16453

16453

بررسي بهينه سازي طراحي محصول ( طراحي شكل ) با استفاده از يك روش فازي-ژنتيك

كارشناسي ارشد

مديريت سيستم و بهره وري

ارديبهشت ماه 1390

دكتر سيد غلامرضا جلالي نائيني

دكتر ماكوئي

صنايع

چكيده تاكنون روشهاي متعددي در جهت انطباق نتايج طراحي يك محصول با نيازهاي مشتري ، مانند: توسعه عملكرد محصول(QFD ) ، و يا كاهش هزينه توليد و قيمت تمام شده ، مانند مهندسي ارزش ، ايجاد شده و توسعه پيدا كرده است . QFD با مجموعه اي از خواستها و نيازهاي مشتري كار را شروع كرده و در نهايت ويژگيهاي خاصي را براي محصول تعيين و كميت هاي مهندسي مرتبط را مشخص مي كند و فرض بر اين گذاشته ميشود كه محصول طراحي شده همان چيزي است كه مشتري مي خواسته . ولي آيا نتيجه طراحي بهترين محصولي بوده است كه مي توان طراحي كرد؟ در اين تحقيق تلاش شده است در زمينه طراحي شكل براي محصولات جديد با استفاده از الگوريتم ژنتيك ، روشي براي يافتن بهترين طرحهاي منطبق با نظر مشتريان ، پيشنهاد شود. نكته متمايز كننده در اين تحقيق نسبت به ديگر كاربردهاي الگوريتم ژنتيك ، بهينه كردن همزمان يك متغير كيفي مانند رضايت مشتري و يك متغير كمي فيزيكي مانند ابعاد هندسي به عنوان هدف مي باشد در حاليكه متغير مستغل يعني نماي ظاهري طرح ، كيفي است . روش كلي كار بدين گونه است كه هر طرح يا شكل به تعدادي اجزاء كوچك تقسيم شده و از تركيب اين اجزاء كوچك ، تعداد بسيار زيادي طرح مختلف توليد مي شود ، سپس با معيار ميزان شباهت به طرحهاي خوب و يا ميزان دوري از طرحهاي بد كه در نظرخواهي از مشتريان مشخص شده اند ، ارزيابي مي شوند . در اين فرايند تكاملي ، بهترين طرحها انتخاب شده و به طراح معرفي مي شوند . واژگان كليدي: طراحي محصول ،الگوريتم فازي- ژنتيك ،اپراتور بلوغ و جهش

1395/11/12

1/1/1900 12:00:00 AM

Abstract Many methods are developed , up to now , to conform the results of designer’s work , means new product , to customer’s need an​d desire , like Quality Function Deployment (QFD) o​r methods for reducing total cost like Value Engineering (VE). QFD starts with a gallery of customer desires an​d needs an​d finally determines some features an​d engineering quantities based on weighting goals , an​d it is supposed that the designed product is accordant to customer desire . But is it true that the new product is the best one ? while simultaneously optimization of several goals were intended. In this research , in the field of shape design for new products , it is tried to propose a procedure to find the best fitted design to customer’s desire using genetic algorithm as one of the evolutionary algorithms . Important difference between this research an​d other “Genetic Algorithm” applications , is due to simultaneously optimization of a qualitative variable (like customer satisfaction ) an​d quantitative physical variable (like geometric dimensions ) as optimization goal , while the independent variable ( here , shape ) is qualitative. The method used is as this : each design o​r shape is divided into many rectangular parcels an​d then many shapes are randomly created with these parcels . then after , these designs are compared with each other in tournaments , with the criteria of similarity to “ good shapes “ an​d dissimilarity to “ bad shapes” . Good an​d bad shapes are determined through gathering customer’s coments. Finally , the best designs are proposed to designer as the output of written software. Keywords : Genetic Algorithm, evolutionary algorithms , multi-objective optimization design