Ứng dụng giải thuật hệ thống miễn dịch nhân tạo (artificial immune systems) cho bài toán điều độ flow shop tại xí nghiệp garmex an nhơn công ty cổ phần sản xuất thương mại may sài gòn

Nội dung chính của luận văn là xây dựng một chương trình điều độ sản xuất dựa trên cơ sở giải thuật “Hệ thống miễn dịch nhân tạo – AIS” để giải bài toán điều độ flow shop tại xí nghiệp v

Đại Học Quốc Gia Tp Hồ Chí Minh

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

NGUYỄN THỊ MAI TRÂM

ỨNG DỤNG GIẢI THUẬT HỆ THỐNG MIỄN DỊCH NHÂN TẠO (ARTIFICIAL IMMUNE SYSTEMS) CHO BÀI TOÁN ĐIỀU ĐỘ FLOW SHOP TẠI XÍ NGHIỆP GARMEX AN NHƠN – CÔNG TY

CỔ PHẦN SẢN XUẤT THƯƠNG MẠI MAY SÀI GÒN

Chuyên ngành: KỸ THUẬT HỆ THỐNG CÔNG NGHIỆP

Mã số ngành : 60.55.01

LUẬN VĂN THẠC SĨ

TP Hồ Chí Minh, Tháng 09 năm 2008

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI

TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học:

Cán bộ chấm nhận xét 1:

Cán bộ chấm nhận xét 2:

Luận văn thạc sĩ được bảo vệ tại HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN

THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày……….tháng……….năm 2008

TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

PHÒNG ĐÀO TẠO SĐH ĐỘC LẬP – TỰ DO – HẠNH PHÚC

Tp.HCM, ngày……….tháng………năm 2008

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: NGUYỄN THỊ MAI TRÂM Phái: Nữ

Ngày, tháng, năm sinh: 09 – 02 -1981 Nơi sinh: Tây Ninh

Chuyên ngành: KỸ THUẬT HỆ THỐNG CÔNG NGHIỆP MSHV: 02706651

I TÊN ĐỀ TÀI:

ỨNG DỤNG GIẢI THUẬT HỆ THỐNG MIỄN DỊCH NHÂN TẠO (ARTIFICIAL

IMMUNE SYSTEMS) CHO BÀI TOÁN ĐIỀU ĐỘ FLOW SHOP TẠI XÍ NGHIỆP

GARMEX AN NHƠN – CÔNG TY CỔ PHẦN SẢN XUẤT THƯƠNG MẠI MAY SÀI

GÒN

II NHIỆM VỤ VÀ NỘI DUNG

− Xác định bài toán điều độ thực tế tại xí nghiệp may An Nhơn

− Tìm hiểu về kỹ thuật điều độ flowshop

− Lựa chọn giải thuật để giải bài toán điều độ flowshop

− Thiết lập mô hình toán

− Thu thập và chuẩn hoá số liệu theo yêu cầu của mô hình

− Xây dựng chương trình máy tính hỗ trợ công tác điều độ tại xí nghiệp

III NGÀY GIAO NHIỆM VỤ: 01- 03 - 2008

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 30 – 06 - 2008

V CÁN BỘ HƯỚNG DẪN: TS NGUYỄN VĂN HỢP

LỜI CÁM ƠN

Luận văn thạc sĩ này được hoàn thành không những nhờ vào nổ lực bản thân của mà còn nhờ vào sự hướng dẫn nhiệt tình của Quý thầy cô, đồng nghiệp và bạn

bè thân hữu

Xin bày tỏ lòng biết ơn chân thành nhất đến Thầy TS Nguyễn Văn Hợp đã

giúp đỡ, chỉ dẫn cặn kẽ trong thời gian thực hiện luận văn, giúp cho tôi có được những kiến thức hữu ích, làm nền tảng cho việc học tập và công việc sau này

Xin chân thành cám ơn Quý thầy cô ngành Kỹ Thuật Hệ Thống Công Nghiệp đã nhiệt tình dạy bảo chúng em trong thời gian qua

Đồng thời, tôi cũng xin cám ơn Ban lãnh đạo Xí nghiệp Garmex An Nhơn-

Công ty Cổ phần Sản xuất Thương mại May Sài Gòn và đặc biệt là Ông Nhữ Hồng Thanh – Phó Tổng giám đốc công ty đã giúp đỡ và tạo điều kiện thuận lợi cho tôi nghiên cứu, thu thập số liệu phục vụ cho đề tài này

Cuối cùng, xin cám ơn gia đình và bạn bè đã động viên, giúp đỡ tôi trong thời gian học tập và làm luận văn này

Học viên

Nguyễn Thị Mai Trâm

TÓM TẮT LUẬN VĂN

Trong bối cảnh hội nhập và cạnh tranh khốc liệt như hiện nay, mở ra những cơ hội

và thử thách mới cho các doanh nghiệp mà đặc biệt là các doanh nghiệp trong nước nói chung và các doanh nghiệp trong ngành may nói riêng Là một công ty hoạt động trong lĩnh vực may mặc, xí nghiệp may An Nhơn – Công ty Cổ phần Sản xuất Thương mại May Sài Gòn đang phải đối mặt với những thách thức chung đó, cạnh tranh về giá, chất lượng đảm bảo và giữ vững uy tín với khách hàng, đối tác Để góp phần vào việc thực hiện mục tiêu chung, nâng cao khả năng cạnh tranh của công ty, việc cân đối và tiết giảm các chi phí không phù hợp trong sản xuất là một vấn đề đang được xem xét tại xí nghiệp

Xuất phát từ nhu cầu thực tế đó, đề tài này đã được hình thành Nội dung chính của luận văn là xây dựng một chương trình điều độ sản xuất dựa trên cơ sở giải thuật

“Hệ thống miễn dịch nhân tạo – AIS” để giải bài toán điều độ flow shop tại xí nghiệp với mục tiêu là cực tiểu tổng chi phí tồn kho và chi phí phạt

MỤC LỤC

NHIỆM VỤ LUẬN VĂN THẠC SĨ ii

LỜI CÁM ƠN iii

TÓM TẮT LUẬN VĂN iv

DANH SÁCH HÌNH VẼ viii

DANH SÁCH BẢNG BIỂU ix

CHƯƠNG 1: MỞ ĐẦU 1

1.1 Lý do hình thành đề tài 1

1.2 Đặt vấn đề 2

1.3 Mục tiêu của đề tài 2

1.4 Phạm vi và giới hạn của đề tài 3

1.5 Bố cục của luận văn 3

CHƯƠNG 2: NHỮNG NGHIÊN CỨU LIÊN QUAN 5

2.1 Kiến thức cơ bản về điều độ trong sản xuất 5

2.1.1 Một số ký hiệu 6

2.1.2 Các hàm mục tiêu trong điều độ sản xuất 6

2.1.3 Các mô hình sản xuất 8

2.1.4 Các mô hình thiết bị 8

2.1.5 Các đặc điểm của quá trình và các ràng buộc trong điều độ 10

2.1.6 Các luật phân việc 11

2.1.7 Các giải thuật 12

2.2 Các nghiên cứu nước ngoài 16

2.3 Các nghiên cứu trong nước 17

CHƯƠNG 3: PHƯƠNG PHÁP LUẬN 20

3.1 Điều độ flow shop 20

3.2 Giải thuật “ Hệ thống miễn dịch nhân tạo” 22

3.2.1 Giới thiệu hệ thống miễn dịch của động vật có xương sống 23

3.2.1.1 Nguyên tắc miễn dịch thể dịch 24

3.2.1.2 Cơ chế miễn dịch tế bào 25

3.2.2 Phương pháp hệ thống miễn dịch nhân tạo 25

3.2.2.1 Giải thuật 25

3.2.2.2 Ứng dụng nguyên tắc miễn dịch thể dịch trong AIS 27

3.2.2.3 Ứng dụng nguyên tắc miễn dịch tế bào trong AIS 28

3.2.3 Phương pháp chọn thông số tối ưu cho AIS 29

CHƯƠNG 4: BÀI TOÁN ĐIỀU ĐỘ FLOW SHOP CỦA XÍ NGHIỆP MAY AN NHƠN 31

4.1 Giới thiệu Xí nghiệp Garmex An Nhơn – Công ty Cổ phần Sản xuất Thương mại may Sài Gòn 31

4.1.1 Lĩnh vực hoạt động, ngành nghề kinh doanh 31

4.1.2 Cơ cấu tổ chức công ty 31

4.1.3 Sơ lược về xí nghiệp may An Nhơn 33

4.1.3.1 Cơ cấu tổ chức của xí nghiệp .33

4.1.3.2 Quy trình sản xuất sản phẩm 33

4.2 Công tác lập kế hoạch và điều độ tại xí nghiệp may An Nhơn 35

4.3 Mô hình toán và các thông số liên quan 37

4.3.1 Giả định 37

4.3.2 Phát biểu hàm mục tiêu của bài toán 38

4.3.3 Định nghĩa các chỉ số 38

4.3.4 Các thông số đầu vào 38

4.3.5 Các biến quyết định 39

4.3.6 Mô hình toán 39

4.4 Các bước giải bài toán theo giải thuật AIS 40

4.4.1 Mã hoá 40

4.4.2 Tìm lời giải tốt nhất 40

4.4.2.1 Phát ra quần thể kháng thể ban đầu 40

4.4.2.2 Xác định giá trị hàm mục tiêu và xác suất chọn lọc của từng kháng thể 40

4.4.2.3 Phát ra các tế bàonhân bản vô tính (bản sao) của các kháng thể trong quần

thể ban đầu 41

4.4.2.4 Thực hiện cơ chế miễn dịch tế bào 41

4.4.2.5 Thực hiện quá trình chọn lọc 42

4.4.3 Điều kiện dừng 42

4.5 Dữ liệu đầu vào 42

4.6 Áp dụng giải thuật AIS giải bài toán điều độ 4 công việc trên 4 máy 43

CHƯƠNG 5: CH ƯƠNG TRÌNH ĐIỀU ĐỘ SẢN XUẤT 50

5.1 Giới thiệu chương trình điều độ sản xuất 50

5.1.1 Giao diện chính 50

5.1.2 Nhập số liệu đầu vào 51

5.1.3 Giải bài toán và xuất kết quả 52

5.2 Kết quả thực nghiệm 53

5.2.1 Các thông số tối ưu dùng trong giải thuật AIS cho bài toán thực tế 53

5.2.1.1 Quá trình tìm thông số tối ưu 53

5.2.1.2 Phân tích ảnh hưởng của các thông số đến kết quả bài toán 57

5.2.2 So sánh kết quả bài toán khi giải bằng giải thuật AIS với lời giải khi sử dụng điều độ hoán vị 62

CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ 65

6.1 Kết luận 65

6.2 Kiến nghị 65

6.2.1 Đối với Xí nghiệp May An Nhơn – Công ty Cổ phần Sản xuất Thương mại May Sài Gòn 65

6.2.2 Đối với hướng phát triển của đề tài 66

TÀI LIỆU THAM KHẢO 68 PHỤ LỤC A: Code chương trình A1 PHỤ LỤC B: Dữ liệu đầu vào – đầu ra B1 PHỤ LỤC C: Kết quả của phương pháp MSEDA C1 PHỤ LỤC D: Kết quả phân nhánh của SRLP D1

LÝ LỊCH TRÍCH NGANG

DANH SÁCH HÌNH VẼ

Hình 2.1: Đồ thị dòng thông tin trong một hệ thống sản xuất

Hình 2.2: Các loại hình sản xuất

Hình 2.3: Bài toán máy đơn

Hình 2.4: Bài toán máy song song

Hình 2.5: Bài toán flow shop

Hình 2.6: Bài toán job shop

Hình 2.7: Ràng buộc trước sau

Hình 3.1: Sơ đồ Gantt của điều độ flowshop

Hình 3.2:Các phương pháp giải bài toán điều độ flow shop đơn mục tiêu

DANH SÁCH BẢNG BIỂU

Bảng 2.1: Giá trị makespan thu được từ các giải thuật cho cùng một bài toán Bảng 3.1: 8 bộ số liệu về cấp độ cho thực nghiệm

Bảng 3.2: Phạm vi của các thông số

Bảng 4.1: Tỷ trọng hàng tồn kho/ tổng tài sản qua các năm

Bảng 5.1: Các trường hợp xảy ra của 3 thông số

Bảng 5.2: Giá trị của các thông số ở bước 1

Bảng 5.3: Giá trị hàm mục tiêu ở bước 1

Bảng 5.4: Kết quả thực hiện MSEDA cho bài toán 30 công việc x 4 máy

Bảng 5.5: Tập các thông số tốt nhất ở mỗi bước cho bài toán 30 x 4 theo MSEDA Bảng 5.6: Kết quả hàm mục tiêu khi thay đổi A

Bảng 5.7: Kết quả hàm mục tiêu khi thay đổi B

Bảng 5.8: Kết quả hàm mục tiêu khi thay đổi C

Bảng 5.9: So sánh kết quả của các phương pháp giải

Bảng 5.10: Kết quả so sánh giữa AIS và hoán vị trên các bài toán khác nhau

CHƯƠNG 1: MỞ ĐẦU

1.1 Lý do hình thành đề tài

Hiệp định thương mại dệt may Việt Mỹ năm 2003, EU xoá bỏ chế độ hạn ngạch đối với hàng dệt may Việt Nam năm 2005 và Việt Nam chính thức gia nhập WTO vào tháng 11 năm 2006 đã mở ra những cơ hội kinh doanh mới cho các doanh nghiệp ngành dệt may – Tự do hoá thương mại dệt may toàn cầu Đồng thời, các sự kiện trên đã thúc đẩy các nhà đầu tư nước ngoài tham gia đầu tư vào Việt Nam, trong đó

có ngành cung ứng nguyên phụ liệu, thúc đẩy các công ty dệt may trong nước phát triển phương thức FOB với tỷ lệ cao góp phần nâng cao hiệu quả kinh doanh và tăng lợi thế cạnh tranh Tuy nhiên, bên cạnh những thuận lợi và cơ hội nêu trên thì các doanh nghiệp phải đối mặt với những khó khăn do không còn được bảo trợ như trước đây, mà phải tự lực để tồn tại và phát triển như các ngành khác Và sự phát triển tăng tốc của ngành may đã thúc đẩy nhiều công ty, cá nhân đầu tư vào ngành này dẫn đến sự cạnh tranh gay gắt về giá, lao động thường xuyên biến động ảnh hưởng đến hiệu quả sản xuất của các công ty Đặc biệt là áp lực cạnh tranh từ các công ty có vốn đầu tư nước ngoài tại Việt Nam và chi phí sản xuất của ngành may Việt Nam vẫn còn cao hơn 15% đến 20% so với Trung Quốc, Ấn Độ và Banlades Trong bối cảnh hội nhập này, đảm bảo về chất lượng, cạnh tranh về giá cả, giao hàng đúng hạn, tạo uy tín với khách hàng là vấn đề sống còn của các doanh nghiệp

Vì vậy các doanh nghiệp phải có sự điều phối đơn hàng, tổ chức sản xuất hợp lý, tránh các chi phí gia tăng do tăng ca, thời gian nhàn rỗi … nhưng vẫn đảm bảo được thời gian giao hàng

Là một doanh nghiệp trong ngành dệt may, Công Ty Cổ Phần Sản Xuất Thương Mại May Sài Gòn (GARMEX SAIGON JS) cũng gặp phải những trở ngại và khó khăn chung đó Do đó, hiện nay công ty rất chú trọng đến công tác điều độ sản xuất nhưng kết quả vẫn còn xảy ra tình trạng chờ việc, tăng ca và còn những đơn hàng bị trễ Ngoài những nguyên nhân như thiết bị hỏng hóc, biến động về nhân sự, nguyên phụ liệu không đáp ứng kịp thời nhu cầu sản xuất còn do công tác điều độ hiện nay

chủ yếu dựa vào kinh nghiệm, tính toán thủ công nên gặp nhiều khó khăn với số lượng đơn hàng lớn và số phương án tìm được để chọn ra lời giải tối ưu bị hạn chế Ngoài ra, việc điều phối đơn hàng chỉ dựa vào thời gian giao hàng, chưa giải quyết được các mục tiêu khác của công ty như cực tiểu chi phí lưu kho khi sản xuất sớm

so với ngày giao hàng và chi phí hụt hàng …

Trước vấn đề nêu trên, tôi mong muốn mang những kiến thức đã được trang bị về lĩnh vực quản lý sản xuất mà cụ thể là “Kỹ Thuật Điều Độ Sản Xuất” để giải quyết bài toán thực tế tại xí nghiệp Garmex An Nhơn - Công Ty Cổ Phần Sản Xuất

Thương Mại May Sài Gòn Đó là lý do tôi chọn “ Ứng dụng giải thuật Hệ Thống Miễn Dịch Nhân Tạo (Artificial Immune Systems) cho bài toán điều độ flowshop tại xí nghiệp Garmex An Nhơn - Công Ty Cổ Phần Sản Xuất Thương Mại May Sài Gòn” làm đề tài luận văn thạc sĩ

1.2 Đặt vấn đề

Xuất phát từ lý do nêu trên, đề tài này ứng dụng giải thuật “Hệ Thống Miễn Dịch Nhân Tạo” để thiết lập một chương trình máy tính hỗ trợ cho công tác điều độ tại xí nghiệp Garmex An Nhơn – Công Ty Cổ Phần Sản Xuất Thương Mại May Sài Gòn Lời giải đạt được là thứ tự thực hiện các đơn hàng với mục tiêu: tổng chi phí thực hiện sớm và thực hiện trễ đơn hàng là nhỏ nhất (Minimize the sum of the earliness and tardiness costs)

Mục tiêu này được chọn nhằm hướng đến chính sách của công ty là: “Giao hàng đúng hạn, giá cả cạnh tranh”

1.3 Mục tiêu của đề tài

Ứng dụng đề tài này có thể cải thiện được công tác điều độ tại xí nghiệp đồng thời qua đó thu được:

− Lời giải tốt hơn cho bài toán

− Tìm hiểu một phương pháp giải mới

− Rút ra được ưu và nhược điểm của phương pháp giải

1.4 Phạm vi và giới hạn của đề tài

− Chỉ ứng dụng cho xưởng 1, chuyên sản xuất hàng thun, nĩ

− Dữ liệu lấy từ tháng 01/2007 – tháng 10/2007

− Thời gian gia công tại các công đoạn dựa vào định mức của công ty (xem như tất định)

− Công tác cân bằng chuyền đã được thực hiện

− Giả định máy móc và nhân công là ổn định, ở trạng thái hoạt động

− Chỉ tập trung vào vấn đề điều độ, giả thiết là các công tác liên quan như : hoạch định nhu cầu vật tư, hoạch định nguồn nhân lực, …đã được chuẩn bị tốt

1.5 Bố cục của luận văn

Chương 1: Mở đầu

Trong chương này trình bày lý do hình thành đề tài, mục tiêu, phạm vi và giới hạn của đề tài cũng như giới thiệu sơ lược về nội dung và bố cục, các bước thực hiện luận văn

Chương 2: Những nghiên cứu liên quan

Trình bày kiến thức cơ bản về điều độ cùng với các giải thuật tương ứng và phân tích các công trình nghiên cứu đã có của các tác giả trong cũng như ngoài nước liên quan mật thiết đến đề tài

Chương 3: Phương pháp luận

Trình bày cơ sở lý thuyết về:

− Kỹ thuật điều độ flowshop

− Giải thuật Hệ Thống Miễn Dịch Nhân Tạo (Artificial Immune Systems) và phương pháp tìm các thông số tối ưu liên quan, được ứng dụng để giải quyết bài toán đặt ra trong luận văn

Chương 4: Bài toán điều độ flowshop của xí nghiệp may An Nhơn

− Giới thiệu tổng quan về Công ty Cổ phần Sản xuất Thương mại May Sài Gòn và

xí nghiệp may An Nhơn cũng như hiện trạng của công tác điều độ tại xi nghiệp này

− Thiết lập mô hình toán cho vấn đề thực tế và ứng dụng giải thuật AIS để giải bài toán

Chương 5: Chương trình điều độ sản xuất

− Giới thiệu chương trình điều độ sản xuất được xây dựng theo giải thuật Hệ Thống Miễn Dịch Nhân Tạo (Artificial Immune Systems)

− Phân tích, đánh giá kết quả thu được từ chương trình

− Đánh giá tính hiệu quả và khả thi của chương trình

Chương 6: Kết luận và kiến nghị

− Đưa ra kết luận về đề tài luận văn

− Kiến nghị những cải tiến cho xí nghiệp may An Nhơn và hướng phát triển tiếp theo của đề tài

CHƯƠNG 2: NHỮNG NGHIÊN CỨU LIÊN QUAN

2.1 Kiến thức cơ bản về điều độ trong sản xuất

Điều độ là một quá trình ra quyết định đóng vai trò rất quan trọng trong hầu hết các hoạt động, các ngành công nghiệp sản xuất và dịch vụ Chức năng của điều độ trong một công ty là sử dụng các kỹ thuật toán học hay một số phương pháp định lượng khác để phân phối hợp lý các nguồn tài nguyên có hạn phục vụ công việc Sự phân phối tài nguyên thích hợp sẽ cho phép công ty đạt được mục tiêu tối ưu mong muốn

Hình 2.1: Đồ thị dòng thông tin trong một hệ thống sản xuất

Các yêu cầu vật liệu, lập kế hoạch, Hoạch định năng suất

Điều độ chi tiết Điều độ

2.1.1 Một số ký hiệu

− n: số lượng các công việc

− m: số lượng thiết bị

− j: công việc thứ j; i: thiết bị thứ i

− p ij : thời gian gia công công việc j trên máy i (processing time)

− q j = 1/pj: tốc độ sản xuất của sản phẩm j

− r j: ngày bắt đầu sản xuất (release date, ready date)

− d j: ngày tới hạn (due date): là ngày công việc j cần phải hoàn tất, là ngày phải

giao hàng cho khách

− w j : trọng số (weight) : Trọng số wj của công việc j là một hệ số ưu tiên biểu thị mức độ quan trọng của của công việc j so với các công việc khác

− C ij: thời gian hoàn thành công việc j trên máy i (completion time)

− F j : thời gian trong hệ thống (flow time), là thời gian mà công việc j còn ở trong

2.1.2 Các hàm mục tiêu trong điều độ sản xuất

Hàm mục tiêu tổng quát bao gồm nhiều hàm mục tiêu cơ bản:

− Hàm mục tiêu về năng suất và thời gian hoàn thành các công việc: Cực tiểu thời gian hoàn thành công việc

Min C max = max(C 1 , C 2 … C n ) (2.1)

− Hàm mục tiêu liên quan đến ngày tới hạn:

+ Đầu tiên các nhà điều độ thường quan tâm đến mục tiêu cực tiểu các khoảng thời gian trễ đại số lớn nhất: tương đương với việc cực tiểu tình huống thực thi xấu nhất của việc điều độ

Min L max = max(L 1 , L 2 … L n ) (2.2)Với:

T

1

(2.4) Với:

j T w

1

(2.6)

− Cực tiểu hoá chi phí chuẩn bị

− Chi phí tồn kho bán thành phẩm: mục tiêu quan trọng là cực tiểu hoá lượng tồn kho bán thành phẩm (WIP) và một chỉ tiêu đo lường có thể dùng thay thế cho WIP

là thời gian thông qua sản xuất Cực tiểu hoá tổng thời gian hoàn tất có trọng số sẽ cực tiểu hoá WIP:

1

(2.7)

− Cực tiểu chi phí tồn kho thành phẩm

− Cực tiểu chi phí nhân sự

2.1.3 Các mô hình sản xuất

Hình 2.2: Các loại hình sản xuất

(Nguồn: [3])

− Mô hình điều độ dự án (project scheduling)

− Mô hình điều độ job shop (job shop scheduling)

− Mô hình điều độ hệ thống sản xuất với việc nâng chuyển vật liệu tự động (System with automated material handling)

− Mô hình điều độ theo loạt (lot scheduling)

− Hệ thống đặt chỗ trước (reservation system) và mô hình lập thời gian biểu (timetabling model)

− Mô hình điều độ nguồn nhân lực (workforce scheduling model)

2.1.4 Các mô hình thiết bị

− Mô hình một máy (Single machine model)

Hình 2.3: Bài toán máy đơn

Sản xuất loạt lớn (Mass Production)

Sản xuất liên tục (Continuous Production)

Độ tiêu chuẩn

− Mô hình máy song song (Parallel machine model)

Hình 2.4: Bài toán máy song song

− Mô hình flow shop (Flow shop model)

Hình 2.5: Bài toán flow shop

Máy Việc

2

Máy Việc

1 Việc

− Mô hình job shop (Job shop model)

Hình 2.6: Bài toán job shop

2.1.5 Các đặc điểm của quá trình và các ràng buộc trong điều độ

− Các ràng buộc trước sau: một công việc chỉ có thể bắt đầu khi các công việc trước

(a) dạng chuỗi (b) dạng cây

Hình 2.7: Ràng buộc trước sau

− Các ràng buộc về lộ trình: chỉ rõ đường đi của công việc qua một hệ thống

− Các ràng buộc về nâng chuyển vật liệu: Hệ thống nâng chuyển vật liệu phụ thuộc chặt chẽ vào thời gian bắt đầu và thời gian hoàn thành của các công việc trước nó, giới hạn số lượng không gian đệm

− Sự ưu tiên trong điều độ: có 2 dạng là quyền ưu tiên phục hồi và ưu tiên lặp lại

− Các ràng buộc về thời gian chờ và không gian lưu kho

− Sản xuất tồn kho hay sản xuất theo đơn đặt hàng

− Các ràng buộc về tiêu chuẩn chọn máy móc

− Các ràng buộc về dụng cụ và tài nguyên

− Các ràng buộc về nguồn nhân lực

2.1.6 Các luật phân việc

a Các luật phân việc cơ bản

− Thực hiện theo thứ tự ngẫu nhiên (SIRO): Khi nào máy rỗi thì công việc kế tiếp được chọn ngẫu nhiên để thực hiện

− Thực hiện theo công việc có thời gian sẳn sàng sớm nhất (ERD)

− Thực hiện theo công việc có thời gian tới hạn sớm nhất (EDD)

− Thực hiện theo công việc có thời gian dư nhỏ nhất (MS):

Thời gian dư = (dj – pj – t) (2.8)

− Thực hiện theo công việc có thời gian gia công nhỏ nhất có trọng số (WSPT): công việc có tỷ số (wj/pj) lớn nhất được thực hiện trước nhất

− Thực hiện theo công việc có thời gian gia công nhỏ nhất (SPT)

− Thực hiện theo công việc có thời gian gia công dài nhất (LPT)

− Thực hiện theo công việc có thời gian chuẩn bị nhỏ nhất (SST)

− Thực hiện theo công việc có độ linh hoạt ít nhất (LFJ)

− Thực hiện theo công việc trên đường tới hạn (CP)

− Thực hiện theo công việc có số việc theo sau nhiều nhất (LNS)

− Thực hiện theo công việc có hàng đợi ngắn nhất ở thao tác kế tiếp (SQNO)

b Luật phân việc phức hợp

Các luật phân việc cơ bản ở trên chỉ ứng dụng cho các bài toán đơn mục tiêu và kết quả đạt được là lời giải chấp nhận được chứ không phải tối ưu Trong trường hợp đa mục tiêu hay mục tiêu tương đối phức tạp, phải sử dụng luật phân việc phức hơp là

sự kết hợp các luật cơ bản, có 2 dạng luật phân việc phức hợp:

− Chi phí trễ rõ ràng (ATC): là qui luật điều độ được kết hợp từ WSPT và MS Mỗi khi máy rỗi sẽ tính chỉ số xếp hạng cho các công việc chưa được điều độ, công việc nào có chỉ số cao nhất sẽ được chọn để thực hiện

t p d p

w t

j

j j

) 0 , max(

exp )

Với:

K: hệ số điều chỉnh (xác định từ thực nghiệm)

p: trung bình thời gian thực hiện các công việc chưa điều độ

− Chi phí trễ rõ ràng có tính đến chi phí chuẩn bị (ATCS): Độ ưu tiên của bất kỳ công việc j nào cũng đều phụ thuộc vào công việc mới hoàn thành l

s p

K

t p d p

w l t

j

j j

2 1

exp 0 , max(

exp )

,

Với:

s: trung bình thời gian chuẩn bị của các công việc chưa được điều độ

K1: tham số tỷ lệ liên quan đến ngày tới hạn

K2: tham số đo lường liên quan đến thời gian chuẩn bị

Sij: thời gian chuẩn bị cho công việc j được thực hiện ngay sau công việc l

2.1.7 Các giải thuật

Các luật phân việc trên chỉ được ứng dụng trong mô hình một máy, quy mô nhỏ, không giải quyết được các bài toán có quy mô lớn, trên nhiều máy Khi đó các giải thuật kinh nghiệm và siêu kinh nghiệm được áp dụng, các giải thuật được phân thành 2 nhóm chính:

a Các giải thuật xây dựng

− Giải thuật chia nhánh và chặn (Branch and bound): là một phương pháp liệt kê, trong đó một loạt bảng điều độ bị loại bỏ đi bằng cách chỉ ra các trị mục tiêu của tất

cả những kế hoạch điều độ này cao hơn một cận dưới, mà cận dưới đó lớn hơn hoặc bằng giá trị mục tiêu của một kế hoạch đã đạt được trước đó

Giải thuật được thiết lập như sau: Tại mức 0, có một nút bắt đầu và tại đây chưa có công việc nào được đưa vào trình tự điều độ Ở mức 1 có n nút nối với nút bắt đầu qua n nhánh, mỗi nút ứng với một phần của bảng điều độ với 1 công việc cụ thể được đưa vào vị trí đầu tiên Tương tự, ở nút thứ k sẽ có n!(n-k)! nút Quá trình phân nhánh tiếp tục đến khi liệt kê hết các trường hợp

Giải thuật Branch and bound có ưu điểm chính là sau khi đánh giá tất cả các nút thì kết quả thu được chắc chắn là giá trị tối ưu Tuy nhiên nó có nhược điểm là mất rất nhiều thời gian vì số lượng các nút thường rất lớn

− Giải thuật tìm kiếm tia (Beam search): là một biến thể của branch and bound, nó chỉ xét những nút có triển vọng tại mức k, những nút khác ở mức này sẽ bị loại bỏ

Số lượng nút được giữ lại được gọi là độ rộng tìm kiếm của tia (beam width of search)

Quá trình xác định những nút giữ lại là bước mang tính quyết định của giải thuật này Trước tiên, các nút phát sinh ở mức k sẽ được đánh giá sơ bộ, từ đó chọn ra những nút để đánh giá toàn bộ Những nút được đánh giá toàn bộ là chiều rộng của

bộ lọc (filter width), sau khi đánh giá toàn bộ tiến hành lựa chọn tập con cho các nút

đã qua giai đoạn lọc, số lượng nút trong tập con bằng với độ rộng tia Từ đây, các nhánh sẽ phát xuống mức kế tiếp

Giải thuật Beam search có cải tiến so với Branch and Bound là giới hạn số lượng nhánh nên đòi hỏi ít thời gian tính toán hơn, nhưng đồng thời nó cũng có nhược điểm là có thể không đảm bảo giải pháp tối ưu

b Các giải thuật cải tiến

− Giải thuật Simulated annealing (SA): Dựa trên ý tưởng cơ bản là mô phỏng lại hiện tượng sắp xếp tinh thể kim loại khi nhiệt độ giảm trong vật lý:

Gọi bảng điều độ tốt nhất hiện tại là S0, tương ứng hàm mục tiêu G(S0)

Tại bước lặp k , bảng điều độ Sk sẽ cho giá trị hàm mục tiêu G(Sk), G(Sk) > G(S0) Tại bước lặp k +1 , bảng điều độ mới được chọn ngẫu nhiên từ lân cận Sk, gọi là Sc: + Nếu G(Sk) ≥ G(Sc), thực hiện một dịch chuyển đến Sc, đặt Sk+1 = Sc Nếu G(Sc) ≤G(S0) thì đặt S0 = Sc, ngược lại vẫn giữ nguyên S0

+ Nếu G(Sc) ≥ G(Sk) thì vẫn dịch chuyển đến Sc với xác suất:

c k

S G S G S

S P

β

) ( ) ( exp ) ,

Với

β1≥β2 ≥ …>0 được gọi là tham số làm nguội Thường chọn βk = αk

, α∈ (0,1) Giải thuật Simulated Annealing có ưu điểm là cung cấp phương pháp để thực hiện

“bước nhảy” thoát khỏi vùng tối ưu cục bộ Tuy nhiên, cũng có nhược điểm là các lân cận có thể bị lặp lại trong quá trình tìm kiếm và nó chỉ có thể đưa ra lời giải tốt hơn chứ không đưa ra lời giải tối ưu

− Giải thuật tìm kiếm vùng cấm (Tabu search): Ý tưởng chính của giải thuật này là dùng phương pháp “kề tốt nhất” với khả năng chấp nhận kế hoạch điều độ xấu hơn

để thoát khỏi tối ưu cục bộ với điều kiện là kế hoạch đó không thuộc danh sách cấm Danh sách cấm có chiều dài là một hằng số trong khoảng [5,9] dùng để lưu các cặp nguyên công được hoán chuyển trong việc tạo ra các lân cận được chọn làm lời giải cho bước sau

Thuật toán Tabu Search có thể tóm tắt như sau:

+ Bước 1:

Đặt k = 1

Chọn chuỗi ban đầu S1 bằng giải thuật kinh nghiệm

Đặt S0 = S1

+ Bước 2:

Chọn ứng viên Sc từ lân cận Sk

Nếu di chuyển Sk→ Sc bị cấm và giữ lại bằng một đột biến trong Tabu list, đặt Sk+1

= Sk và sang bước 3

Nếu di chuyển Sk→ Sc không bị cấm, đặt Sk+1 = Sc và sang bước 3

Nhập biến đột biến nghịch đảo tại đầu danh sách, đẩy tất cả các biến trong tabu list xuống một vị trí Xoá biến vào tại cuối tabu list

+ Bước 3 :

Tăng k lên 1

Nếu k = N thì dừng, ngược lại trở về bước 2

Giải thuật Tabu Search có sự cải tiến so với SA là các lân cận không bị lặp lại nhờ vào Tabu list, thời gian để giải bài toán sẽ nhanh hơn

− Giải thuật di truyền (Genetic algorithms): Giải thuật di truyền là một phương pháp xác suất để giải bài toán tối ưu Bằng cách phỏng theo quá trình tiến hoá tự nhiên, trong đó các quần thể trải qua sự thay đổi liên tục thông qua việc lai ghép (cross breeding), đột biến (mutation) và chọn lọc tự nhiên (selection) (Way Kuo and ect )

Giải thuật có thể được tóm lược như sau:

+ Biểu diễn nhiễm sắc thể: Mỗi nhiễm sắc thể được mã hoá thành một vector thành phần có chiều dài hữu hạn thông qua biến nhị phân {0,1} hoặc số nguyên

+ Phát ngẫu nhiên một số (cố định ) nhiễm sắc thể để tạo quần thể ban đầu

+ Đánh giá độ thích hợp của mỗi nhiễm sắc thể: Mỗi khi nhiễm sắc thể được phát

ra, hàm mục tiêu được đánh giá cho lời giải tương ứng, giá trị đó được gọi là độ thích hợp của nhiễm sắc thể

+ Chọn ra cha mẹ cho quá trình lai tạo: Các nhiễm sắc thể được chọn ngẫu nhiên cho quá trình lai tạo

+ Tạo ra chuỗi mới bằng cách lai tạo: Mỗi cặp nhiễm sắc thể được chọn sẽ trãi qua quá trình lai tạo

+ Thực hiện đột biến trên nhiễm sắc thể

+ Chọn ra s nhiễm sắc thể cho quần thể (đảm bảo độ lớn của quần thể) của quá trình tiếp theo dựa vào độ thích hợp: Tất cả nhiễm sắc thể, kể cả các nhiễm sắc thể cha

mẹ và các chuỗi được sinh ra đều được xem xét để chọn ra các nhiễm sắc thể có độ thích hợp tốt nhất tạo thành quần thể mới chuẩn bị cho quá trình tiếp theo mà vẫn đảm bảo độ lớn của quần thể

Quá trình lặp lại đến khi lời giải đủ tốt hoặc thoả điều kiện dừng

Giải thuật di truyền có ưu điểm là thực hiện quá trình ngẫu nhiên nên cho ra lời giải

có chất lượng tốt hơn Nhưng đồng thời cũng làm cho thời gian giải bài toán lâu hơn do không gian lời giải quá rộng

2.2 Các nghiên cứu nước ngoài

− Ứng dụng giải thuật “Hệ thống miễn dịch nhân tạo” (Artificial Immune Systems)- AIS để giải bài toán điều độ flowshop với tiêu chuẩn cực tiểu makespan được hai tác giả Orhan ENGIN- Khoa Kỹ thuật Công nghiệp, Đại học Selcuk và Alper DÖYEN- Khoa Kỹ thuật Công nghiệp, Đại học Bogazici trình bày trong bài báo “A New Approach To Solve Flowshop Scheduling Problems By Artificial Immune

Systems” [16] Đây là một kỹ thuật thông minh mới, được sử dụng để giải quyết bài

toán điều độ, là một hệ thống tính toán dựa trên cơ sở lý thuyết miễn dịch học, quan sát các cấu trúc, nguyên tắc và cơ chế miễn dịch để giải bài toán

+ Phương pháp tính toán của giải thuật này dựa trên hai cơ chế chính của phản ứng miễn dịch là: Miễn dịch thể dịch (Clonal selection principle) và miễn dịch tế bào (affinity maturation mechanism)

+ Đồng thời, trong nghiên cứu này cũng đưa ra phương pháp thiết kế thực nghiệm nhiều bước để xác định các thông số tối ưu cho giải thuật AIS, bởi vì các thông số

có vai trò quan trọng đối với chất lượng lời giải

+ Từ kết quả nghiên cứu cho thấy giải thuật AIS với các thông số tốt nhất cho lời giải tốt hơn giải thuật SA (Simulated Annealing) và các giải thuật kinh nghiệm khác như: NEH, CDS, Dannenbring, Gupta, Ho-Chang, Hundal-Rajgopal, Johnson và Palmer khi giải cùng bài toán điều độ flow shop hoán vị

Bảng 2.1: Giá trị makespan thu được từ các giải thuật cho cùng một bài toán

(Nguồn: [16])

− Hiện nay, vấn đề cân đối giữa chi phí tồn kho và chi phí hụt hàng đang được quan tâm trong các doanh nghiệp Đề tài này được ba tác giả Pankaj Chandra, Peeyush Mehta và Devanath Tirupati trình bày trong bài báo “Permutation Flowshop

Scheduling with Earliness and Tardiness Penalties”[17], đưa ra mô hình đánh đổi

giữa chi phí sản xuất sớm và trễ hơn so với ngày tới hạn

2.3 Các nghiên cứu trong nước

Hiện nay, ở trường Đại học Bách Khoa Tp Hồ Chí Minh đã có một số đề tài nghiên cứu về điều độ flow shop, trong mỗi đề tài ứng dụng những giải thuật khác nhau để giải quyết bài toán điều độ:

− “Điều độ và tái điều độ đơn hàng đa mục tiêu áp dụng tại xí nghiệp 2 công ty may

28” [4] là đề tài luận văn thạc sĩ của Hồ Thị Thục Khanh, đã ứng dụng giải thuật

Tabu Search để xây dựng “Chương trình quản lý và điều độ đơn hàng” bằng ngôn ngữ lập trình Visual Basic trong Access và sử dụng phần mềm Lekin để kiểm tra kết quả Đề tài này chỉ giới hạn phạm vi điều độ ở cấp tổng quát, không đi vào điều

độ chi tiết cho từng đơn hàng

− Trong đề tài “Ứng dụng giải thuật Tabu Search vào bài toán điều độ flowshop đa

mục tiêu tại công ty VietNamFatt”[12], Nguyễn Thái Nguyên đã kết hợp cách tiếp

cận “Trọng số tăng dần” vào giải thuật Tabu Search để giải bài toán điều độ flow shop đa mục tiêu cho nhà máy thép tiền chế VietNamFatt

− Cũng với giải thuật Tabu Search, Trương Quốc Kiệt đã ứng dụng để xây dựng chương trình máy tính hỗ trợ công tác điều độ đơn hàng đơn mục tiêu cho công ty sản xuất đồ gỗ Huỳnh Gia trong đề tài “Áp dụng giải thuật Tabu Search cho bài

toán điều độ flow shop tại công ty Huỳnh Gia Furniture” [20]

− Đề tài “Nghiên cứu giải thuật di truyền trong bài toán điều độ đa mục tiêu và ứng

dụng vào xưởng sản xuất quạt của công ty NiDEC – TOSOK VIETNAM” [15] đã

giới thiệu cơ sở lý thuyết về giải thuật di truyền ứng dụng cho mô hình điều độ flow shop và xây dựng chương trình máy tính dựa trên cơ sở lý thuyết này để ứng dụng vào bài toán thực tế tại công ty NIDEC – TOSOK VIETNAM

− Đề tài “Nghiên cứu so sánh giải thuật di truyền và giải thuật tìm kiếm vùng cấm cho bài toán điều độ đa mục tiêu, ứng dụng vào công ty cổ phần bánh kẹo Biên Hòa

– Bibica” [13] đã nghiên cứu giải thuật Di truyền và giải thuật Tìm kiếm vùng cấm

cho bài toán điều độ đa mục tiêu, so sánh tính hiệu quả và ứng dụng vào bài toán thực tế

− Trong đề tài “Hoạch định và điều độ sản xuất áp dụng cho xí nghiệp 5 công ty

may Nhà Bè”[19], đã nghiên cứu và xây dựng mô hình hoạch định và điều độ sản

xuất áp dụng cho xí nghiệp 5 của công ty Đồng thời ứng dụng phần mềm Lingo và Expert Choice để hỗ trợ giải và lựa chọn các phương án cho bài toán hoạch định sản xuất Mô hình được xây dựng đã cung cấp cho xí nghiệp công cụ để có thể định lượng cho sản phẩm sản xuất trong và ngoài giờ, lượng công nhân cần thuê mướn

và xác định lượng tồn kho trong từng thời đoạn một cách tối ưu, cho phép xác định năng lực sản xuất của tất cả các quy trình sản xuất Mô hình này vận hành khá linh hoạt nhờ có thể thay đổi các mục tiêu theo yêu cầu của người ra quyết định Tuy nhiên, bên cạnh đó vẫn còn tồn tại những nhược điểm như: quy mô hạn chế - chỉ thực hiện với 3 loại sản phẩm trong thời gian 3 tháng, mô hình bài toán được giải bằng phần mềm Lingo theo phương pháp tối ưu tuần tự nhưng chưa sử dụng chương trình điều khiển để giải bài toán quy hoạch mục tiêu

− Đề tài “Chương trình điều độ cho các mô hình sản xuất” [7] đã trình bày các mô

hình máy trong sản xuất và giải thuật tương ứng với từng mô hình Đồng thời, xây dựng các chương trình phần mềm điều độ cho các mô hình sản xuất đó:

+ Mô hình cho bài toán máy đơn: giải bằng các giải thuật kinh nghiệm cơ bản, các luật phức hợp, các giải thuật tìm kiếm thông dụng có thể thực hiện trên máy tính + Mô hình máy flow shop: với các luật và một số giải thuật kinh nghiệm giải bài toán từ 2 – 3 máy, riêng Gupta giải được bài toán nhiều máy

+ Mô hình máy song song: sử dụng các luật cơ bản để giải bài toán và được làm phần hỗ trợ cho các mô hình linh hoạt

+ Mô hinh flow shop linh hoạt: giải cho 3 mô hình máy là hệ thống lắp ráp không bước, hệ thống linh hoạt có đường vòng và hệ thống linh hoạt tính tới thời gian setup

+ Mô hình job shop: giải bằng giải thuật tìm kiếm Branch and Bound và giải thuật

di chuyển nút cổ chai với hai hàm mục tiêu là cực tiểu thời gian gia công dài nhất

và cực tiểu tổng độ trễ có trọng số

Đề tài này đưa ra một bức tranh tổng quan về công tác điều độ trên từng mô hình máy Tuy nhiên, chỉ mới dừng lại ở các luật và giải thuật kinh nghiệm cơ bản chưa ứng dụng các giải thuật “meta heuristic” để giải những bài toán có quy mô lớn

Từ những khảo sát trên cho thấy công tác điều độ đang là vấn đề cấp thiết hiện nay trong các doanh nghiệp Có rất nhiều giải thuật ứng dụng trong công tác điều độ đã được đưa ra ứng với từng mô hình sản xuất và các giải thuật này đang được cải tiến

và cập nhật từng ngày trên toàn thế giới

CHƯƠNG 3: PHƯƠNG PHÁP LUẬN

3.1 Điều độ flow shop

Trong môi trường flow shop, đường đi của các công việc đã được xác định, nghĩa là tất cả các công việc đến cùng các máy giống nhau và theo cùng một trật tự Mỗi công việc được xem xét như sự kết hợp của nhiều nguyên công theo một cấu trúc thứ tự đặc trưng, các nguyên công sau nguyên công đầu tiên được thực hiện theo một chiều biết trước

Hình 3.1: Sơ đồ Gantt của điều độ flowshop

(Nguồn: [1])

Các điều kiện trong bài toán flow shop:

− Một tập hợp có m công việc, mỗi công việc có nhiều nguyên công, qui trình gia công được xác lập ở thời điểm 0

− Thời gian chuẩn bị cho các nguyên công theo một thứ tự độc lập và được tính trong thời gian gia công

− Các ký hiệu công việc được biết trước đó

− m máy khác nhau này được sắp xếp liên tục

− Các nguyên công riêng lẻ không có quyền ưu tiên trước

Các mô hình flow shop:

− Flow shop cơ bản: có m máy nối tiếp và một tập n công việc, tại mỗi thời điểm chỉ có có duy nhất một công việc được gia công trên một máy trong tập m máy Tất

cả các công việc phải theo cùng một trật tự đã được xác định trước Sau khi hoàn thành trên một máy, công việc vào hàng đợi tại máy kế tiếp Các công việc trong hàng đợi được xử lý theo nguyên tắc công việc nào đến trước thì được thực hiện trước Mô hình này được gọi là mô hình Flowshop trật tự

− Flow shop linh hoạt: bao gồm một chuỗi các giai đoạn Mỗi giai đoạn có một số xác định máy song song Ở mỗi giai đoạn, công việc j được xử lý tại bất kỳ máy nào

có thể Hàng đợi tại mỗi giai đoạn có thể hoặc không hoạt động theo nguyên tắc công việc nào đến trước thực hiện trước

− Flow shop cân xứng: là trường hợp đặc biệt của mô hình Flowshop, tất cả các nguyên công của công việc j đều có thời gian thực hiện là Pj

− Flow shop liên tục: mô hình Flow shop liên tục cũng tương tự mô hình Flow shop

cơ bản, tuy nhiên có thêm ràng buộc là việc xử lý các công việc phải liên tục nghĩa

là một khi việc xử lý công việc được bắt đầu thì không có thời gian chờ giữa các lần

xử lý những tác vụ kế tiếp của công việc đó Điều này có thể hạn chế về mặt kỹ thuật công nghệ hoặc thiếu hụt kho chứa trong không gian giữa các chặng xử lý

− Flow shop tài nguyên linh hoạt: Điều độ Flowshop với tài nguyên linh hoạt đòi hỏi việc kết hợp tối ưu 3 quyết định sau: (i) trình tự công việc xử lý trên các máy, (ii) lượng tài nguyên được bố trí cho mỗi sự vận hành của công việc, (iii) bảng điều

độ về thời gian bắt đầu của tất cả các công việc

Các phương pháp điều độ cho mô hình flowshop:

Hình 3.2:Các phương pháp giải bài toán điều độ flow shop đơn mục tiêu

(Nguồn: [1]) 3.2 Giải thuật “Hệ thống miễn dịch nhân tạo”

Hệ thống miễn dịch nhân tạo (AIS) là một hệ thống tính toán dựa trên lý thuyết miễn dịch học, quan sát chức năng miễn dịch, các nguyên tắc và cơ chế để giải bài toán điều độ Phương pháp tính toán dựa trên nguyên tắc miễn dịch thể dịch (clonal selection principle) và cơ chế miễn dịch tế bào (Affinity maturation mechanism) của phản ứng miễn dịch

Giải thuật AIS với các thông số tốt nhất tìm được bằng phương pháp MSEDA, được Carlier (1978) kiểm tra và so sánh với các giải thuật kinh nghiệm như: SA, NEH, CDS, Dannenbring, Gupta, Ho-Chang, Hundal-Rajgopal, Johnson và Palmer thu được kết quả là AIS cho lời giải tốt nhất Vì vậy, đề tài này ứng dụng giải thuật AIS

làm cơ sở để giải bài toán điều độ flow shop Tuy nhiên, trong giải thuật này có hai vấn đề mà trong đề tài này muốn có hướng cải tiến dựa trên tiêu chí để đánh giá một giải thuật điều độ là chất lượng lời giải và thời gian giải bài toán:

− “Sau một số lần phát ra sẽ thực hiện loại bỏ những kháng thể xấu nhất và thay thế bằng những kháng thể mới được phát ngẫu nhiên” Để đảm bảo chất lượng lời giải, chỉ chọn những kháng thể mới tốt hơn những kháng thể xấu nhất đã được loại

bỏ, để thay thế

− Không gian lời giải rộng có ưu điểm là tính ngẫu nhiên cao, chất lượng lời giải tốt nhưng cũng có hạn chế là mất nhiều thời gian để giải bài toán Để cải thiện vấn đề

này, trong đề tài sẽ ứng dụng phương pháp “Tìm lời giải có định hướng” [11]

(Nguyễn Văn Hợp and Mario T.Tabucanon) để giảm thời gian cần thiết

Giải thuật “Hệ thống miễn dịch nhân tạo có:

− Ưu điểm: thực hiện quá trình ngẫu nhiên nên cho ra lời giải có chất lượng tốt hơn, với nguyên tắc miễn dịch thể dịch sẽ thu được kết quả tốt cho cục bộ nhưng đồng thời cơ chế miễn dịch tế bào giúp hệ thống thoát khỏi tối ưu cục bộ

− Nhược điểm: thời gian giải bài toán lâu hơn do không gian lời giải quá rộng, không phù hợp với những bài toán có kích thước nhỏ

3.2.1 Giới thiệu hệ thống miễn dịch của động vật có xương sống

Bất kỳ sự sống nào cũng có hệ thống miễn dịch nhưng có độ phức tạp khác nhau tuỳ theo từng loài Động vật có xương sống có hệ thống miễn dịch phức tạp và hiệu quả, hệ thống này thực hiện nhiều chức năng nhưng vai trò chính của nó là bảo vệ

cơ thể chống lại các mầm bệnh và loại trừ các tế bào xấu Các tế bào miễn dịch nhận ra và tiêu diệt các mầm bệnh, có nhiều loại tế bào miễn dịch nhưng phổ biến nhất là các tế bào bạch huyết (lymphocytes), có hai loại tế bào bạch huyết: Tế bào B

và tế bào C Cả hai loại tế bào này đều có các phân tử thụ thể (receptor molecules) trên bề mặt của chúng, các phân tử này có tác dụng nhận dạng các mầm mống gây bệnh Khi các phân tử thụ thể kết hợp với kháng nguyên sẽ đảm bảo việc nhận diện

kháng nguyên và phản ứng miễn dịch bắt đầu Phân tử thụ thể của tế bào B được gọi là kháng thể, mỗi loại kháng thể chỉ đặc hiệu với duy nhất một kháng nguyên

3.2.1.1 Nguyên tắc miễn dịch thể dịch (clonal selection principle)

Khi kháng thể gặp kháng nguyên đặc hiệu, kháng nguyên sẽ kích thích tế bào B phân bào, một số biệt hoá thành huyết tương (plasma cells) để sản xuất kháng thể hàng loạt Sau quá trình phân bào, hệ thống có các tế bào nhân bản vô tính (clone cells) là bản sao của mỗi kháng thể Tỷ lệ phân bào tương ứng với mức độ nhận diện kháng nguyên Những tế bào được sinh ra có khả năng nhận diện kháng nguyên tốt hơn sẽ được chọn làm tế bào ghi nhớ (memory cells) để duy trì sự tồn tại của dòng tế bào đó trong cơ thể Tế bào ghi nhớ tuần hoàn trong máu, bạch huyết

và mô, khi nhiễm kháng nguyên đó lần nữa nó sẽ sản sinh ra các kháng thể có ái lực cao hơn, đáp ứng nhanh hơn lần nhiểm đầu tiên

Hình 3.3: Nguyên tắc miễn dịch thể dịch

(Nguồn: [16])

3.2.1.2 Cơ chế miễn dịch tế bào (Affinity maturation)

Ái lực là mức độ tế bào nhận diện kháng nguyên Cơ chế miễn dịch tế bào là toàn

bộ quá trình đột biến và chọn lọc những kháng thể có khả năng nhận diện kháng nguyên tốt hơn Có hai cơ chế chính của quá trình hoàn thiện ái lực là: đột biến (hypermutation) và lược bỏ thụ thể (receptor editing)

Sự thay đổi ngẫu nhiên xảy ra ở bất kỳ vị trí nào của gien trên phân tử kháng thể

Sự thay đổi này được gọi là đột biến và tạo nên những tế bào có cấu trúc khác nhau Đôi khi, đột biến sẽ làm tăng ái lực của kháng thể Quá trình đột biến trên tế bào

bạch huyết được gọi là somatic hypermutation Tỷ lệ đột biến tỷ lệ nghịch với ái

lực của kháng thể: kháng thể có ái lực càng cao đối với kháng nguyên thì tỷ lệ đột biến càng thấp và ngược lại Bằng cách này, hệ thống miễn dịch có thể giữ lại những tế bào được sinh ra có ái lực cao và cũng đảm bảo là các tế bào có ái lực thấp

sẽ được đột biến để có ái lực cao hơn

Do bản chất ngẫu nhiên của quá trình đột biến, có một số lượng lớn các gien bị đột biến sẽ trở nên xấu đi hoặc phát triển theo chiều hướng có hại Quá trình lược bỏ thụ thể sẽ loại bỏ các thụ thể không tốt và phát ra các thụ thể mới Quá trình này có thể dẫn đến thụ thể có ái lực tốt hơn hoặc xấu hơn

Đột biến sẽ tốt cho việc tìm kiếm cục bộ, trong khi lược bỏ thụ thể làm cho phản ứng miễn dịch thoát khỏi tối ưu cục bộ

3.2.2 Phương pháp hệ thống miễn dịch nhân tạo (AIS)

3.2.2.1 Giải thuật

Ứng dụng cho bài toán điều độ flow shop: n công việc trên m máy với mục tiêu là tìm thứ tự thực hiện n công việc sao cho giá trị hàm mục tiêu là nhỏ nhất Đây là bài toán thuộc dạng Non-Deterministically Polynomial (NP)-Hard problem Tại mỗi thời điểm, trên mỗi máy chỉ có một công việc được gia công n công việc là độc lập

và đồng thời có khả năng sẳn sàng tại thòi điểm t = 0 Tất cả các công việc có trình

tự gia công qua các máy là như nhau, mỗi công việc có giới hạn về thời gian gia công trên mỗi máy

Thứ tự điều độ được thể hiện dưới dạng một chuỗi số nguyên có chiều dài là n, với

n là số công việc cần được điều độ Các chuỗi số nguyên này được xem như là kháng thể của hệ thống miễn dịch nhân tạo Giải thuật này đưa ra lời giải dựa vào

sự phát triển của kháng thể, mà sự phát triển đó dựa trên hai nguyên tắc cơ bản của

hệ thống miễn dịch là: miễn dịch thể dịch và miễn dịch tế bào

Giải thuật được tóm tắt như sau:

Tạo ra quần thể có B kháng thể (B là độ lớn của quần thể kháng thể)

Xác định ái lực (giá trị hàm mục tiêu) của kháng thể;

Tính xác suất chọn lọc (rate of cloning)

Nhân bản (phát ra các bản sao của kháng thể – clone)

For mỗi lần phát nhân bản do;

Đột biến nghịch đảo (phát ra chuỗi mới)

Mã hoá chuỗi mới

Tính giá trị hàm mục tiêu của chuỗi mới;

If giá trị hàm mục tiêu (chuỗi mới) < giá trị hàm mục tiêu (tế bào nhân bản vô

tính) then tế bào nhân bản vô tính = chuỗi mới

Else thực hiện đột biến trao đổi cặp (phát ra chuỗi mới)

Mã hoá chuỗi mới;

Tính giá trị hàm mục tiêu của chuỗi mới;

If giá trị hàm mục tiêu (chuỗi mới) < giá trị hàm mục tiêu (tế bào nhân bản

vô tính) then tế bào nhân bản vô tính = chuỗi mới

Else tế bào nhân bản vô tính = tế bào nhân bản vô tính;

Kháng thể = tế bào nhân bản vơ tính;

If x = A (A là tần suất loại bỏ ) then

Loại bỏ C kháng thể xấu nhất trong quần thể ( C là tỷ lệ loại bỏ kháng thể)

Tạo ngẫu nhiên C kháng thể mới;

Những kháng thể mới thay thế cho những kháng thể bị loại bỏ

x = 0;

end if

While điều kiện dừng = sai ( điều kiện dừng là số lần phát do người sử dụng qui định)

3.2.2.2 Ứng dụng nguyên tắc miễn dịch thể dịch trong AIS

Mỗi bảng điều độ (kháng thể) cĩ một giá trị hàm mục tiêu liên quan đến giá trị ái lực của kháng thể đĩ, giá trị hàm mục tiêu càng thấp thì giá trị ái lực càng cao

(z)

1 (z)

tiêu mục hàm trị Giá lực

Với:

Z: kháng thể

Xác suất chọn lọc của mỗi kháng thể tương ứng được tính theo thủ tục sau:

− Tính giá trị hàm mục tiêu cho mỗi kháng thể trong quần thể

− Tìm giá trị hàm mục tiêu lớn nhất (Max (giá trị hàm mục tiêu (z)))

− Tính giá trị độ thích hợp (fitness value) cho mỗi kháng thể

))((

)(

)(z Giá trị hàm mục tiêu lớn nhất Giá trị hàm mục tiêu z hợp

thể quần trong thể kháng các của thích độ trị giá Tổng

z hợp thích độ trị Giá z

lọc chọn

suất

Phát ra một tập các tế bào nhân bản vơ tính cĩ cùng độ lớn với quần thể kháng thể ban đầu Số tế bào nhân bản vơ tính phát ra từ mỗi kháng thể thay đổi tuỳ theo xác suất chọn lọc của từng kháng thể Các kháng thể cĩ xác suất chọn lọc lớn hơn sẽ cĩ

nhiều tế bào nhân bản vô tính (bản sao) hơn trong tập tế bào nhân bản vô tính, các kháng thể có giá trị hàm mục tiêu lớn có thể không có tế bào nhân bản vô tính trong tập tế bào nhân bản vô tính trong khi các kháng thể có giá trị hàm mục tiêu thấp sẽ

có nhiều bản sao trong tập đó

3.2.2.3 Ứng dụng cơ chế miễn dịch tế bào trong AIS

Quá trình miễn dịch tế bào gồm hai giai đoạn: Đột biến nghịch đảo và đột biến trao đổi cặp, trong đó đột biến nghịch đảo được thực hiện trước tiên

Đột biến nghịch đảo (Inverse mutation): i và j là hai vị trí trên chuỗi s cho trước Lân cận của s thu được bằng cách nghịch đảo đoạn nằm giữa i và j, với j - i ≥ 2 Nếu giá trị hàm mục tiêu của chuỗi sau đột biến nghịch đảo nhỏ hơn chuỗi ban đầu (một tế bào nhân bản vô tính của kháng thể) thì chuỗi đột biến được lưu lại ở vị trí của chuỗi ban đầu Ngược lại, chuỗi sẽ được đột biến lần nữa bằng phương pháp đột biến trao đổi cặp với cặp vị trí được chọn là ngẫu nhiên

Đột biến trao đổi cặp (Pairwise interchange mutation): i và j là hai vị trí được chọn ngẫu nhiên trên chuỗi s cho trước Lân cận của s thu được bằng cách hoán đổi công việc ở vị trí i và j cho nhau Nếu chuỗi sau đột biến trao đổi cặp có giá trị hàm mục tiêu nhỏ hơn chuỗi ban đầu thì nó được lưu lại ở vị trí của chuỗi ban đầu

Trong trường hợp không tìm được chuỗi tốt hơn sau hai giai đoạn đột biến thì sẽ giữ lại chuỗi ban đầu Tập tế bào nhân bản vô tính sau khi trãi qua quá trình nhân bản

vô tính và đột biến được xem là quần thể kháng thể cho lần phát tiếp theo

Với ràng buộc thực hiện đột biến nghịch đảo trước sẽ duy trì tỷ lệ đột biến cao hơn cho đột biến nghịch đảo so với đột biến trao đổi cặp bởi vì nó cho phép thay đổi vị trí của các công việc nhiều hơn hai Trong những bước đầu tiên của giải thuật, có thể tìm được chuỗi tốt hơn bằng cách áp dụng đột biến nghịch đảo bởi vì giải thuật còn cách xa lời giải tốt và đột biến rộng có thể tìm được chuỗi tốt hơn Trong những bước sau, giải thuật đã có những lời giải tốt Khả năng tìm chuỗi tốt hơn bằng cách thực hiện đột biến rộng là thấp bởi vì đột biến rộng có thể bỏ qua các lời giải tốt Vì vậy, để đảm bảo tính hiệu quả của giải thuật phải dùng đột biến trao đổi cặp khi đột biến nghịch đảo không cho lời giải tốt hơn

3.2.3 Phương pháp chọn thông số tối ưu cho AIS

Để đạt được lời giải tối ưu hoặc gần tối ưu trong thời gian ngắn hơn thì phải sử dụng tập thông số tối ưu Trong bài toán này có 3 thông số ảnh hưởng đến lời giải là tần suất loại bỏ (A), độ lớn của quần thể kháng thể (B) và tỷ lệ loại bỏ kháng thể

(C)

Phương pháp thiết kế thực nghiệm nhiều bước (Multi Step Experimental Design Approach – MSEDA) được ứng dụng để cải tiến các thông số của AIS, với Ortogonal Array (OA) được sử dụng trong thiết kế thực nghiệm Có hai cấp độ ứng với mỗi thông số:

Bảng 3.1: 8 bộ số liệu về cấp độ cho thực nghiệm (Nguồn: [16])

Giới hạn trên và dưới của mỗi thông số phụ thuộc vào cấp độ của thông số

Bảng 3.2: Phạm vi của các thông số (Nguồn: [16])

Ứng dụng MSEDA để xác định tập thông số tối ưu gồm các bước sau:

− Bước 1:Chia toàn bộ phạm vi của mỗi thông số thành 4 phần, điểm kết thúc của phần thứ nhất và phần thứ 3 được chọn là 2 cấp độ cho bước đầu tiên trong thiết kế thực nghiệm

− Bước 2: Giải bài toán 25 lần với tập thông số được xác định ở bước 1 ứng với L8

OA ở trên