論文の概要: Enhancing Mass Customization Manufacturing: Multiobjective Metaheuristic Algorithms for flow shop Production in Smart Industry

• arxiv url: http://arxiv.org/abs/2407.15802v2
• Date: Fri, 26 Jul 2024 12:41:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 15:28:39.549263
• Title: Enhancing Mass Customization Manufacturing: Multiobjective Metaheuristic Algorithms for flow shop Production in Smart Industry
• Title（参考訳）: 大量カスタマイズ生産の促進:スマート産業におけるフローショップ生産のための多目的メタヒューリスティックアルゴリズム
• Authors: Diego Rossit, Daniel Rossit, Sergio Nesmachnow,
• Abstract要約: 本研究は,工場生産計画における必要な適応に焦点を当てたものである。 フローホップに対処するための効率的な進化的アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The current landscape of massive production industries is undergoing significant transformations driven by emerging customer trends and new smart manufacturing technologies. One such change is the imperative to implement mass customization, wherein products are tailored to individual customer specifications while still ensuring cost efficiency through large-scale production processes. These shifts can profoundly impact various facets of the industry. This study focuses on the necessary adaptations in shop-floor production planning. Specifically, it proposes the use of efficient evolutionary algorithms to tackle the flowshop with missing operations, considering different optimization objectives: makespan, weighted total tardiness, and total completion time. An extensive computational experimentation is conducted across a range of realistic instances, encompassing varying numbers of jobs, operations, and probabilities of missing operations. The findings demonstrate the competitiveness of the proposed approach and enable the identification of the most suitable evolutionary algorithms for addressing this problem. Additionally, the impact of the probability of missing operations on optimization objectives is discussed.
• Abstract（参考訳）: 大規模生産産業の現在の状況は、新たな顧客トレンドと新しいスマート製造技術によって引き起こされる大きな変革を経験している。 このような変更の1つは、大規模生産プロセスによるコスト効率の確保を保ちながら、製品が個々の顧客仕様に合わせて調整されるような、大量カスタマイズの実施を義務付けることである。 これらの変化は、業界の様々な面に大きな影響を与える可能性がある。 本研究は,工場生産計画における必要な適応に焦点を当てたものである。 具体的には,フェースパン,重み付けされた全重み付け,総完成時間という,異なる最適化目標を考慮し,フローホップに対処する効率的な進化的アルゴリズムを提案する。 幅広い計算実験は、様々な仕事、オペレーション、行方不明なオペレーションの確率を含む、様々な現実的なインスタンスで実施されている。 提案手法の競合性を実証し,この問題に対処する最も適切な進化的アルゴリズムの同定を可能にする。 さらに,最適化目標に対する動作不足の確率の影響についても論じる。

関連論文リスト

• Deep Insights into Automated Optimization with Large Language Models and Evolutionary Algorithms [3.833708891059351]
  大きな言語モデル(LLM)と進化的アルゴリズム(EA)は、制限を克服し、最適化をより自動化するための有望な新しいアプローチを提供する。 LLMは最適化戦略の生成、洗練、解釈が可能な動的エージェントとして機能する。 EAは進化作用素を通して、複雑な解空間を効率的に探索する。
  論文  参考訳（メタデータ） (2024-10-28T09:04:49Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Multi-Fidelity Bayesian Optimization With Across-Task Transferable Max-Value Entropy Search [36.14499894307206]
  本稿では,現在のタスクに関する情報を取得する必要性と,将来的なタスクに伝達可能な情報を集めることのバランスをとる新しい情報理論獲得機能を提案する。 提案手法は,十分なタスク数を処理すると,最適化効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-03-14T17:00:01Z)
• Design Optimizer for Planar Soft-Growing Robot Manipulators [1.1888144645004388]
  本研究は,ソフト成長ロボットの設計最適化のための新しいアプローチを提案する。 ソフトマニピュレータのキネマティックチェーンを最適化し、ターゲットに到達し、材料や資源の不要な過剰使用を避ける。 提案手法を最適性にアクセスするために, 提案手法を検証したところ, 解法の性能は著しく向上した。
  論文  参考訳（メタデータ） (2023-10-05T08:23:17Z)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
  初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。 我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
  論文  参考訳（メタデータ） (2021-06-09T12:33:02Z)
• Multi-Objective Optimization of the Textile Manufacturing Process Using Deep-Q-Network Based Multi-Agent Reinforcement Learning [5.900286890213338]
  本稿では,最適化プロセスをゲームに変換するマルチエージェント強化学習(MARL)フレームワークを提案する。 このゲームでは,複数平衡の中断を避けるために実用的選択機構が採用された。 提案したMARLシステムは,繊維のオゾン化プロセスの最適解を実現することが可能であり,従来の手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2020-12-02T11:37:44Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。