Please use this identifier to cite or link to this item: https://siaiap39.univali.br/repositorio/handle/repositorio/1026
metadata.dc.type: Dissertação
Title: Distribuição de serviços em laboratório de metrologia utilizando algoritmos genéticos
Other Titles: Services allocation in a metrology laboratory using genetic algorithms
metadata.dc.creator: Beckert, Jonny Ivon
metadata.dc.contributor.advisor1: Teive, Raimundo Celeste Ghizoni
metadata.dc.contributor.referee1: Valle Filho, Adhemar Maria do
metadata.dc.contributor.referee2: Raabe, André Luís A.
metadata.dc.contributor.referee3: Bez, Edson Tadeu
metadata.dc.description.resumo: O problema de alocação de serviços em um conjunto limitado de máquinas, por mais simples que possa parecer, possui detalhes e restrições, que em um problema real, podem tornar a tarefa extremamente complexa. Prioridade do serviço, sobrecarga no recurso que irá executar o serviço, matéria-prima disponível para execução das tarefas, técnico habilitado, histórico de paradas do recurso, tempo de execução do serviço, tempo ocioso e disponibilidade de pessoal especializado são alguns aspectos a serem considerados, quando se tem a necessidade de realizar a alocação de uma tarefa dentro de uma grade de serviços pré-definidos. Atualmente, existem no mercado alguns softwares de gerenciamento, utilizados principalmente pelo ramo industrial, que se propõem a minimizar os problemas associados à distribuição de serviços. Geralmente os sistemas integrados de gestão, conhecidos como ERP (Enterprise Resource Planning), possuem um módulo responsável por esta tarefa. Muitas vezes, as rotinas que envolvem a tarefa de distribuição de serviço neste módulo não levam em conta todas as variáveis envolvidas, devido a grande dificuldade de inserir estas variáveis no algoritmo e encontrar uma solução de otimização da distribuição. Além disto, quando a capacidade da máquina é variável, a complexidade do problema aumenta, dificultando assim a utilização de metodologias tradicionais baseadas em grafos ou programação matemática. Técnicas da inteligência artificial, particularmente os algoritmos genéticos têm sido aplicados ao problema de alocação de serviços (job scheduling) com grande sucesso, conforme se pode observar na literatura. O objetivo principal deste trabalho é o desenvolvimento de um sistema computacional, baseado em Algoritmo Genético, para resolver o problema da alocação ótima de serviços em laboratório de metrologia, considerando as restrições técnicas e temporais do problema. A modelagem do problema de alocação otimizada de serviços um número limitado de recursos com Algoritmos Genéticos, permitiu a consideração de aspectos importantes da solução do problema real, tais como: tipo de serviço do recurso e do item, faixa de trabalho do recurso, faixa de medição do item, prazo de entrega, quantidade de itens e recursos disponíveis, tempo de execução do serviço e do item. Além disto, pode-se enfatizar como contribuições adicionais do algoritmo implementado como a questão do tratamento de itens clones e o desenvolvimento de um Algoritmo Genético de Aprendizagem, o qual visa possibilitar a definição automática dos parâmetros do Algoritmo Genético principal, envolvendo tipo de crossover, tipo de seleção, valores adequados para as taxas de mutação, elitismo e torneio. Resultados preliminares obtidos com o algoritmo desenvolvido, utilizando-se dados reais, demonstram que a abordagem proposta neste trabalho é uma solução promissora e aplicável na prática
Abstract: As simple as it might look, the problem of allocating a group of tasks to be executed with a limited number of available machines will always present a number of details and restrictions that in certain cases can result in a solution of great complexity. Some of the variables involved are: service priority, available raw materials, machinery or equipment capacities, qualified technical personnel existence, production historical records, service execution time, machinery idle times, additional services that could call for specialized personnel. Currently, it´s easy to find some software solutions which provide this type of logistics to the industrial sector. The main goal of these solutions is to minimize the problems created when dealing with services distribution. Generally, integrated management systems, known as ERP (Enterprise Resource Planning) are provided with an entire module to deal with services distribution; unfortunately it´s not uncommon for this module to discard some or many of the factors involved. The specificities of each different case and the complexity to introduce these variables into the algorithm flux have a crucial role to play when choosing the best solution; the best alternative will depend heavily on its flexibility and versatility. When a machine has variable capacity, as it is in many cases, the problem´s complexity greatly increases and the traditional solution techniques like mathematic programming fall short of the solution. More successful results have been observed when using artificial intelligence techniques, particularly using genetic algorithms to solve the problem of services allocation (job scheduling) as there are written reports about it. This work introduces the modeling and solution for cases of services allocation using metrology laboratories and the use of a genetic algorithm tailored specifically to each case. It takes into account, for each case, all the variables and restrictions that the specialized personnel will face in a metrology laboratory. The solution modeling to optimize the services allocation among a limited number of resources using Genetic Algorithms, allows a better understanding about important aspects in real case situations, e.g. service type performed by the resource, item characteristics, resources´ working range, item´s metrology range, delivery times attainable, items and available resources quantities, services execution times. Worthwhile to mention and additional benefits obtained using the implemented algorithms are a better understanding of the problem when dealing with cloned items and the development of an associated Learning Genetic Algorithm with which a parameter definition automation for the main Genetic Algorithm Implementation is intended. These parameters are: crossover type, selection type, adequate mutation rate values, elitism and tournament. Preliminary results obtained using the proposed algorithm are showing the viability of the solution and it´s applicability in practical cases
Keywords: algoritmo genético
metrologia
ordem de serviço
genetic algorithm
metrology
service order
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO
metadata.dc.language: por
metadata.dc.publisher.country: BR
Publisher: Universidade do Vale do Itajaí
metadata.dc.publisher.initials: UNIVALI
metadata.dc.publisher.department: Computação Aplicada
metadata.dc.publisher.program: Mestrado em Computação Aplicada
Citation: BECKERT, Jonny Ivon. Services allocation in a metrology laboratory using genetic algorithms. 2009. 94 f. Dissertação (Mestrado em Computação Aplicada) - Universidade do Vale do Itajaí, São José, 2009.
metadata.dc.rights: Acesso Aberto
URI: https://siaiap39.univali.br/repositorio/handle/repositorio/1026
Issue Date: 1-Jan-2009
Appears in Collections:Importação Nova 20150826 Coleção

Files in This Item:
File Description SizeFormat 
Jonny Ivon Beckert.pdf3,4 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.