Soudobé metody optimalizace provozu výrobních linek

Abstract

Tato diplomová práce se zabývá problematikou optimalizace provozu výrobních linek za pomocí využití soudobých optimalizačních metod. Teoretická část práce blíže popisuje a přibližuje metody, které jsou využívány pro optimalizaci provozu výrobních linek. Praktická část diplomové práce rozebírá problematiku modelování výrobní linky v grafickém rozhraní Simulink programu Matlab a nasazení samotných optimalizačních algoritmů. V modelové výrobní lince figurují dva klíčové logistické zdroje, a to AGV a skladníci. Logistické zdroje zajišťují přepravu mezi jednotlivými pracovišti výrobní linky. Všechny algoritmy si kladou za cíl nalézt optimální množství logistických zdrojů využívaných ve výrobní lince tak, aby byla zajištěna jejich maximální využitelnost a zároveň aby výrobní linka fungovala bez prostojů. Optimalizační algoritmy jsou nasazeny s využitím výpočetní síly super počítače CESNET a jsou upraveny dle specifických požadavků tohoto výpočetního rozhraní. Pro optimalizaci modelové výrobní linky je využit genetický algoritmus, optimalizace hejnem částic a hybridní algoritmus, který kombinuje silné aspekty prvních dvou zmíněných algoritmů. Výsledky ukazují, že hybridní přístup vykazuje vysokou efektivitu jak při globálním prohledávání, tak při hledání lokálně optimálních řešení, čímž potvrzuje svůj přínos v oblasti optimalizace výrobních procesů.This thesis focuses on the issue of optimizing production line operations using contemporary methods. The theoretical part provides an overview of modern approaches employed in the optimization of production processes. The practical section addresses the modeling of a production line within the Simulink graphical environment of MATLAB and the implementation of optimization algorithms. The model production system incorporates two key logistical resources, automated guided vehicles (AGVs) and warehouse workers, both are responsible for transport between individual workstations. The objective of all algorithms is to determine the optimal number of logistical resources in order to maximize their utilization while ensuring uninterrupted operation of the production line. The optimization algorithms are deployed using the computational power of the CESNET supercomputer and have been adapted to meet the specific requirements of this computing environment. For the optimization process, a genetic algorithm, particle swarm optimization (PSO), and a hybrid algorithm combining the strengths of both methods are used. The results indicate that the hybrid approach demonstrates high efficiency in both global exploration and local exploitation of the solution space, thereby confirming its contribution to the optimization of manufacturing processes.