Однією з найважливіших умов ефективного керівництва виробничим процесом є обробка даних, що забезпечує отримання інформації у необхідному об’ємі та потрібної якості.
Для того, щоб виробництво могло враховувати всі тонкощі технологічного процесу, необхідно максимально механізувати обробку даних, використовуючи при цьому комп’ютерну техніку.
У процесі керівництва виробничим процесом постійно приходиться вивчати зворотні зв’язки, оскільки вони характеризуються системою взаємопов’язаних та взаємозалежних задач. Тому організацію та управління виробництвом доцільно розглядати як кібернетичну систему, що має свої особливості у приладобудівному виробництві [4].
Слід зауважити, що серед факторів виробництва надзвичайно важливе значення мають робоча сила та виробничі потужності, тому отримання інформації, що відноситься до них, вельми необхідно.
Інформація, що відноситься до наявності робочої сили, повинна бути різнобічною. Потреба у робочій силі, співвідношення жіночої та чоловічої праці, кваліфікованої, навченої або ненавченої робочої сили визначаються характером виробничого процесу, його технології. Характер виробництва висуває до працівника підвищені вимоги, які в умовах серійного виробництва зводяться до здатності працюючих здійснювати технологічний процес з використанням монотонної та важкої фізичної праці. Робота персоналу виробництва в умовах граничного напруження не може не впливати на якість
технологічних операцій, які виконують у процесі виробництва працюючі, та забезпечення стабільності якості промислової продукції.
Проведений аналіз інформаційних зв’язків в технологічних схемах промислових виробництв дозволяє переходити до подальших кроків у дослідженні технологічних систем у приладобудуванні.
4. Моделювання процесів з використанням методів лінійного і нелінійного програмування
Дану групу методів ще називають методами оптимального планування. 3 цієї назви і випливає їхня суть. Вона полягає в тому, що дослідник (аналітик) намагається досягти максимально корисного за складеним ним критерієм ефективності використання ресурсів при заданих обмеженнях на ці ресурси.
Цільовою функцією, як правило, бувають вимога максимізації або мінімізації. Обмеженнями моделей даного класу є символьне (у вигляді функцій) представлення обмеженості ресурсів.
Критерієм оптимальності розв'язку задач даного типу є максимум (мінімум) цільової функції на множині припустимих розв’язків
моделі – множині утвореної обмеженнями моделі.
З математичної точки зору, основна ідея, застосування методів даного класу, полягає у знаходженні оптимального поєднання ресурсів множинні припустимих планів. В залежності від форми цільової функції та вигляду обмежень методи поділяються на задачі лінійного та нелінійного програмування.
В задачі лінійного програмування цільова функція та обмеження лінійні. Множина допустимих рішень, в такому випадку – це опуклий многогранник. І задача оптимізації зводиться до перебору всіх крайніх точок даного многогранника.
В іншому випадку, якщо цільова функція або обмеження набувають нелінійного характеру, для знаходження оптимального розв'язку використовується принцип опуклості (увігнутості) задачі нелінійного програмування, яке гарантує досягнення глобального оптимуму на множині припустимих рішень.
Недоліки цього класу моделей очевидні.
1. Необхідність мати достатньо обмежень для утворення множини припустимих рішень. У випадку незадоволення даної вимога множина рішень стає необмеженою і зникає гарантія отримання оптимального рішення. Дуже часто, отримані розв'язки не мають економічного обґрунтування.
2. Необхідність мати чітко сформульовану цільову функцію – критерій якості отриманого розв'язку. Дуже часто його важко побудувати. До того ж існує небезпека, що побудована функція якості є суб'єктивною думкою дослідника, що може не відповідати дійсності. Отже, для отримання максимально якісного розв'язку необхідно вкласти максимум інформації про досліджуваний об'єкт у вигляді обмежень та скласти максимально об’єктивний критерій оцінки ефективності отриманої моделі.
5. Перспективи використання генетичних алгоритмів в САПР ТП
Система автоматизованого проектування технологічних процесів (САПР ТП) призначена для автоматичного проектування й нормування технологічних процесів виготовлення деталей машино-, приладобудування й інших виробництв, що мають у своєму складі механооброблюючі підрозділи (інструментальні, механоскладальні й т.п.). При цьому бажано найменше втручання людини в процес розробки технологічного процесу (ТП), що повинно забезпечити мінімізацію строків проектування.
Серед найбільше часто використовуваних методів автоматизованого проектування ТП варто виділити експертні системи (ЕС) і нейронні мережі (НС). До недоліків ЕС варто віднести велику їх залежність від людини технолога, який повинен указувати ЕОМ ключові вузли ТП, визначати послідовність технологічних операцій і т.д. Недоліком НС можна назвати довгий строк навчання й необхідність повторювати процес навчання для кожної нової базової деталі або вузла.
Згідно [9], генетичний алгоритм (ГА) – це евристичний алгоритм пошуку, використовуваний для рішення завдань оптимізації й моделювання шляхом послідовного підбора, комбінування й варіації шуканих параметрів з використанням механізмів, що нагадують біологічну еволюцію. Є різновидом еволюційних обчислень. Відмінною рисою генетичного алгоритму є акцент на використання оператора «схрещування», що робить операцію рекомбінації рішення-кандидатів, роль якої аналогічна ролі схрещування в живій природі.
Таким чином, використовуючи ГА можна навчити ЕОМ самостійно створювати нові ТП, значно скоротивши строки підготовки виробництва. При цьому немає необхідності в створенні бази даних з типовими деталями й вузлами, що значно спростить завдання створення такого САПР ТП.
5.1 Теоретична частина
ГА являє собою метод, що відбиває природну еволюцію методів рішення проблем, і в першу чергу задач оптимізації. Так автори [1, 2] вважають, що ГА – це процедури пошуку, основані на механізмах природного добору й спадкування. При природному доборі виживають самі пристосовані особини, при цьому ступінь адаптації залежить від набору хромосом конкретної особини, отриманого від батьків.
Завдання кодується таким чином, щоб її рішення могло бути представлене у вигляді вектора («хромосома»). Випадковим образом створюється деяка кількість початкових векторів («початкова популяція»). Вони оцінюються з використанням «функції пристосованості», у результаті чого кожному вектору привласнюється певне значення («пристосованість»), що визначає ймовірність виживання організму, представленого даним вектором. Після цього з використанням отриманих значень пристосованості вибираються вектора (селекція), допущені до «схрещування». До цих векторів застосовуються «генетичні оператори», створюючи в такий спосіб наступне «покоління». Особини наступного покоління також оцінюються, потім виробляється селекція, застосовуються генетичні оператори й так у циклі, поки не буде виконаний один із критеріїв зупинки алгоритму: знаходження глобального, або субоптимального рішення; вичерпання числа поколінь, відпущених на еволюцію; вичерпання часу, відпущеного на еволюцію.
У такий спосіб узагальнений алгоритм ГА буде складаються з наступних операцій:
1. Ініціалізація;
2. Оцінка;
3. Відбір;
4. Рекомбінація;
5. Якщо виконуються умови зупинки, то (кінець циклу), інакше (початок циклу).
Ініціалізація, тобто створення початкової популяції дозволяє сформувати відправну точку для роботи алгоритму. При цьому популяція найчастіше створюється шляхом довільного створення хромосом, навіть якщо вона виявиться зовсім неконкурентоспроможної, генетичний алгоритм однаково досить швидко переведе її в життєздатну популяцію. Підсумком першого кроку є популяція H, що складається з N особин.
Етап оцінки дозволяє визначити, як кожна хромосома (рішення) справляється з даною проблемою. Хромосома декодується відносно до заданої проблеми й перевіряється результат рішення заданого завдання, на підставі якого розраховується «здоров'я» хромосоми. Передбачається, що функція пристосованості завжди має невід’ємне значення, а також те, що для рішення оптимізаційного завдання потрібно максимізувати цю функцію.
Відбір – це етап, на якому хромосоми вибираються для подальшого використання в іншій популяції, здійснюється на підставі здоров'я хромосом. При цьому, якщо відібрати тільки дуже здорові хромосоми, то рішення стає обмеженим через недостатню розмаїтість, а якщо відбирати випадковим образом, то ГА зводиться до методу випадкового пошуку. Згідно [9], найбільш популярним методом відбору є так називані метод рулетки. Відповідно до цього методу, чим краще здоров'я хромосоми, тим більше ймовірність її відбору для формування наступного покоління. Імовірність виживання особини h повинна залежати від значення функції пристосованості Fitness (h). Сама частка, що вижили, s звичайно є параметром генетичного алгоритму, і її просто задають заздалегідь. За підсумками відбору з N особин популяції H повинні залишитися s особин, які ввійдуть у підсумкову популяцію H'. Інші особини гинуть.
При рекомбінуванні частини хромосом переміщаються, а нові хромосоми, що вийшли, повертаються назад у популяцію для формування наступного покоління. Перша група хромосом звичайно називається родителями, друга - дітьми. Головна вимога до розмноження – щоб нащадок, або нащадки, мали можливість успадкувати риси обох батьків, "змішавши" їх яким-небудь досить розумним способом. Загалом кажучи, для того щоб провести операцію розмноження, потрібно вибрати (1-s)p/2 пара гіпотез із H і провести з ними розмноження, одержавши по двох нащадка від кожної пари (якщо розмноження визначене так, щоб давати одного нащадка, потрібно вибрати (1 - s)p пара), і додати цих нащадків в H'. У результаті H' буде складатися з N особин.