištu d.d. ........................................................ 22 4.2. Formuliranje problema .................................................................................................. 26

4.2.1. Model problema ..................................................................................................... 27 4.3. Struktura algoritma ........................................................................................................ 31

4.3.1. Inicijalizacija .......................................................................................................... 31 4.3.2 Evaluacija kvalitete ................................................................................................. 32 4.3.3. Selekcija ................................................................................................................. 33 4.3.4. Križanje .................................................................................................................. 34 4.3.5. Mutacija .................................................................................................................. 36

4.4. Analiza rješenja ............................................................................................................. 38 4.4.1. Simulacija ............................................................................................................... 38

5. Zaključak ............................................................................................................................. 45 Popis kratica ............................................................................................................................ 46 Bibliografija ............................................................................................................................ 47 Popis ilustracija ...................................................................................................................... 48


1

1. Uvod

Tema rada obrađuje primjenu genetskih algoritama u rješavanju problema koji se

javljaju u brodograđevnoj industriji, u nastavku je formulirana problematika, postavljena

hipoteza, definirani ciljevi i opisana semantička struktura završnog rada.

1.1. Predmet istraživanja

Brodograđevna industrija spada u jednu od velikih složenih industrija koja u svojim

strukturnim procesima vrši konsolidaciju direktne proizvodnje i razvoja projekata. Sa

stajališta izražene kompleksnosti u brodogradnju je moguće implementirati niz inovativnih

tehnologija koje omogućuju optimizaciju proizvodnog sustava u vidu veće produktivnosti i/ili

smanjenja troškova. Jedna od takvih tehnologija su i evolucijski algoritmi. Jednu od vrsta

evolucijskih algoritama predstavljaju i genetski algoritmi čije konkretne mogućnosti primjene

u brodogradnji obrađuje ovaj rad.

Osnovni predmet istraživanja ovog rada može se sintetizirati kroz pitanja:

Koje su evidentirane problematike u području brodograđevne industrije?

Što je to genetski algoritam?

Kako je moguće učinkovito primijeniti tehnologiju genetskog algoritma u određene

brodograđevne procese?

Kakva je perspektiva moderne brodograđevne industrije?

1.2. Radna hipoteza

Razvojem znanosti na području umjetne inteligencije i složenih računalnih sustava

došlo se do spoznaje da je moguće određene koncepte, poput genetskih algoritama, uspješno

primijeniti u rješavanju optimizacijskih problema u industrijskim procesima.


2

Temeljna radna hipoteza: Rješenje problema optimizacije planiranja procesa

proizvodnje u brodograđevnoj industriji moguće je riješiti uporabom genetskih algoritama u

računalnoj obradi ključnih parametara.

1.3. Svrha i ciljevi istraživanja

Cilj ovog rada je prikazati mogućnosti primjene složenih računalni sustava kroz

formulirani primjer uporabe genetskog algoritma kao rezultat istraživanja.

1.4. Primijenjene metode istraživanja

Može se reći da su pri istraživanju korištene sljedeće znanstvene metode: povijesna,

komparativna, matematička, deskriptivna, modeliranje, apstrakcijska, analiza i sinteza.

1.5. Struktura rada

Ovaj rad je koncipiran u četiri dijela: uvod, perspektivni dio, analitički dio i zaključak.

U uvodnom djelu definiran je predmet istraživanja, zatim radna hipoteza, cilj

istraživanja, korištene znanstvene metode, te je opisana struktura rada.

Perspektivni dio obrađuje problematiku brodograđevne industrije u modernom

poslovnom okruženju i koncept optimizacije primjenom genetskih algoritama.

Analitički dio obuhvaća analizu problema i prijedlog rješenja kroz uporabu tehnike

genetskih algoritama.

Zaključak je sinteza rezultata istraživanja kojom je dokazana postavljena hipoteza.


3

2. Razvojni trendovi u brodogradnji

Kroz povijesni razvoj brodograđevne djelatnosti vidljivo je da se vodeći centri ove

industrijske djelatnosti kontinuirano transferiraju od Velike Britanije, SAD-a, europskih

brodogradilišta, do u novije vrijeme azijskih gospodarstava poput Japana, Južne Koreje i

Kine. Ono što je indikativno za razvoj brodogradnje upravo je ubrzani gospodarski rast onih

okruženja koja strategiju svog ekonomskog razvoja povezuju sa strategijom razvoja ove

industrijske djelatnosti. Uzrok tomu je širi utjecaj brodograđevne industrije na opći razvoj

društva od znanstvenog do tehnološkog aspekta kroz refleksije na cjelokupni ekonomski rast.

Upravo azijska gospodarstva prepoznali su konkurentne vrijednost u novim tehnološkim

perspektivama razvojnih strategija brodograđevne industrije. Trenutno u najnaprednijim

brodograđevnim silama poput Japana i Južne Koreje evidentna je kontinuirana primjena novih

tehnologija, kao što su:

• robotika

• laserska tehnologija

• precizno upravljiva procesna tehnologija

• umjetna inteligencija

Budućnost izgradnje brodova i plovnih objekata definirat će industrija čija je baza

primjena znanja, čija je karakteristika promicanje znanja, tehnologije i kapitala, dok će

tradicionalni rad i utjecaji fizičkog doprinosa biti uveliko smanjeni.

Brodograđevna industrija spada u red najsloženijih proizvodno poslovnih organizacija upravo

zato što se radi o integraciji tehnoloških, socioloških i ekonomskih domena koje moraju bit

djelotvorno organizirani s visokim stupnjem prilagodljivosti prema utjecajima dinamičkog

svjetskog tržišta. Postizanje učinkovitog stupnja organizacije predstavlja izazov u kojem se

očituje vrijednost upravljačkih struktura. Organizacijski trendovi unutar ove industrije

pokazuju da je neophodno na vrijeme prepoznati potrebu za reorganizacijom, odnosno

optimizacijom poslovnih procesa u cilju jačanja konkurentnosti i opstanka na zahtjevnom

tržištu. Isto tako u brojnim strateškim analizama razvoja brodograđevne industrije navodi se

kao neophodna primjena novih tehnologija i usmjerenosti prema inovacijama. Jedno od


4

ključnih područja je i primjena računalnih tehnologija koje omogućuju efektivno postizanje

komparativne a zatim i konkurentne prednosti. Aktivno promicanje koncepta digitalne

brodogradnje kroz kontinuiranu integraciju poslovanja i uspostavu modernog pristupa u

projektiranju, proizvodnji i upravljanju, uvjetovano je snažnom orijentacijom prema primjeni

informacijskih tehnologija. Ove smjernice su općenito prihvaćene kao jedini put opstanka

brodograđevne industrije, te ujedno zahtijevaju snažnu predanost zajednice iz okruženja koja

prepoznaje prednosti daljnjeg razvoja ove industrije (Zhao,2009., 494-497).

2.1. Strategije primjene novih tehnologija

Brodograđevna industrija podrazumijeva veliki broj stručnih i kvalificiranih kadrova, ali

često zaostaje za sličnim tehnološko složenim proizvodnim sektorima poput avionske

industrije i auto industrije. Ponekad je to tehnički uvjetovano, ali osnovni razlog povezan je sa

strukturom i kulturom same industrije. U novije vrijeme pojavile su se razvojne strategije i

tehnologije koje brodogradnju mogu uzdignuti na viši tehnološki nivo, te time osigurati

konkurentnu prednost i veću produktivnost. Ono što je bitno istaknuti u kontekstu ovog rada

je da se paralelno, kroz primjenu bilo koje od razmatranih tehnologija, ostvaruju i

pretpostavke za primjenu genetskih algoritama kao jednog od učinkovitih sredstava

optimizacije razvojnih modela.

2.1.1. Laserska tehnologija

Laserska tehnologija predstavlja jednu od perspektivnijih industrijskih tehnologija iako

je još uvijek nedovoljno zastupljena u brodogradnji, te nije prepoznata u širem spektru

primjene. Lasersko skeniranje ubrzava prikupljanje ključnih podataka koji se koriste u

dizajniranju plovila. Ova tehnologija koristi lasersku zraku koja vrši skeniranje ciljanog

objekta, te elektroničkim putem obrađuje veliki broj metričkih podataka u vrlo kratkom

vremenu. Na osnovu prikupljenih podataka generiraju se precizni CAD (computer aided

design – računalna podrška u projektiranju) modeli. Implikacije ove tehnologije su visoka

učinkovitost u montaži precizno izmjerenih konstrukcijskih elemenata. U praksi se ova


5

tehnologija najučinkovitije koristi u brodogradilištima koja se bave modifikacijama gotovih

plovila.

2.1.2. Izrada digitalnih prototipova

Sljedeća perspektivna tehnologija je izrada digitalnih prototipova. Konkretno riječ je o

izradi trodimenzionalnih modela koji uključuju primjenu prividne (virtualne) stvarnosti.

Koncept primjene prototipa obuhvaća visoku mogućnost obrade modela, odnosno analizu

kroz simulaciju prije izrade proizvoda. U kontekstu brodogradnje najviše su prisutna

simulacije prilikom testiranja hidro dinamike FEA (finite element method – metoda u

projektiranju) i kalkulaciji strukture materijala CFD (computational fluid dynamics –

računalna metodologija za izračun dinamike fluida). Implikacije ove tehnologije usmjeravaju

brodogradnju na sasvim novu razinu industrijske kulture, uspostavu tzv. digitalnih

brodogradilišta. U svijetu postoji već nekoliko projekata koji promoviraju koncept digitalnih

brodogradilišta, te kojima se namjerava postići potpuna integracija suvremenih tehnologija u

sve proizvodne procese izgradnje broda.

2.1.3. Industrijska multimedija

Prikaz trodimenzionalnih modela prilikom projektiranja predstavlja jednu perspektivu

primjene 3D tehnologije ali uključivanje takvih modela u operativnu izradu i montažu

brodskih elementa predstavlja izazov koji je još uvijek predmet mnogih istraživanja. Ideja

ovog koncepta obuhvaća brže i kvalitetnije izvođenje radnih zadataka od strane proizvodnih

timova. Bitna prednost ove tehnologije je mogućnost prikaza cjelovitog proizvoda sa

simulacijom u realnim uvjetima, što ujedno brodograditelju otvara novu percepciju predmeta

rada. U vizijama razvoja budućih industrija sve su više prisutni elementi tzv. ''tvorničke

multimedije''. Znanstvena istraživanja se usmjeravaju na razvoju multimedijalnih komponenti

koje mogu poboljšati učinkovitost i produktivnost određenih industrijskih grana pa tako i

brodogradnje.


6

2.1.4. Robotika

Zadnjih desetljeća intenzivirano je istraživanje na korištenju robota u brodograđevnoj

industriji. Mogućnosti primjene ove tehnologije najviše je zastupljena u obradi limova koji se

koriste u gradnji brodske strukture (rezanje i zavarivanje). Međutim automatizacija

zavarivanja u brodogradnji je složen postupak iz razloga dislokacije montažnih sekcija i

specifičnih zahtjeva pojedinih plovila. Još uvijek ova tehnologija nije dovoljno zastupljena,

iako ima veliku perspektivu sa stajališta zaštite radnika i učinkovite produktivnosti.

2.1.5. Računalno dizajniranje

Dizajniranje predstavlja proces koji za cilj ima izradu produkta koji je će zadovoljiti

konstruktivno definirane ljudske potrebe ili potrebe određenog okruženja. Očekivanja i

zahtjevi koji se odnose na ciljani produkt se specificiraju unutar tehničke specifikacije. Sam

proces dizajniranja se može opisati kao proces transformacije specifikacije u dizajnirani opis.

Dizajnirani opis mora sadržavati dovoljno informacija (numeričkih, grafičkih, simboličkih)

koje će omogućiti tvorničku izradu produkta. Zato dizajn predstavlja inteligentnu aktivnost,

koja je usmjerena prema cilju, restrikcijama i procesu donošenja odluka. Inženjerski dizajn

najčešće obuhvaća istraživanje i učenje u svojoj primjeni. Istraživanje je zastupljeno prilikom

identifikacije strukture i varijabli koje bi trebale zadovoljiti postavljene zahtjeve. Učenje

dolazi do izražaja prilikom primjene empirijskog pristupa na temelju realiziranih projekata ili

prilikom primjene novih tehnoloških rješenja. Veliki se napori ulažu u izradi modela procesa

dizajniranja. Koristi takvih modela su najčešće postizanje mogućnosti automatizacije

cjelokupnog procesa dizajniranja kroz računalnu obradu. Model toka podataka usmjeren je na

upravljanje aktivnostima prilikom rješavanja dizajnerskog problema. Model se koristi za

izgradnju CAD sustava i njegovu integraciju s CAM sustavom. Kroz proučavanje osnovnog

modela ne možemo spoznati gotovo ništa o ulozi primijenjenog znanja korištenog u

dizajniranju. Za tu svrhu se koriste kognitivni model . Ovaj model je usmjeren na uzroke,

namjenu, proces rješavanja problema i proces donošenja odluka sudionika u procesu

dizajniranja. On donosi dublje razumijevanje intelektualnih aktivnosti tijekom dizajniranja i

teško ga je transformirati u računalne koncepte. Dizajniranje se može razmatrati kao potraga


7

(u tehničkom kontekstu) za prikladnim ili optimalnim konstrukcijskim rješenjima. Analizom

pretraživanja možemo identificirati tri cjeline ove aktivnosti, to su: ciljani oblik, područje

pretraživanja i proces pretraživanja. Pri identifikaciji pristupa dizajniranju možemo istaknuti

tradicionalni i kreativni pristup dizajniranju. Tradicionalni dizajn obuhvaća usmjerenost

prema funkcionalnim zahtjevima i strukturi koja mora zadovoljiti postavljene zahtjeve. Ovaj

koncept dizajniranja moguće je uspješno implementirati u genetski algoritam sa stajališta

optimizacije traženog rješenja na osnovu postavljenih parametara. Kreativni dizajn teško je

opisati određenom definicijom, često je težište ovog pristupa usmjereno prema kreativnim

vještinama samog dizajnera. Dugo je prevladavalo mišljenje da se računala ne mogu

učinkovito koristiti s aspekta kreativnosti. Razvojem umjetne inteligencije to se mišljenje

mijenja i do izražaja dolaze koncepti evolucijskih sustava računalne podrške dizajniranju. U

osnovi ovog koncepta parametri ne predstavljaju rješenja, već komponente od kojih je rješenje

izgrađeno. Reprezentacija je sastavljena od niza pravila prema kojima se vrši konstrukcija

rješenja. Ovaj pristup je još uvijek predmet istraživanja s velikim potencijalima primjene u

budućnosti ne samo na području dizajniranja već šireg spektra korištenja umjetne

inteligencije. Primjena GA (genetic algorithm-genetski algoritam) je široko prihvaćena u

primjeni na mnogim područjima inženjerskog dizajna, za potrebe ovog rada opisane su

sljedeće mogućnosti primjene: konceptualni dizajn, optimizacija konstrukcijskih formi,

usklađivanje specifikacijskih podataka, povratni inženjering, dizajn mehanizma. Konceptualni

ili idejni dizajn predstavlja ranu fazu dizajniranja i često zahtjeva kreativni pristup prema

kojem dizajner koristi nove komponente ili kombinira poznate komponente na novi način.

Parametri koji se optimiziraju u ovoj fazi imaju utjecaj na cjelokupni dizajnerski projekt.

Određena metodologija koja bi usmjerila dizajnera prema razvoju kvalitetnog konceptualnog

rješenja nije prisutna ali postoje preporuke u poštivanju određenih načela. Razvoj

konceptualnog dizajna potrebno je obuhvatiti s četiri osnovne komponente: problem rješenja

(dizajnerski izazov), osobom koja je odgovorna za rješenje (dizajner), dizajnersko rješenje

(jedno ili više), alternativno rješenje (dizajn konkurencije). Ove komponente su bitne sa

stajalište primjene GA, omogućuju identifikaciju donje granice prostora mogućih rješenja

prilikom izvođenja selektiranja. Osnovna karakteristika tehnički objekata je definicija njihove

forme. Forma direktno utječe na definiranje funkcionalnih zahtjeva i troškove proizvodnje.

Upravo primarnu aktivnost inženjerstva predstavlja razvoj novih i optimizacija postojećih

formi proizvoda. Forme je moguće opisivati kroz razne oblike reprezentacije: skalare,


8

vektore, pixele, voxele. Sa stajališta GA optimizacije bitno je utvrditi optimalnu vrijednost

ciljanog parametra na osnovu kojeg se stvaraju uvjeti (tehnički, ekonomski, estetski) za

izvršavanje procesa selekcije. Usklađivanje geometrijskih oblika krivulja ili vektorskih

sučelja s velikom količinom digitalnih podataka predstavlja ključnu ulogu u rekonstrukciji

geometrijskih modela realnih fizičkih objekata. GA je moguće primijeniti u funkciji odvajanja

pod skupova podataka koji pripadaju određenim geometrijskim elementima i utvrđivanju

tipova parametara izdvojenih elemenata. Prilikom izvođenja ovog procesa najčešće se koriste

metode triangulacija i određivanja susjednih relacija elemenata (Renner, Eka´rt, 2003.,709–

726).

2.2. Perspektiva informatizacije

Činjenica je da brodograđevna industrija često zaostaje u implementaciji novih

tehnologija u odnosu na druge industrije. Postoji mnoštvo razloga tome, jedan od njih je

ograničenost programske i sklopovske podrške. Često potrebe složenih analiza i simulacija,

koje zahtjeva brodograđevna industrija nije moguće podržati s postojećim programskim

rješenjima i računalnom infrastrukturom. Ipak najčešće uzrok zaostajanja u primjeni novih

tehnologija proizlazi iz postojeće industrijske kulture (često nije dovoljno prepoznata

znanstvena komponenta) i raspoloživosti financijskih sredstava. U nastavku je opisano

nekoliko tehnoloških koncepata kao smjernice koja mogu utjecati na učinkovitiju primjenu

novih tehnologija u brodograđevnoj industriji.

2.2.1. Generička programska rješenja

Unutar brodograđevne industrije izražena je upotreba više različitih CAD sustava,

različitih proizvođača (npr.: CATIA, MATES, Autoship, PTC, MasterShip, Bentley itd.),

koja često međusobno nisu usklađena, te time direktno utječu na projektni razvoj.

Najčešće je slučaj da se radi o vendorima (proizvođači softvera) koji su ograničeni s

razvojnim budžetima, stoga ne nude mogućnosti implementacije naprednih tehnologija poput

laserskog skeniranja. S druge strane takvi proizvođači imaju prednost zbog prilagođenih

karakteristika softvera upravo za specifično područje brodogradnje. Stoga je potrebno pažljivo


9

izvršiti selekciju razvojnog softvera koji obuhvaća oba aspekta. Najčešće takvi softveri

nastaju kao eksperimentalna rješenja velikih proizvođača koji omogućuju podršku u

automobilskoj i avionskoj industriji (npr.: ShipConstructor, Autodesk_Navisworks itd.).

Potrebno je istaknuti da investicija u softversko rješenje generalno kao cilj pretpostavlja

poboljšanje učinkovitosti i djelotvornosti poslovanja. Kao ključan faktor ovog investicijskog

procesa potrebno je spoznati važnost implementacije softverskog rješenja od strane glavnog

sponzora (investitora). Sami troškovi narudžbe softverskog rješenja su relativni u odnosu na

troškove njegove implementacije u poslovni sustav, koji su u konačnici puno viši ali i

relevantni za uspjeh kompletne investicije.

2.2.2. Računalna podrška

Distribuirana računalna podrška od strane specijaliziranih kompanija, koje nude uslugu

prema potrebama brodogradilišta, predstavljaju noviji koncept tzv. računala u oblaku, koji

bilježi trend velikog rasta i popularnosti. Osnovne prednosti ovog koncepta su neograničeni

kapacitet računalnih resursa s kojima je moguće raspolagati neovisno o vremenu korištenja.

Isto tako kao prednost se može istaknuti i korištenje programskih rješenja prema potrebi,

odnosno izbjegavaju se troškovi implementacije i nabave onih komponenti koje korisniku

nisu potrebne. Kao primjer uspješnog korištenja ovog koncepta može se uzeti izvođenje

složenih kalkulacija prilikom CFD analize. CFD analiza zahtjeva visoke troškove ulaganja u

novi softver i hardver za svaku novu seriju plovila. Primjenom novih tehnologija poput usluge

SaaS (Software as a service – tip usluga u računalnom oblaku) moguće je ovu analizu izvršiti

uz redukciju troškova nabave specijaliziranog programskog alata.

2.2.3. Paralelno računarstvo

Paralelno računarstvo predstavlja područje koje današnjim razvojem procesora

omogućuje rješavanje kompleksnih problema u brodograđevnoj industriji na brz i učinkovit

način. Upravo iz tog razloga potrebno je uskladiti nabavku novih programska rješenja (CAD-

CAM sustavi) s hardverskom podrškom, često imamo slučajeve gdje nisu učinkovito

iskorišteni procesorski resursi.


10

2.2.4. Umjetna inteligencija

Ovo znanstveno područje sve više se profilira u industrijskoj primjeni, stoga postaje

nezaobilazan faktor razvoja konkurentnosti u brodograđevnoj industriji. Grane UI-a poput

neuronskih mreža i evolucijskih algoritama sve više se koriste u naprednim brodogradilištima

pri optimizaciji proizvodnih procesa i korištenju automatiziranih sustava. Jedan od primjera je

i korejska brodograđevna industrija Daewoo Shipbuilding Company koja uz primjenu

naprednih grana umjetne inteligencije razvila računalno integrirani sustav planiranja

proizvodnje. Tema ovog rada upravo obuhvaća jednu od grana znanstvenog područja koje

istražuje umjetnu inteligenciju.

2.2.5. Virtualna proizvodnja

Proces izgradnje složenih plovila prolazi kroz više proizvodnih faza. Proces započinje

izradom studije izvodljivosti i analizom zahtjeva, zatim prolazi fazu dizajniranja i

proizvodnje, u konačnici završava primopredajom kupcu. Tradicionalni proces brodogradnje

obuhvaća primjenu više modela samog brodograđevnog procesa, ovisno o području primjene.

Modeli mogu obuhvaćati dizajnersku ili tehnološku perspektivu ali za funkciju imaju

dekompoziciju problema na manje problemske domene, kojim se rješava problem

kompleksnosti. Dolazi se do spoznaje da je za brodogradilišta je neophodno da se osigura

integracija tih modela prije nego oni ostvare fizičku implementaciju, a s ciljem učinkovite

kontrole troškova, vremena i kvalitete proizvodnje. Osnovni problem u ostvarivanju

integracije predstavlja prikupljanje dinamičkih podataka tijekom izvođenja procesa.

Koncept virtualne proizvodnje VM (virtual manufacturing – virtualna proizvodnja),

pretpostavlja simulaciju proizvodnje u računalnom okruženju. U osnovi je riječ o korištenju

modela sustava i prilagodba ključnih parametara u izvršavanju virtualnih procesa. Cilj

primjene ovog koncepta je kroz simulacija kompletnog proizvodnog procesa ostvariti najviši

mogući stupanj učinkovitosti i produktivnosti poslovanja (Akala, et al., 2008., 139-162).


11

Osnovne klasifikacije VM-a se identificiraju kao:

• Dizajnu orijentiran VM - podrška dizajnerima produkta u dizajnerskoj fazi.

• Proizvodnji orijentiran VM - podrška u planiranju i optimizaciji proizvodnje,

uključuje i primjenu alternativnih rješenja u radnim pogonima i procesnim linijama.

• Kontroli orijentiran VM – uključuje računalno kontrolirane simulacije koje za cilj

imaju optimizaciju tekućih procesa u proizvodnji.

VMS (virtual manufacturing in shipbuilding-virtualna proizvodnja u brodogradnji)

predstavlja osnovnu platformu svim poslovnim aktivnostima u brodograđevnoj industriji, u

smislu informacijske realizacije kroz produkcijski model podataka. VMS pretpostavlja

integrirano proizvodno okruženje koje podržava sve razine odlučivanja i kontrole u različitim

produkcijskim procesima unutar brodogradilišta (Slika 1.) Osnovne karakteristike mogu se

sintetizirati kao: direktno uključivanje zaposlenika u optimizaciju procesa, participacija

ekspertnog sustava, identifikacija i rješavanje problema u virtualnom okruženju, integracija

više rješenja i omogućavanje realne simulacije ciljanog procesa.

Slika 1. Komponente virtualnog proizvodnog okruženja

Izvor: autor

Produkcija

Financije

Dizajn Materijal

Planiranje Projekt/

koncept


12

Osnovna arhitektura VMS-a sadrži sljedeće komponente:

� Opću bazu podataka: pretpostavlja robusnu informacijsku infrastrukturu koja je

sposobna ostvariti cjelovitu podršku kompleksnim zahtjevima VM-a, istraživanja su

pokazala da najbolje performanse za ovaj tip podatkovne podrške iskazuju objektno

orijentirane baze podataka.

� Virtualni industrijski okruženje: predstavlja statičnu perspektivu produkcijskog

sustava, odnosno temeljne varijable proizvodnih kapaciteta koje predstavljaju

strukturu industrijskog sustava.

� Virtualni model resursa: predstavlja dinamičku komponentu VM sustava čija uloga

obuhvaća prezentaciju dinamičkih podataka koji se generiraju tijekom proizvodnog

procesa.

� Model prototipa: definira se kao računalno bazirana simulacija sustava i pod sustava

koju je moguće komparativno koristiti u analizi realnog fizičkog prototipa.

� Virtualni model produkta: predstavlja najviši nivo VM-a koji je ujedno i osnovni

predmet daljnjih istraživanja.


13

3. Genetski algoritam

Genetski algoritam predstavlja heurističku metodu optimizacije baziranu na ideji

prirodne selekcije i genetskih procesa. Genetski algoritam se klasificira pod evolucijskim

algoritmima odnosno području znanosti koje istražuje umjetnu inteligenciju. Sama paradigma

GA je proizašla iz Darwinove teorije o evoluciji, odnosno preživljavanju najboljih jedinki.

Prvi GA je razvijen 70-tih godina od strane John Hollanda ( University of Michigen). Ideja je

proizašla iz mogućnosti korištenja krucijalnog prirodnog procesa u računalnoj primjeni. GA

slučajnim pretraživanjem određenog prostora koristi povijesne informacije s ciljem

dobivanja najboljih svojstava jedinke unutar populacije. Popularnost genetskog algoritma sve

je više u porastu, sve je više znanstvenika i praktičara uključeno u razvoj i primjenu raznih

modela genetskih algoritama. Ključnu ulogu razvoja popularnosti ovog koncepta igra visoka

učinkovitost pri optimizaciji procesa u komercijalne i istraživačke svrhe.

Metaforički rečeno prirodna selekcija svakodnevno i svakog trenutka istražuje po

cijelome svijetu i najmanja varijacije; ona odbacuje loše, a održava i sumira one koje su

dobre; ono rad mirno i neprimjetno, kad god i gdje god se ukaže prilika, na usavršavanju

svakog organskog bića u odnosu na njegove organske i neorganske uvjete života (Darwin,

1859., 41).

3.1. Evolucijski algoritmi

Evolucijski algoritmi predstavljaju granu evolucijskog računalstva, koje predstavlja

polje znanosti o umjetnoj inteligenciji. Evolucijsko računalstvo objedinjuje nekoliko

računalnih tehnika, odnosno predstavlja paradigmu koja podržava optimizaciju i

pretraživanje, utemeljenu na konceptu prirodne evolucije. Evolucijski algoritmi uključuju

operacije poput: selekcije, kombinacije, slučajne varijacije i natjecanja. Fokus predstavlja

potraga za optimalnom jedinkom unutar populacije prihvatljivi rješenja zadanog problema.

Genetski algoritmi predstavljaju osnovnu paradigmu unutar evolucijskih algoritama. Oni

koriste simulaciju prirodne evolucije, kroz operacije: selekcije, križanja i mutacije


14

3.2. Optimizacija

Optimizacija problema predstavlja potragu za rješenjima koja su bolja od ostalih. U

informatici predstavlja pretragu prostora koji sadrži moguća rješenja. Skup mogućih rješenja

predstavlja područje zadanog problema. Rješenja i dijelovi rješenja predstavljaju točke

pretraživanja prostoru navedenog područja. Matematički pristup pretpostavlja formulaciju

problema kroz matematički model koji koristi zadane funkcije u rješavanju problema,

odnosno generiraju se parametri koji vrše optimizaciju sustava. Optimizacija se određuje

unutar tri osnovna faktora:

1. Funkcija cilja

2. Skup nepoznanica ili varijabli koje utječu na funkciju cilja

3. Skup ograničenja koji dopuštaju varijablama pridruživanje točno određenih vrijednosti

Optimizacija kako je navedeno ima za cilj pronaći najbolje ili optimalno rješenje

problema ali postoji niz različitih problema koji se kategoriziraju prema razini složenosti.

Linearni problemi u svom rješenju pretpostavljaju jednostavnu linearnu funkciju ulaznih

podataka (npr. y=ax+b). Ako se u rješavanju problema koriste jednostavne aritmetičke

operacije indikaciju su da se radi o linearnoj relaciji između varijabli. Linearne probleme je

moguće jednostavno rješavati u računalnom okruženju, naročito primjenjujući Simplex

metodu. Ali većina problema u realnom svijetu ne može se opisati linearnim modelom.

Nelinearni problemi predstavljaju sve one probleme koji uključuju varijable koje ne ostvaruju

linearnu relaciju, odnosno ona nije proporcionalne prirode. U vrlo složene nelinearne

probleme klasificiraju se česti slučajevi kad je moguće dobiti više rješenja u složenom

okruženju. U takvim slučajevima najučinkovitije su primjene heurističkih metoda poput

genetskih algoritama (Goldeberg, 1989., 1-230).


15

3.3. Struktura genetskog algoritma

Osnovni pojmovi koji se koriste unutar koncepta genetskih algoritama su sljedeći:

• Jedinka/individua: predstavlja potencijalno rješenje problema optimizacije.

• Fenotip: predstavlja osobine jedinke koje se mogu interpretirati na razini problema.

• Genotip: kodiranje fenotipa na gene.

• Kromosom / reprezentacija rješenja: predstavlja jedinku, sastoji se od linearno

povezanih gena.

• Gen.: dio reprezentacije rješenja.

• Lokus: pozicija gena u nizu koja je predefinirana.

• Populacija: skup rješenja.

• Dobrota (Fitness): kvaliteta rješenja.

• Operator križanja: predstavlja binarno usmjereno pretraživanje.

• Operator mutacije: predstavlja unarni operator pretraživanja.

• Reprodukcija: ponovna upotreba rješenja.

• Selekcija: operacija kojom se održavaju kvalitetna svojstva jedinke.

Rješavanje problema pomoću GA obuhvaća u početku definiranje odgovarajuće

reprezentacije i kvalitete rješenja. Reprezentacija je analogna konstrukciji kromosoma koji za

isti problem mogu predstavljati više verzija. One mogu varirati od jednostavnih do onih vrlo

složenih, međutim unatoč korištenju istih konstrukcijskih principa evolucijskog razvoja one

mogu u konačnici generirati vrlo različite rezultate. Uzrok uspješnosti reprezentacija usko je

povezana uz njihovu funkciju s operatorima, kojom se definira prostor pretraživanja mogućih

rješenja. Najčešće se koristi reprezentacija u formi stringa nepromjenjive duljine, iako su

moguće i složenije forme reprezentacija koje zahtijevaju rješenja složenijih problema. Nakon

definicije reprezentacije slijedi postavljanje kriterija izbora, koji obično obuhvaćaju

predefinirani broj ponavljanja, te ocjenjuju kad je dosegnuto prihvatljivo rješenje (Shema 1.).


16

Izvor: autor

Hodogram jednostavnog pseudo-koda prikazanog opisan je kroz sljedeće korake:

1. Slučajni izbor inicijalne populacije x(0) = (x1, x2, x3, ........., xN), gdje je N početni

broj kromosoma.

2. Izračunati kvalitetu (fitness) F( x I) za svaki kromosom x I u ciljanoj populaciji X(t)

3. Kreirati nove kromosome X r(t) križanjem ciljanih (roditeljskih) kromosoma

primjenom mutacije i kombinacije.

4. Izbrisati određen broj kromosoma da bi se oslobodilo mjesto za nove (tzv. „umiranje

kromosoma“).

5. Izračunati kvalitetu novih kromosoma u populaciji X r(t).

6. Postaviti t= t + 1. Ako nije zadovoljen uvjet ići na korak 3, ako je zadovoljen

prekinuti petlju i izdvojiti najkvalitetniji kromosom. Prekid izvođenja petlje može

uzrokovati zadovoljenje uvjeta ili ograničenje brojem ponavljanja. Jedno ponavljanje

može generirati jednu reprodukciju.

Shema 1 Prikaz jednostavnog GA

Populacija

(kromosomi)

Križanje (roditelji)

Pod populacija

(potomstvo)

Objektivna

funkcija


17

3.4. Genetski operatori

Unutar svake generacije genetski operatori se koriste za selekciju jedinke iz trenutne

populacije u svrhu kreiranja nove populacije. Postoje tri osnovna genetska operatora, a to su:

operator reprodukcije, križanja i mutacije. Reprodukcija se primjenjuje kada je potrebno

izvršiti jednostavno kopiranje bez ikakvih izmjena na izabranoj jedinki, odnosno omogućuje

preživljavanje zadovoljavajućim kvalitetnim rješenjima. Temeljni faktor izbora jedinke je

način izvođenja selekcije. Križanje se primjenjuje kada želimo kreirati novu jedinku (dijete)

od dva roditelja (jedinke) unutar prethodne populacije. Sam proces križanja obuhvaća

definiranje svojstava križanja. Ovisno o broju selektiranih svojstava klasificira se stupanj

složenosti operatora križanja. Često se prilikom ovih operacija koriste pojmovi točke prekida,

stabla i pod stabla. Ovi pojmovi se koriste prilikom definiranja nasljednih svojstava koje se

prenose na novu jedinku. U primjeni su najčešće dvije metode operacije križanja. Jedna je

uniformirano križanje u kojem se koristi definirani broj sekvenci između dva roditelja. U ovoj

metodi na nasljedne jedinke se raspoređuju sekvence u pravilnom omjeru. Nedostatak ove

metode je što se sporije dolazi do kvalitetnih rješenja . Prednost je što se otvara veći prostor

pretraživanja. Ovaj tip križanja se dosta primjenjuje u istraživačke svrhe. Druga metoda je

dvostruko križanje koje se realizira kroz podjelu roditeljskih kromosoma na dvije sekvence

korištenjem dvije točke križanja. Dvije točke križanja odabiru se slučajnim izborom i

njihovom kombinacijom nastaje nova nasljedna jedinka. Prednost ove metode je što je

usmjerena na proces križanja a ne kao prethodna na prostor pretrage i stoga je prihvatljivija u

praktičnoj primjeni. Mutacija se primjenjuje kad novu jedinku dobijemo modifikacijom

prethodno selektirane jedinke. Modifikacija se realizira izmjenom jednog ili više svojstava

reprezentativne jedinke, odnosno brisanjem ili dodavanjem dijelova reprezentacije. U

genetskim algoritmima mutacija se koristi u slučaju potrebe za određenim promjenama, u

pravilu se gotovo uvijek kombinira s operatorima križanja ili reprodukcije. Na različitim

stupnjevima evolucije mogu se koristiti različiti operatori mutacije. Prilagođavaju se prema

potrebama ciljane kvalitete traženog rješenja. Mutacija predstavlja unarnu operaciju, odnosno

odvija se na jednoj jedinki. Operatorom mutacije uvodi se nova karakteristika ili obnavlja

izgubljeno svojstvo jedinke. Selekcija je jedan od temeljnih procesa unutar genetskih

algoritama. Selekcija se bazira na kvaliteti, odnosno jedinke s odgovarajućim kvalitativnim

svojstvima imaju intenciju većeg broja odabira od jedinki s lošim kvalitativnim svojstvima.


18

Ovom operacijom se izdvajaju dobra od loših rješenja. Kako postoji vjerojatnost da i loše

jedinke sadrže kvalitetne gene potrebno je omogućiti i njihovo razmnožavanje. Iz tog razloga

uvodi veća vjerojatnost razmnožavanja za kvalitetnije a manja vjerojatnost za lošije jedinke.

Postoji nekoliko tipova selekcije koje imaju podjednako izraženu uporabu, ovisno o

slučajevima primjene. Selekcija je proces koji ključan u smislu definiranja prostora

pretraživanja (Holland, 1975.). Selekcija se može kategorizirati u dvije osnovne kategorije,

proporcionalna selekcija i rangirajuća selekcija (Slika 2.).

Izvor: autor

3.4.1. Koeficijent križanja i mutacije

Utvrđivanje potrebe za računalnim resursima sa stajališta vremena obrade i korištenja

memorijskog prostora, predstavlja jedan od složenijih problema u primjeni optimizacijskih

algoritama. Ovaj problem se iskazuje kroz procjenu vremena potrebnim za traženjem novog

prostora mogućih rješenja i količini vremena potrebnoj za podešavanje već prihvatljivi jedinki

rješenja. U slučaju da je koeficijent mutacije jednak jedan, genetski algoritam predstavlja

pretragu rješenja slučajnim odabirom. U slučaju da je koeficijent bliži nuli to je veća

mogućnost da će algoritam završiti u lokalnom optimumu. Veliku ulogu u učinkovitosti

genetskih algoritama igra njihova sposobnost da prenesu parametre omjera navedenih

procjena kroz sve generacije, te tako obuhvate šire područje populacije. Operatori križanja i

mutacije direktno utječu na područje pretrage. Mijenjajući koeficijente križanja i mutacije

kroz proces optimizacije moguće je usmjeriti resurse na prioritetna područja.

Slika 2 Kategorizacija operatora selekcije


19

3.5. Kvaliteta jedinke

Mogućnost opstanka bilo koje jedinke određena je njezinom kvalitetom, izvrsnošću.

U pravilu evolucija kvalitete direktno ovisi o kvalitativnim zahtjevima, odnosno definiranjem

funkcije cilja mora se jasno izraziti zahtijevana kvaliteta traženog rješenja. Postavljanje

funkcije cilja moguće je izvesti na nekoliko načina koje nalazimo u primjeni. Definiranjem

funkcije cilja i implementacija funkcije u genetski algoritam. Prilikom evaluacije jedinke

koristi se funkcija cilja u računalnoj obradi jedinke. Kada se evaluacija kvalitete izvršava u

odvojenoj računalnoj analizi dolazi do vremenskih usporavanja obrade zahtjeva i cjelokupnog

optimizacijskog procesa. U slučajevima kad funkcija cilja nije eksplicitno postavljena,

moguće je da osoba koja provodi evaluaciju kvalitete sama odredi kvalitativne zahtjeve s

aspekta slučaja uporabe. Kvalitativni zahtjevi mogu biti postavljeni koristeći metodu

komparacije jedinki iz promatrane populacije. Točnije, ako je strategija rješenja šira od

promatrane populacije vrši se usporedba s mogućim rješenjima.

3.6. Kategorizacija genetskih algoritama

Područje primjene genetskih algoritama je vrlo široko. Zbog svojih karakteristika,

genetski algoritmi se mogu implementirati u rješavanju problema koji zahtijevaju točnost u

pretraživanju višedimenzionalnog prostora rješenja. Problematika primjene može obuhvaćati

različita područja poput robotske tehnologije, rješavanja ekonomskih problema, digitalna

obrada signala, optimizaciju tehnoloških procesa i mnoštvo drugih. Potrebno je istaknuti

mogućnosti primjene genetskih algoritama u kombinaciji s klasičnim optimizacijskim

algoritmima ili naprednim konceptima (neuronske mreže). Izvođenje je često koncipirano po

ad hoc principu gdje se prema točno utvrđenom procesnom slijedu potrebno uključiti

algoritme koji sudjeluju u rješavanju određenih problema. Međutim postoje i nedostaci u

njihovoj primjeni u optimizacijskim procesima. Često su povezani s dugotrajnošću izvođenja,

opterećenjem procesora ili prekidom izvođenja zbog približavanja neprihvatljivim lokalnim

optimizacijskim vrijednostima. Uočavanjem navedenih nedostataka javila se potreba za

optimizacijom samih genetskih algoritama, te na temelju znanstvenih istraživanja nastaju

napredne verzije učinkovitijih GA. Danas je zastupljena u primjeni još jedna grana


20

evolucijskog računalstva, a to je genetičko programiranje. Principi rada su vrlo slični

genetskim algoritmima. Genetski algoritmi su također pogodni za paralelnu obradu podataka,

što omogućava implementaciju na višeprocesorskim sustavima. U nastavku su navedene neke

od vrsta GA koji se koriste u različitim područjima primjene. Izbor tipa genetskog algoritma

isključivo je ovisna o tipu problema koji se obrađuje. Koncept višekriterijskog GA temelji se

na zadovoljavanju cilja optimizacije, tako da se optimizira vektorska funkcija koja sadrži

elemente definirane kao zahtijevane funkcije cilja. Funkcije cilja su najčešće u međusobnom

konfliktu tako da se konačno rješenje pronalazi u odnosu na optimalnu (najbližu) vrijednost

funkcije cilja, relativnu prema svim procesuiranim varijablama. Često se kao optimizacijska

funkcija kod ovog GA koristi agregat s više elemenata funkcije integriranih u jednu

agregatnu funkciju. Paralelni genetski algoritam predstavlja kategoriju koja se koristi za

rješavanje problema ubrzavanja vremena izvođenja algoritma i obrade rješenja prilikom

realizacije složenih problema. Paralelizam se kod genetskih algoritama postiže na nekoliko

načina. Jednostavniji pristup je master-slave koncept prema kojem glavni (master) procesor

pohranjuje pojedinu populaciju, dok uslužni procesor (slave) vrši obradu jedinki primjenom

mutacije ili križanja. U ovom slučaju konačni rezultat je isti kao kod sekvencijalnog GA.

Drugi pristup obuhvaća obradu više pod populacija. Ovdje se jedinke konkuriraju

unutar pod populacija. Rezultat ovog pristupa je kvalitetniji iz razlogu istovremene

komparacije većeg broja jedinki. Postoji još nekoliko pristupa u paralelnoj obradi koji će

zasad biti samo navedeni, kao sljedeći: migracijski pristup, pristup injekcijskog otoka, pristup

grubih zrna ili distribuirani pristup, pristup višestrukog preklapanja pod populacija, pristup

korištenjem dinamičkih pod populacija i pristup korištenjem hibridnih metoda(Renner, Eka´rt,

2003.,713–715).


21

4. Primjena u brodogradnji

Trendovi sve prisutne globalizacije dramatično mijenjaju tržišne strategije i zahtijevaju

brzu prilagodbu primjenom inovativnih tehnologija i znanstvenih resursa u svim segmentima

proizvodnje. Danas kupca definira tržište koje najčešće i uvjetuje konačnu cijenu produkta.

Proizvodnja često balansira između unutarnjih i vanjskih metrika produktivnosti. U novije

vrijeme cilja se migracija s lokalne na globalnu optimizaciju koja za svrhu ima što kvalitetnije

zadovoljavanje zahtjeva kupca uključujući ga direktno u životni ciklus proizvoda. U

brodogradnji koja je specifična sa stajališta poslovnih procesa koji se odvijaju u izgradnji

broda kupac je od početka uključen u cjelokupni nadzor kvalitete produkta (broda) koji

kupuje. Stoga brodogradilištima predstavlja problem postizanje ravnoteže između

zadovoljenja zahtjeva brodovlasnika i postizanja planiranih kalkulacija učinkovitosti.

Organizacija i planiranje proizvodnje su ključni u zadovoljenju tih zahtjeva. Organizacijska

struktura bi trebala osigurati što učinkovitiji proces planiranja i njegove primjene na glavne

procese proizvodnje. Većina brodogradilišta primjenjuje matričnu strukturu u organizaciji

poslovanja (Slika 3.).

Izvor: autor

Slika 3 Problem matrične organizacije


22

Matrična struktura podrazumijeva kombiniranje projektnih s produkcijskim ciljevima,

upravo tu dolazi do čestih konflikata interesa u identifikacije prioriteta poslovanja. U

produkcijskoj organizaciji odluke rukovodstva su usmjerene optimalnom iskorištavanju

kapaciteta. U projektnoj organizaciji se odluke fokusiraju na završetak projekta u planiranom

vremenu i budžetu. Stoga se sve više kao alternativa postavljaju koncepti optimizacije koji

mogu omogućiti fleksibilnu i kontinuirano prilagođenu optimizaciju plana proizvodnje s

ciljem ostvarivanja postavljeni zahtjeva. U paralelnoj realizaciji više projekata konflikti su

učestaliji i kompleksniji. U određenim slučajevima moguće su manipulacije od strane

voditelja projekta sa ciljem ostvarivanja individualnih interesa koji mogu bitni

kontraproduktivni prema poslovnim ciljevima u široj perspektivi. Često je osnovni nedostatak

ovakvih tipova organizacije nepostojanje učinkovitog sustava koordinacije koji vrši

integraciju projekata i resursa te njihovu kontinuiranu kontrolu. Predmet ovog rada obrađuje

djelomično koncept virtualne proizvodnje. Koncept virtualne proizvodnje kroz uspješnu

implementaciju potencijalno omogućuje rješenje integracije problemskih područja u

realizaciji plana proizvodnje brodograđevne industrije.

4.1.Snimka stanja proizvodnje u Brodogradilištu d.d.

Brodogradilište d.d. funkcionira na rigidnom matričnom tipu organizacije što potencira

negativne implikacije za opstanak na modernom konkurentom tržištu. Potrebno je izvršiti

prilagođenu transformaciju na fleksibilni tip organizacije i razvoj provoditi kroz kohezivan

timski rad. Zbog slabe konkurentnosti Brodogradilište je usmjereno na tržišne niše koje

zahtijevaju razvoj prototipova plovila a izgledna je diversifikacija kao kompenzacija u

iskorištavanju kapaciteta proizvodnje. Sam razvoj prototipova produkta zahtjeva visoki

stupanj prilagodljivosti i kontrole u svim segmentima razvoja stoga je vidljiva potreba za

uvođenjem novih informacijskih tehnologija koje mogu podržati protok informacija na brz i

učinkovit način kroz veliki sustav kao što je Brodogradilište d.d.. Kao jedno od potencijalnih

rješenja razmatra se implementacija sustava virtualne proizvodnje kroz koji se namjerava

postići integralnost cjelokupnog procesa izgradnje broda. Integracijom kroz virtualnu

proizvodnju se namjerava jasnije definirati sustav odgovornosti za sve segmente aktivnosti na

projektima.


23

Hodogramom planiranja (Slika 4.) definiran je tok procesa planiranja proizvodnje.

Vrijeme glavnog proizvodnog intervala utvrđuje se prema preostalim aktivnostima. U

postojećem procesu planiranja, vremenom i kapacitetima se upravlja nezavisno i izolirano.

Planer je usmjeren na dostizanje pojedinih faza poput porinuća, datuma isporuke itd.. Tek u

sljedećem koraku se uključuje raspoloživost kapaciteta. Planiranje kapacitete nije primarno i

nedovoljno je usklađeno s planom proizvodnje.

Izvor: autor

Neusklađeno planiranje vremena i kapaciteta za posljedicu ima nepouzdane i

neučinkovite rezultate planiranja. Osnovi nedostatak ovog pristupa planiranju je to što se

nedovoljno analiziraju ograničenja u izvođenju aktivnosti poglavito ograničenja kapaciteta.

Zato dolazi u većini projekata do dodatnih troškova i generiranja dubioza u ukupnom

poslovanju. Izvršen je prikaz slučaja negativnih implikacija vremenski utvrđenog plana

aktivnosti. U planiranju se često koristi metoda kritičnog puta CPM (critical path method –

metoda kritičnog puta) koja kao bitan segment ne uzima konačan kapacitet resursa, te

implicira nepouzdane rezultate planiranja u slučaju neraspoloživosti određenog kapaciteta

resursa. Razmatran je slučaj opremanja određenog mikro prostora na brodu koji je podijeljen

na dva sustava s kojim se oprema (Tablica 1.).

Slika 4 Hodogram procesa planiranja proizvodnje

Aktivnost

Utvrđivanje

trajanja

intervala

proizvodnje

Preostale

aktivnost

Planiranje

aktivnosti

prema

vremenu

Plan

Provjera

raspoloživosti

kapaciteta


24

Aktivnost Opis Trajanje

(u danima)

Normativ

aktivnosti

(sati)

1 Montaža sustava1 5 250

2 Montaža sustava2 7 350

3 Instalacija sustava1 2 100

4 Instalacija sustava2 2 100

5 Testiranje sustava1 3 150

6 Testiranje sustava2 1 50

7 Primopredaja mikro prostora 1 50

Izvor: autor

U modelu mrežnog plana aktivnosti su predstavljene čvorovima (Slika 5.). Početni (P) i

završni (K) čvor predstavljaju početak i kraj aktivnosti. Pored čvorova su označeni vremenski

parametri trajanja pojedine aktivnosti. Operativni timovi izvode navedene aktivnosti

opremanja. Svaki tim sačinjen je od osam djelatnika, svaki djelatnik ostvari osam radnih sati

po danu. Zbog pauze za objed ukupni raspoloživi radni kapacitet po timu je 60 radnih sati po

danu. Ako gledamo konačni kapacitet tima, aktivnosti 1, 2 i 3 mogu istovremeno započeti sa

realizacijom.

Izvor: autor

Tablica 1. Analiza aktivnosti opremanja mikro prostora

Slika 5 CPM dijagram plana aktivnosti

S

2

1 3

4

5

6

7 K


25

U praksi CPM tehnika se koristi za izračun najkraćeg vremena trajanja aktivnosti. U

planiranju se procjenjuje interval aktivnosti s obzirom na konačni kapacitet resursa. U

promatranom primjeru kalkulacija intervala iznosila bi 350/60=5.83 dana. Procijenjena dužina

trajanja aktivnosti je 7 dana. Aktivnosti 2, 4, 6 i 7 predstavljaju kritičan put mrežnog

dijagrama za kapacitet opremanja. Ako se doda ukupan kapacitet resursa dolazi se do podatka

da proizvodni interval opremanja potreban da bi proizvodni tim izvršio planirane aktivnosti

opremanja prelazi kalkulaciju vremena navedenog kritičnog puta u mrežnom dijagramu

Izvor: autor

Analizom optimalne organizacije plana aktivnosti za proizvodni tim (Grafikon 1.)

vidljivo je da i u slučaju realizacije planiranja pojedinog projekta opremanja mikro prostora

postoji neiskorištenost kapaciteta u planiranim vremenskim intervalima. Kao rezultat

primjene CPM tehnike u slučaju planiranja više paralelnih projekata koji pristupaju istim

resursima, odstupanja su još izraženija. Kapacitete resursa neophodno je planirati tako da se

poveća njihova iskorištenost tijekom svih procesa koji se odvijaju u proizvodnji.

Grafikon 1. Trend korištenja kapaciteta


26

4.2. Formuliranje problema

Jedan od osnovnih ciljeva procesa planiranja je postići optimalnu duljinu trajanja

osnovnog procesa proizvodnje, odnosno učinkovito i djelotvorno uskladiti procese s

dostupnim kapacitetima. Potreba za informacijama koje proizlaze iz ovog procesa danas su

neophodne u primjeni. Naročito je ta potreba vidljiva u primjeni agilnog pristupa organizacije

proizvodnje i primjeni koncepta virtualne proizvodnje. Pretpostavka istraživanja je da

promatrano Brodogradilište d.d. ima uspješno implementiran sustav virtualne proizvodnje.

Takav sustav iziskuje veliku preciznost u definiranju parametara koji ulaze u razvoj modela

proizvodnje. Kontinuirano je potrebno za svaki novi projekt izračunati optimalni interval

trajanja proizvodnog procesa.

Koncept virtualne proizvodnje uključuje postojanje softverske platforme koja je

sposobna izvršiti integraciju procesa koji sudjeluju u aktivnostima proizvodnje broda.

Smjernice ovog pristupa promoviraju integraciju svih dostupnih resursa s ciljem optimalne

valorizacije atributa prilikom definicije modela projekta i produkta. Pretpostavka mogućeg

sustava virtualne proizvodnje u Brodogradilištu d.d. obuhvaća arhitekturu sastavljenu od šest

modula: tehnološko/dizajnerski modul, modul planiranja procesa, modul planiranja nabave,

modul procjene izvodljivosti i procjene troškova, modul planiranja prioriteta i upravljački

modul. Svaki modul posjeduje dodijeljena prava i uloge. Upravljački modul posjeduje prava

najviše razine koja mu omogućavaju dodjeljivanje prava ostalim modulima. Modul planiranja

prioriteta je direktno povezan s implementacijom genetskog algoritma , stoga se nameće kao

predmet daljnjeg razmatranja. Modul planiranja prioriteta u kontekstu primjene predstavlja

reprezentaciju problema poznatog kao JSSP (Job Shop Scheduling Problem – problem

organizacije poslova u proizvodnom pogonu) ili problem organizacije poslova u proizvodnom

pogonu. Problem je definiran mogućnostima alokacije kapaciteta za izvršavanje zadanih

radnih zadataka u određenom intervalu vremena. Organizacijska jedinica pod oznakom T

može predstavljati jedan od kapaciteta i prvi od objekata optimizacije. Radni nalog pod

oznakom Rn predstavlja drugi objekt koji sudjeluje u optimizaciji. U definiciji JSSP problema

ova dva objekta predstavljaju problem prema kojem konačni skup Rn sastavljen od N

operacija (radnih zadataka) treba biti izvršen od strane svakog radnog tima T. Svaki radni


27

nalog sadrži niz operacija. Svaka operacija zahtjeva određeni interval vremena potrebno za

izvršenje operacije. Svaka operacija zahtjeva obradu od točno određenog kapaciteta, u ovom

slučaju radne jedinice. Ideja ovog rada je razmotriti mogućnost primjene genetskog algoritma

u optimizaciji plana aktivnosti prema dostupnim kapacitetima s ciljem skraćivanja trajanja

vremenskog intervala proizvodnje i učinkovitog korištenja kapaciteta.

Dekompozicija radnih zadataka u sekvence se izvodi u svrhu utvrđivanja vremenskog

slijeda izvršenja operacija u odnosu na alokaciju dostupnih kapaciteta. Svaka operacija mora

biti raspoređena tako da ne ulazi u konflikt s drugim radnim nalozima odnosno pripadajućim

operacijama. Proces dekompozicije proizvodnih poslova u sekvence definira se kao proces

optimizacije i kao takav ima značajan utjecaj na učinkovitost i proizvodnost proizvodnog

okruženja. Proces rasporeda proizvodnih poslova u odnosu na dostupne kapacitete klasificira

se kao NP-potpun problem, odnosno nemoguće je pronaći optimalno rješenje bez korištenja

testnog algoritma koji može u polinomnom vremenu testirati rješenje zadanog algoritma.

Dekompozicija proizvodnih poslova u sekvence pripada u red složenijih proizvodnih

problema.

4.2.1. Model problema

Realizacija genetskog algoritama se može opisati kao računalna simulacija u kojoj

moguća izvesti prihvatljivo rješenja određenog problema. Ona kroz selekciju i reprodukciju,

ovisno o ciljanim vrijednostima, rezultiraju definiranim skupom rješenja prihvatljivim za

daljnje korištenje u svrhu kreiranja optimalnog procesa. Uspjeh učinkovite primjene

genetskog algoritma je direktno povezan sa sposobnošću izrade modela koja predstavlja

apstraktnu okolinu u kojoj se izvodi pretraga uz primjenu odgovarajućih operatora. S ciljem

povećanja učinkovitosti nekog sustava prvo moramo razumjeti kako se on ponaša. U slučaju

dekompozicije proizvodnih zadataka u sekvence najbolja rješenja se mogu dobiti primjenom

metode pokušaja i pogrešaka iz razloga visoke složenosti samog problema. Upravo tu je

moguće uvidjeti prednosti pretraživanja prostora rješenja primjenom genetskog algoritma.

Genetski algoritam obuhvaća iterativnu proceduru koja vrši obradu određene populacije

definirane veličine. Iteracije se uobičajeno prekidaju pronalaženjem rješenja ili dostizanjem


28

maksimalnog broja generacija. Matematičkim pristupom može se opisati da za vrijeme

iteracije t, GA obrađuje populaciju P(t) skupa mogućih rješenja xt

1... x

t

R, gdje R označava

konstantnu veličinu populacije. Svako od mogućih rješenja xt

i prolazi evaluaciju funkcijom

F( xt

i) kojom se vrši mjerenje kvalitete izvedenog jedinke rješenja. Kvaliteta rješenja

određuje sposobnost opstanka jedinke i mogućnost produkcije izvedene jedinke u sljedećoj

generaciji. U t+1 iteraciji populacija se izvodi na osnovu genetskih operacija selekcije,

križanja i mutacije.

Proizvodni pogon raspolaže s pet proizvodnih jedinica koje predstavljaju kapacitete.

Kapacitet izvodi točno određene operacije unutar proizvodnog okruženja. Model obrađuje pet

radnih naloga koje su sastavljene od točno određenih operacija. Svaka operacija ima točno

definirano vrijeme potrebno za izvršenje. Pretpostavke za realizaciju modela su sljedeće:

� Favoriziranje radnih naloga nije dozvoljeno.

� Svi nalozi su istodobno dostupni za početak obrade.

� Sve operacije su definirane zahtjevom prema kapacitetu i vremenom

realizacije.

� Nakon završetka operacije vrši se prelazak na sljedeći kapacitet, vrijeme

prelaska se uvrštava u vrijeme realizacije.

� Vrijeme početka realizacije nije ovisno o sekvenci i ne uvrštava se u vrijeme

realizacije.

U promatranom problemu geni svakog kromosoma predstavljaju fenotip rješenja

optimizacije unutar definirane populacije (Slika 6.).

Izvor: autor

Slika 6 Fenotip jedinke

1-1-1

operacija- radni nalog-indeks kapaciteta

2-1-1 3-1-1 1-1-2 2-1-2 3-1-2


29

Svaki radni nalog je strukturiran od niza operacija koje izvodi proizvodni kapacitet

specijaliziran za određene operacije. Niz aktivnosti se utvrđuje procesnim planom koji se još

naziva tehnologijom toka proizvodnje. Svaka operacija definiran je vremenom početka

realizacije Vp i vremenom završetka realizacije operacije Vz. Procesno vrijeme realizacije

operacije predstavlja sumu navedenih vremena: Po=Vp+Vz.

Jedinka rješenja (kromosom) predstavlja pet radnih naloga od kojih svaka sadržava pet

operacija (sekvenci) i pet kapaciteta koji su alocirani za izvođenje točno određenih operacija.

Reprezentacija rješenja je izvršena tako da prvih dvadeset i pet gena predstavlja relaciju

radnog naloga s pripadajućom operacijom i alokacijom kapaciteta. Prikazani su ulazni podaci

problema koji obrađuje kroz opisani model (Tablica 2.)


30

Šifra

proizvodne

operacije

Alokacija

radnog

naloga

Alokacija

kapaciteta

Vrijeme

realizacije

operacije (h)

Reprezentacija

rješenja

(kromosom)

1 1 1 3 1-1-1

2 1 2 6 2-1-2

3 1 3 4 3-1-3

4 1 4 5 4-1-4

5 1 5 12 5-1-5

6 2 1 4 6-2-1

7 2 2 10 7-2-2

8 2 3 23 8-2-3

9 2 4 2 9-2-4

10 2 5 15 10-2-5

11 3 1 6 11-3-1

12 3 2 3 12-3-2

13 3 3 3 13-3-3

14 3 4 34 14-3-4

15 3 5 12 15-3-5

16 4 1 4 16-4-1

17 4 2 6 17-4-2

18 4 3 5 18-4-3

19 4 4 6 19-4-4

20 4 5 12 20-4-5

21 5 1 2 21-5-1

22 5 2 4 22-5-2

23 5 3 12 23-5-3

24 5 4 15 24-5-4

25 5 5 9 25-5-5

Izvor: autor

Tablica 2. Analiza radnog naloga (kromosoma)


31

4.3. Struktura algoritma

Izradom modela problema stvorena je osnova za definiranje ulaznih podataka koji se

obrađuju kroz genetski algoritam. Procedure obrade se odvijaju kroz procese inicijalizacije,

selekcije i primjenu reprodukcijskih operatora.

4.3.1. Inicijalizacija

Inicijalizacija se vrši neuniformiranim tipom generacije, odnosno slučajnim

generiranjem jedinki. U inicijalnoj populaciji se nalaze jedinke koje predstavljaju kandidate

za rješenja, tijekom svake iteracije one evoluiraju s izmijenjenim vrijednostima. Prvi

generirani kromosom (predstavlja pojedinačni radni nalog) definiran je slijednim

redoslijedom sekvenci aktivnosti (a,b,c) dok se drugi kromosom generira obrnutim

redoslijedom sekvenci (c,b,a). Ako je broj kromosoma veći od dva oni se generiraju u

algoritmu inicijalizacije (Shema 2.).

Generiranje preostalih kromosoma

{

Unesi slučajno generirani kromosom odabirom indeksa uz uvjet da je indeksa kromosoma

veći od dva a manji od veličine populacije;

{

Generiraj gen u području duljine kromosoma;

{

Selektiraj sve gene u navedenom području pod uvjetom da nisu redundantni;

}

Selektiraj kromosome pod uvjetom da se ne ponavljaju;

}

Ispiši rješenje;

}

Izvor : autor

Shema 2. Pseudokod algoritma inicijalizacije


32

4.3.2 Evaluacija kvalitete

Evaluacija kvalitete svakog kromosoma se vrši supstitucijom vrijednosti varijabli u

funkciji cilja, a ujedno se vrši filtriranje dobrih od loših rješenja. Unutar modula planiranja

prioriteta moguće je definirati parametre funkcije cilja ovisno o zahtijevanim restrikcijama.

Funkcija cilja prihvaća kromosom kao ulazni parametar, zatim mjerenjem kvalitete generira

parametar koji je rezultat obrade. Evaluacija kvalitete predstavlja kritični proces unutar

genetskog algoritma. Funkcija cilja u ovom procesu treba utvrditi koja su loša a koja tražena

svojstva jedinke. U razmatranom slučaju funkciju cilja utvrđuje minimalno vrijeme praznog

hoda, odnosno optimalnu stopu korištenja kapaciteta. Za svaki kromosom se izračunava

vrijeme potrebno za izvršavanje obuhvaćeni operacija. Zatim se izračunava maksimalno

vrijeme realizacije radnih naloga.

Ova funkcija cilja se izvodi sljedećim hodogramom:

1. Uzima se vrijeme početka realizacije posljednje operacije Ov koja se izvršava od

strane radne jedinice (označava se Tvk).

2. Dodaje se procesno vrijeme realizacije posljednje operacije Pop i zbraja s prethodnim

vremenom obrade od strane kapaciteta, Tvk + Pop

Ova dva koraka se ponavljaju za sve kapacitete u kromosomu. Interval realizacije

proizvodnog procesa se izračunava prema formuli:

Pv = MAX [(Tvk1+ Pop1) , (Tvk2+ Pop2),..., (TvkM+ +PopM)].

Funkciju cilja mjerimo izrazom:

Fc=Min(Pv1, Pv2, Pv3,...., Pv_veličina populacije ).


33

4.3.3. Selekcija

Selekcija kao proces izbora najboljih roditelja za cilj ima segregaciju kvalitetnih

kandidata. Operacija selekcije zasebno ne može generirati novog kandidata za rješenje, ali je

koristimo za odabir jedinki koji sudjeluju u kreiranju nove generacije. Preporuka je korištenja

binarne selekcije koja je pokazala bolje rezultate u istraživanjima i primjeni. Utvrđeno je da

ova vrsta selekcije pruža visoki stupanj usklađivanja, izbjegava se djelomična optimizacija, te

pruža jednostavniji pristup pri kodiranju u računalnom okruženju. U razmatranom problemu

koristi se rangirajući tip selekcije, shema 3.. Tako se postiže uravnotežena vjerojatnost

selekcije a ujedno smanjuje dominacija kvalitetnijih jedinki tijekom evolucijskog procesa.

Selekcija para kromosoma

{

Selektiraj prvi kromosom slučajnim odabirom indeksa unutar veličine populacije;

{

Selektiraj drugi kromosom slučajnim odabirom indeksa unutar veličine populacije

uz uvjet da nije jednak prvom;

{

Selektiraj kromosom koji je bliže uvjetu ispunjavanja kvalitete rješenja;

}

}

Ispiši rješenje;

}

Izvor: autor

Shema 3. Pseudokod selekcije


34

4.3.4. Križanje

Operacija križanja se koristi kao reprodukcijski operator s ciljem definiranja nove

osnove za pretraživanje. Uzimaju se dvije jedinke klasificirane kao roditelji i selektirane kroz

dvostruki poziv selekcijskoj funkciji, zatim se kreira nova nasljedna jedinka koja je stvorena

kombinacijom sekvenci roditelja (Slika 7.).

Izvor:autor

Novo generirani kromosom ima velike izglede da je kvalitetniji od oba roditelja ako je

naslijedio najbolje karakteristike od svakog roditelja. Jednostavni model operatora križanja

izvodi se razmjenom sekvenci kromosoma roditelja, koje su određene slučajnim izborom

točke križanja. Na prethodnoj slici točka križanja je predstavljena vertikalnom linijom u retku

numeracije gena. Operator križanja predstavlja ključni element genetskog algoritma u smislu

metode koja omogućava evoluciju kvalitete kroz nove generacije. U primijenjenom

genetskom algoritmu korišten je tzv. PMX (Partially Mapped Crossover - djelomično

križanje) operator križanja koji se klasificira pod vrstu dvostrukih metoda križanja.

Implementacijom u genetskom algoritmu operator križanja se uključuje kad je potrebna

horizontalna razmjena redaka između dva različita kromosoma . Sekvence zadataka unutar

radnog naloga (kromosoma) razmjenjuju se između dva roditeljska rješenja. Svaki zadatak je

definiran u roditeljskom kromosomu. Operacija se izvršava tako da se slučajnim izborom

selektira broj sekvenci genoma i izvrši razmjena između dva rješenja, a zatim se generira nova

jedinka rješenja. Unutar PMX operatora postavljaju se dva stringa koja sadrže permutacijom

izvedene gene , zatim se definiraju dvije zajedničke točke križanja ( a i b) koje se postavljaju

Slika 7 Primjer operacije križanja između dvije jedinke

1 3 5 7 2 4 6

1 3 5 7 4 3 5

7 2 6 1 4 3 5


35

slučajnim odabirom sekvence stringa. Sekcije ukazuju na dijelove koje će se koristiti u

operaciji razmjene (Slika 8.).

Izvor : autor

PMX operator nastavlja se izvoditi razmjenom gena. Prvo se mapira niz roditelja 2 u niz

roditelja 1. Geni s indeksima 6, 1, 4 zamjenjuju pozicije sa sekvencom genoma 1, 7, 3.

Istovjetno se mapira niz roditelja 1 u niz roditelja 2. Sada nastaje novi PMX operator s dva

križana stringa u kojima se pojavljuje redundancija gena (Slika 9).

Izvor: autor

Daljnja obrada dobivenih stringova slijedi tako da se zamjene redundantni geni u prvom

stringu s prvim redundantnim genom u drugom stringu. Na isti način se rješava problem

redundancije gena u drugom stringu (Slika 9.). PMX operator križanja u algoritmu koristi dva

niza roditelja r1 i r2, potomak je generirani kromosom (dijete), shema 4.. Varijabla t

predstavlja poziciju gena u nizu r1 koji ima jednaku vrijednost selektiranog gena u nizu r2.

Slika 8 Križanje roditeljskih kromosoma

Slika 9 PMX nizovi nakon križanja

7 2 1 7 3 3 5

6 5 6 1 4 4 2 Potomak 2

a b

Potomak 1

4 2 1 7 3 6 5 Potomak 1

3 5 6 1 4 7 2 Potomak 2

a b

7 2 6 1 4 3 5 Roditelj 1

6 5 1 7 3 4 2 Roditelj 2

a b


36

PMX algoritam

{

Selektiraj Roditelja 1 i Roditelja 2 slučajnim odabirom.

Selektiraj dvije točke križanja slučajnim odabirom pod uvjetom da nisu preklopljene.

{

Zamjeni točke križanja.

}

Zamjeni sekvencu fenotipa Roditelja 1 i Roditelja 2. Pod uvjetom da nema redundancije.

{

Zamjeni redundantne gene.

}

Generiraj Potomak1 i Potomak2.

}

Izvor: autor

4.3.5. Mutacija

Mutacija je proces interne modifikacije genoma unutar kromosoma. Mutacijski

operatori obrađuju svaku novu jedinku ili kandidata rješenja koja je nastala kao rezultat

operacije križanja. Ova operacija ima veliki utjecaj pri dostizanju budućih rješenja u prostoru

pretrage. Mutacija se odvija modifikacijom slučajno odabranih jedinki rješenja s ciljem

produkcije boljih karakteristika modificirane jedinke. Mutacija se koristi izrazito u cilju

izbjegavanja lokalnih optimuma funkcija cilja koja je predmet optimizacije. Kroz primjenu

mutacije postiže se proširenje prostora pretraživanja za kvalitetnijim rješenjima. U slučaju

korištenja operatora mutacije prilikom obrade znakovnog niza (string) on se primjenjuje tako

da se vrši kombiniranje elemenata niza s definiranim koeficijentom vjerojatnosti. Obrada

operatorom mutacije se izvodi na svakom kromosomu potomka koji je generiran nakon

operacije križanja. Mutacija omogućuje kontinuiranu raznolikost jedinki po svojim

fenotipovima na globalnoj razini optimizacije. U konkretnom slučaju razmatraju se dva

pristupa izvođenja mutacije; mutacija dodjeljivanjem i mutacija zamjene.

Shema 4. Pseudokod PMX algoritma


37

1) Mutacija dodjeljivanja; hodogram:

• Jedinka se slučajno izabere .

• Izvrši se dodjela novog gena na istu sekvencu fenotipa

2) Mutacija zamjene (Shema 5.).

Mutacija potomaka

{

Selektiraj dva gena za mutaciju unutar veličine kromosoma;

{

Zamjeni pozicije gena

}

Generiraj mutirani kromosom;

}

Izvor: autor

Nakon operacija mutacije potrebno je u programskom rješenju koje obrađuje genetski

algoritam izvesti zamjenu stare populacije s novom, te se time zaključuje jedna iteracija u

izvođenju. Nakon definiranog broja iteracija program bi trebao prikazati očekivani rezultat

optimizacije.

Shema 5. Pseudokod operatora mutacije


38

4.4. Analiza rješenja

Predložena strategija primjene genetskog algoritma u procesu planiranja proizvodnje je

zamišljena kroz implementaciju u modulu planiranja prioriteta i organizacije poslova u

proizvodnom pogonu. Funkcioniranje samog modula se izvodi kroz integraciju u okruženju

virtualne proizvodnje. Kako je riječ o konceptu koji zahtjeva dugotrajni razvoj ili postojanje

slične platforme za potrebe ovog rada je korištena napredna verzija tabličnog kalkulatora koji

se koristi kao proširenje na paketu MS excela 2007. Riječ je o programskom alatu za

simulaciju problema optimizacije pod nazivom Evolver, konkretno korištena je probna verzija

ovog komercijalnog programskog alata (www.palisade.com/evolver). Evolver je praktičan

programski alat koji vrši optimizaciju primjenom genetskog algoritma. Ovaj programski alat

moguće je integrirati na većinu programskih platformi i zasigurno predstavlja veliki potencijal

u primjeni genetskih algoritama. Evolver je u razmatranom problemu korišten sa stajališta

simulacije opisanog modela.

4.4.1. Simulacija

Prilikom simulacije korišteni su određeni ulazni podaci (Tablica 2.) na osnovu kojih je

izvršeno mjerenje performansi predloženog modela. Scenarij modela obuhvaća izvršavanje

pet radnih naloga od kojih svaki sadrži pet operacija, svaka operacija se izvršava od strane

specificiranog kapaciteta. Cilj optimizacije je dobiti minimalno vrijeme izvršavanja svih

naloga u sustavu, te optimalno organizirati realizaciju planiranih aktivnosti prema dostupnim

kapacitetima. Tijekom testiranja eksperimentiralo se izvođenjem optimizacije na različitom

broju generacija. Izvršena je komparacija modela s 500, 1000 i 10000 generacija.

Korišteni su sljedeći parametri za izvođenje genetskog algoritma:

� Veličina populacije = 100

� Koeficijent križanja = 0.5

� Koeficijent mutacije = 0.1


39

Izvor:autor

Grafikon 2. Komparacija različitih generacija


40

Na grafikonima su prikazani trendovi pretraživanja optimalnog rješenja pri korištenju

različitog broja generacija. Može se zaključiti da se korištenjem većeg broja generacija

povećava vjerojatnost dobivanja optimalnog rješenja (Grafikon 2.). Najbolji rezultat je

dobiven u zadnjem slučaju gdje je korišteno deset tisuća generacija u prostoru pretrage.

Međutim može se zaključiti da kad se dostigne određeni optimum pri velikom broju

generacija on dalje u kontinuitetu ne ostvaruje visoke varijacije od svojih vrijednosti

mijenjajući broj generacija. Stoga je potrebno prilikom procesa optimizacije izvršiti umjerenu

procjenu količine generacija potrebnih za učinkovitu realizaciju procesa optimizacije. Kao

optimalni rezultat u razmatranom problemu procijenjena je simulacija na tisuću generacija

(Tablica 3.).

Definicija metrike Vrijednost

Realizirani broj generacije 10000

Ukupan broj generacija 10000

Inicijalno rješenje 112

Najbolje rješenje 62

Indeks generacije s najboljim rješenjem 4484

Vrijeme pretrage do najboljeg rješenja 0:00:51

Razlog prekida optimizacije 10000 generacija

Ukupno vrijeme optimizacije 0:01:51

Izvor:autor

Prikazani podaci su proizašli kao rezultat simulacije i mogu se promatrati odvojeno,

ovisno o aspektu željenih performansi. Relevantni podatak ovog istraživanja predstavlja

nabolje rješenje optimizacije (62) koji identificira najkraće vrijeme realizacije operacija od

strane pet kapaciteta. Na temelju ovog podatka moguće je izvesti ostale informacije koje su

postavljene kao cilj istraživanja. Konačno zvršen je prikaz preraspodjele slijeda izvođenja

operacija nastao kao rezultat optimizacije (Tablica 4.).

Tablica 3. Rezultati simulacije


41

Šifra proizvodne operacije

Alokacija radnog naloga

Alokacija kapaciteta

Vrijeme realizacije operacije

(h) 18 4 3 5

2 1 2 6

10 2 5 15

3 1 3 4

14 3 4 34

7 2 2 10

21 5 1 2

23 5 3 12

20 4 5 12

4 1 4 5

25 5 5 9

16 4 1 4

8 2 3 23

24 5 4 15

15 3 5 12

1 1 1 3

17 4 2 6

12 3 2 3

6 2 1 4

9 2 4 2

11 3 1 6

22 5 2 4

13 3 3 3

5 1 5 12

19 4 4 6

Izvor:autor

Tablica 4. Optimizirani slijed izvođenja operacija u sustavu


42

Na osnovu dobivenih rezultata, prioritete u izvođenju operacija proizvodnje moguće je

organizirati na učinkovitiji način u cilju skraćivanja vremena proizvodnje. Izvedeni su podaci

o vremenskoj korištenosti kapacitete prije i nakon optimizacije (Tablica 5.).

Definicija metrike Vrijednost

Prazni hod kapaciteta 1 93





Inicijalni prazni hod (ukupno) 343

Optimizirani prazni hod kapaciteta 1 43





Prazni hod nakon optimizacije (ukupno) 93

Izvor:autor

Na osnovu izvedenih podataka moguće je izračunati iskorištenost pojedinog kapaciteta i

ukupnu stopu korištenja kapaciteta relativno prema idealnom vremenu potrebnim za paralelnu

realizaciju operacija. Korištena sljedeća formula:

SK = PK

IK x 100 ;

SK= stopa iskorištenosti kapaciteta (%)

IK = iskorišteni kapacitet

PK= planirani kapacitet

Tablica 5. Analiza praznog hoda kapaciteta


43

Korištenjem navedene formule izveden je sljedeći izraz:

Pi = vrijeme praznog hoda (ulazni podaci), i = indeks kapaciteta;

IK1=19, IK2=29, IK3=47, IK4=62, IK5=60;

P1=93, P2=83, P3=65, P4=50, P5=52; (ulazni podaci)

PKi = IKi +Pi; SKi= PKi

IKix100;

SK1=17%, SK2=26%, SK3=42%, SK4=55%, SK5=54%

Nakon izvođenja simulacije dobiveni su sljedeći podaci o iskorištenosti kapaciteta:

IK1=19, IK2=29, IK3=47, IK4=62, IK5=60;

P1=43, P2=33, P3=15, P4=0, P5=2; (izlazni podaci)

PKi = IKi +Pi; SKi= PKi

IKix100;

SK1=30%, SK2=47%, SK3=75%, SK4=100%, SK5=97%

Prikazana je usporedba iskorištenosti kapaciteta prije izvođenja simulacije i nakon

optimizacije ulaznih podataka obradom kroz genetski algoritam (Grafikon 3.). Sa aspekta

iskorištenosti kapaciteta vidljivo je da je došlo do znatnog povećanja iskorištenosti kapaciteta.


44

PRIJE OPTIMIZACIJE

NAKON OPTIMIZACIJE

Izvor:autor

Dobiveni rezultati prikazuju da je primjenom tehnologije genetskih algoritama u

optimizaciji procesa planiranja moguće postići rast učinkovitosti proizvodnog sustava.

Grafikon 3 Komparacija iskorištenosti kapaciteta


45

5. Zaključak

Specijalistički završni rad prikazan je u četiri tematske cjeline. U prvom dijelu su

navedeni svrha i cilj istraživanja te je postavljena radna hipoteza. Drugi dio rada opisuje širi

kontekst problematike brodograđevne industrije u modernom poslovnom okruženju. Treći dio

obrazlaže koncept genetskog algoritma. U četvrtom dijelu izvršen je prikaz primjene

genetskog algoritma pri rješavanju praktičnog problema prisutnog u brodograđevnoj

industriji. Na kraju su analizirani konkretni rezultati nastali primjenom razmatrane

tehnologije.

U brodogradnji kao kompleksnoj grani industrije neophodna je kontinuirana integracija

novih znanja i tehnologija. U današnjem tržišnom okruženju poslovanje velikih

brodogradilišta nije održivo bez primjene tehnoloških inovacija i fleksibilne organizacije.

Genetski algoritam predstavlja jedan od tehnoloških koncepata koji kroz oponašanje

prirodnog evolucijskog procesa omogućuje optimizaciju procesa u proizvodnji. Osnovni

problemi u poslovanju brodogradilišta najčešće se povezuju s tromošću sustava upravljanja i

organizacijskim vještinama. Osnovni proces u proizvodnji predstavlja proces planiranja

proizvodnje koji čini temelj za učinkovito i djelotvorno funkcioniranje poslovnog sustava.

Procjena planera i sposobnost predviđanja često ima ključnu ulogu u uspješnosti realizacije

plana proizvodnje.

Primjenom naprednih tehnoloških koncepata poput genetskih algoritama moguće je

smanjiti rizike od loših poslovnih odluka i slabih procjena stručnjaka koji sudjeluju u procesu

planiranja. Predstavljenim stručnim istraživanjem razrađena je ideja integracije platforme

virtualne proizvodnje i optimizacije procesa planiranja primjenom genetskog algoritma.

Implementacijom ovakve računalne platforme moguće je simulacijski testirati proizvodne

aktivnosti te preventivno reducirati troškove procesa proizvodnje. Iz svjetskih spoznaja i

dostupnih informacija neosporno je da ovaj pristup predstavlja smjernice budućeg poslovanja

i njegovo uvođenje osigurava konkurentnu prednost na zahtjevnom globalnom tržištu.


46

Popis kratica

3D - Three – dimensional – trodimenzionalno

CAD – Computer aided design – računalna podrška u projektiranju

CAM – Computer aided manufacturing – računalna podrška u proizvodnji

CFD – Computational fluid dynamics – Računalna metodologija za izračun dinamike fluida

CPM- Critical path method – metoda u planiranju

DAS - Daewoo Shipbuilding Scheduling – Sustav planiranja brodogradnje

FEA- Finite element method – metoda u projektiranju

GA – Genetic algorithm – genetski algoritam

JSSP – Job shop scheduling problem – problem organizacije poslova u proizvodnji

PMX – Partially mapped crossover – metoda križanja

SaaS – Software as a service – tip usluga u računalnom oblaku

UI – umjetna inteligencija

VM – Virtual manufacturing – virtualna proizvodnja

VMS – Virtual manufacturing in shipbuilding – Sustav virtualne proizvodnje u brodogradnji


47

Bibliografija

Knjige

1. John R.Koza, Genetic programming , MIT press, Massachusetts 1992.

2. Goldberg D.E., Genetic Algorithms in Search, Optimization, and Machine Learning,

Addison-Wesley, Boston MA, 1989.

3. Darwin Charles, On the Origin of Species, London, 1859.

Članci

1. Zhao D., The Strategy and Innovation of China's Shipbuilding Industry, Jiaotong

University, Beijing, 2009., str. 494-497.

2. Jae Kyu, et al., Developing scheduling systems for Daewoo Shipbuilding:

DAS project, European Journal of Operational Research, 1997., str. 380-395.

3. Crljenko D., Blažević D., Mikac T., Planiranje serijske proizvodnje uporabom

Genetskog algoritma, Tehnički fakultet u Rijeci, Rijeka, 2007., str.27-37.

4. Renner G., Ekart A., Genetic algorithms in computer aided design, Computer-Aided

Design, vol.35, 2003., str.709-726.

5. Akala M., et al., Priority Dispatching Rules for Virtual Manufacturing, University of

Mosul, Mosul, 2008., str.139-162.

Ostali izvori (Internet)

1. http://www.zemris.fer.hr/~golub/ga/ga.html (04.03.2013.)

2. http://www.genetic-programming.com/johnkoza.html (04.03.2013.)

3. http://www.palisade.com/evolver/ (04.03.2013.)

4. http://c2.etf.unsa.ba/mod/resource/index.php?id=156 (04.03.2013.)

5. http://www.myreaders.info/html/artificial_intelligence.html (04.03.2013.)


48

Popis ilustracija

Popis slika:

Slika 1. Komponente virtualnog proizvodnog okruženja ......................................................... 11

Slika 2 Kategorizacija operatora selekcije................................................................................ 18

Slika 3 Problem matrične organizacije ..................................................................................... 21

Slika 4 Hodogram procesa planiranja proizvodnje................................................................... 23

Slika 5 CPM dijagram plana aktivnosti .................................................................................... 24

Slika 6 Fenotip jedinke ............................................................................................................. 28

Slika 7 Primjer operacije križanja između dvije jedinke .......................................................... 34

Slika 8 Križanje roditeljskih kromosoma ................................................................................. 35

Slika 9 PMX nizovi nakon križanja .......................................................................................... 35

Popis tablica:

Tablica 1. Analiza aktivnosti opremanja mikro prostora ......................................................... 24

Tablica 2. Analiza radnog naloga (kromosoma) ...................................................................... 30

Tablica 3. Rezultati simulacije ................................................................................................. 40

Tablica 4. Optimizirani slijed izvođenja operacija u sustavu ................................................... 41

Popis grafikona:

Grafikon 1. Trend korištenja kapaciteta ................................................................................... 25

Grafikon 2. Komparacija različitih generacija ......................................................................... 39

Grafikon 3 Komparacija iskorištenosti kapaciteta.................................................................... 44


49

Popis shema:

Shema 1 Prikaz jednostavnog GA ............................................................................................ 16

Shema 2. Pseudokod algoritma inicijalizacije .......................................................................... 31

Shema 3. Pseudokod selekcije .................................................................................................. 33

Shema 4. Pseudokod PMX algoritma ....................................................................................... 36

Shema 5. Pseudokod operatora mutacije .................................................................................. 37

primjena genetskih algoritama u brodograđevnoj industriji

Documents