加工途程分析

一、實驗目的

驗證本研究之基因演算法可提供較合適的加工途程決策。

二、實驗數據與分析

在加工途程方面，第三章研究方法中有提到，在基因演算法進行演化時，同一條染 色體會同時求解跨廠與不跨廠解，並將最佳的解當作本次的績效值，所以為了驗證基因 演算法是否會提供較合適的排程決策，將針對前一節所提到的四種情境與兩種加工效率 進行跨廠與不跨廠數據分析。

除了驗證第二項目的外，由前一節得知GA-Comb 與 GA-GA 在四種情境下，相同 機台加工效率皆有不錯的解，但加工效率不同時，GA-GA 的績效會何會變差。針對這 點，本研究也想透過以下實驗分析造成此種結果的原因所在。

所以，以下之實驗特別將GA-Comb 與 GA-GA 兩者拿來做進一步的探討。

20J 40J 60J 80J 100J

情境 跨廠相較於不跨廠之改善率

情境一 4.64% 35.71% 0.84% 1.41% 1.26%

情境二 0.00% 0.00% 0.02% 0.02% 0.01%

情境三 9.25% 12.43% 9.84% 5.35% 6.81%

情境四 32.95% 55.80% 68.96% 54.26% 44.16%

表 4. 17 GA-Comb 在加工效率協調之情境

20J 40J 60J 80J 100J

情境 跨廠相較於不跨廠之改善率

情境一 120.80% 89.10% 253.38% 114.16% 124.60%

情境二 1.43% 0.67% 0.43% 0.29% 0.24%

情境三 88.66% 70.61% 78.38% 80.19% 83.99%

情境四 41.25% 77.93% 83.02% 55.77% 84.63%

表 4. 18 GA-Comb 在加工效率不協調之情境

20J 40J 60J 80J 100J

情境 跨廠相較於跨廠之改善率

情境一 -247.64% -4.21% -13.96% -0.46% 0.00%

情境二 -91.58% 10770.35% -26.86% -15.13% -12.58%

情境三 -312.38% -187.85% -340.50% -546.04% -473.07%

情境四 -784.96% -2404.19% -283.51% -182.94% -13503.90%

表 4. 19 GA-GA 在加工效率協調之情境

20J 40J 60J 80J 100J

情境 跨廠相較於不跨廠之改善率

情境一 147.02% 203.17% 111.62% 155.37% 411.27%

情境二 526.23% 554.98% 582.40% 690.31% 153.40%

情境三 -242.23% -153.36% -209.07% -227.59% -260.40%

情境四 267.88% 345.97% 361.76% 395.05% -150.64%

表 4. 20 GA-GA 在加工效率不協調之情境

當機台加工效率協調時，代表兩廠機台加工速度一致，所以工件不管是在自己廠加 工或跨廠加工，加工時間都是一樣的，由於跨廠需要計算跨廠時間，所以通常會選擇不 跨廠；當加工效率不諧調時，兩廠機台加工速度不一致下，某一廠比較慢做完時，可能 造成工件延誤交期，所以通常會建議工件進行跨廠。

表4.17 到表 4.20 整理出 GA-Comb 與 GA-GA 在機台加工效率協調與不協調情況下 之跨廠改善率，所謂的跨廠改善率為跨廠績效值減去不跨廠績效值後，再除以不跨廠績

GA-Comb 或是 GA-GA 之改善率在機台加工效率不協調下，都比加工效率協調時為佳，

此結果符合先前所說的，加工效率不諧調時較適合於跨廠。所以驗證了實驗二的目的—

本研究之基因演算法可提供合適的加工途程決策。

從數值來看，可以發現GA-GA 在加工效率協調時，跨廠改善率都是負值，

也就是說，在這種情境下，GA-GA 都會選擇不跨廠；而 GA-Comb 則較偏向於跨廠。由 前一節的結果來看，在加工效率協調時，兩者績效值差不多，也就是說，當機台加工效 率協調時，跨廠與不跨廠兩種方法之績效值並無顯著差異。

在加工效率不諧調時，GA-GA 與 GA-Comb 之結果幾乎都偏向於跨廠，但 GA-GA 之績效值卻明顯變差，由此可以發現GA-GA 方法似乎較適用於不跨廠的情境。

由GA-GA 的本質來看，由於 GA-GA 是經由基因演算法進行途程決策後，排序的 部份則是交由GA 自然演化，所以只有進行分廠的動作，如果在適合跨廠的情境下，GA 會強制讓加工途程分為跨廠解，這樣的缺點會讓原本最後一個加工之工件，在下一站被 分到第一個加工之機率提高。如圖4.1，此圖為 GA-GA 三站的分廠方式，當第一站與第 二站分廠位置不同時，原本工件1 在第一站是 A 廠最後一個加工，到了第二站卻變成 B 廠第一個加工，因為不會像EDD、SPT 等單一派工法進行重排，所以 GA-GA 在適合跨 廠的情境下，績效才會變的較差。

圖 4. 1 GA-GA 分廠示意圖

三、小結

由本節的實驗分析，可以得到以下結論：

1. 驗證本研究之基因演算法可提供較合適的加工途程決策。

2. GA-GA 適用於不跨廠之情境。