公部门机关全面品质管理与服务品质满意度之研究-环球科技大学企管.doc

多品質目標製程最佳化演算法 王〇〇 　環球科技大學企業管理系 鍾〇〇* 雲林科技大學工業工程與管理系640雲林縣斗六市嘉東里鎮南路1221號 E-mail: 〇〇@twu.edu.tw (通訊作者) 摘　要 現今複雜的製造程序中，企業經常需要同時最佳化多個品質特性，因此急需建立一套有效的方法，來找出同時兼顧多品質特性的製程最佳化參數組合；本研究目的即是快速解決多品質目標製程最佳化的問題。所提出方法是改良比例分配多目標粒子群演算法模型，Improved Proportional Distribution for Multi- Objective Particle Swarm , (IPD-MOPSO)，可以適用於二個目標以上的多目標最佳化上，並同時加入次佳解機制。研究發現所搜尋出的非凌駕解能分佈更廣，而且避免掉落入局部最佳解，可獲得柏拉圖最佳解群體。實例驗證結果顯示，提供的新演算法，使用於二個目標以上的最佳化問題，皆能更均勻逼近柏拉圖前緣的柏拉圖最佳解集合。對多品質目標製程最佳化的問題，能提供工程師快速獲得最佳參數組合，對高科技產業多品質特性最佳化有顯著貢獻與效益。 關鍵詞：多品質特性、多目標最佳化、演算法 1. 緒論 1.1 研究背景 現今複雜的製造程序中，顧客愈來愈多的要求之下，企業經常需要同時最佳化多個反應品質特性，而不是一次最佳化單一反應；尤其是在化學工業、食品工業及半導體產業等，必須有一套有效的方法找出同時兼顧多品質特性的製程最佳化參數組合。傳統最佳化方法有透過實驗設計(Design of experiments, DOE)；應用此方法，需要數學計算較為繁複，對於未受過相當統計訓練的工程人員，於實務應用上有其困難性。田口方法直交表(Orthogonal arrays, OAs)，雖然具有簡單易懂且節省實驗成本的優點，但直交表實驗所獲得的實驗數據僅限於因子水準點的組合，無法對隱藏於水準與水準間的連續值做估計。近來反應曲面法(Response surface methodology, RSM)也常應用在參數最佳化，RSM方法依據實驗來建構製程統計模型，通常是迴歸模型。但是在實際的參數最佳化問題中，系統中的輸入與輸出信號之間通常存在著高度複雜的非線性對應關係，因此迴歸模型不易準確估計。近年來很多學者使用導傳遞類神經網路來建立參數與多品質特性之間的關係，但導傳遞類神經網路其需要繁雜的參數設定，因此也造成使用上的不便。 有鑑於多品質特性製程最佳化，在於現今工業製程的需求與重要性愈來愈大；然而目前求解方法略為複雜，因此協助工程師發展一套可以快速找到各種不同品質特性製程最佳化，更顯得重要性及迫切的必要性。欲在多個製程操作參數與品質特性間，找出最佳參數來生產符合品質的產品，是為多目標最佳化問題。要快速找到製程參數最佳化的參數解集合，同時對快速找到多種不同品質特性最佳化，在現今複雜的製造程序中，是值得探討的議題，正是本研究所要探討的主題與範圍。 1.2研究動機與目的 對於多品質特性製程參數最佳化問題，欲在多個製程操作參數與品質特性間，找出最佳參數來生產符合品質的產品。為了要解決前述的多目標最佳化問題，本研究將以廣義迴歸類神經網路(General regression neural network, GRNN)建立一有效的預測系統，用來建立參數與品質特性之關係，只需設定一個參數的廣義迴歸類神經網路來建立參數與多品質特性間的關係。再以改良比例分配多目標粒子群演算法(Improved Proportional Distribution for Multi-Objective Particle Swarm Optimization, IPD-MOPSO)來進行最佳化參數搜尋，以快速找到製程參數的最佳參數解集合。因此本研究主要目的為下︰ 利用多品質製程參數最佳化之田口直交表資料來建立一有效的廣義迴歸類神經網路(GRNN)，此廣義迴歸類神經網路將呈現多品質特性之製程參數與品質特性間的關係。 提供一整合廣義迴歸類神經網路與比例分配多目標粒子群演算法之人工智慧工具。利用比例分配多目標粒子群演算法找出多品質特性製程之最佳參數以供實際生產時的設定參考與使用。 針對比例分配多目標粒子群演算法進行改良，將原先只適用於二個目標的多目標比例分配粒子群演算法之群聚距離(Crowding distance)的計算，擴展使能適用於二個目標以上的型式，並且加入了次佳解(Second solution)機制之改良式比例分配多目標粒子群演算法，進行求得柏拉圖最佳解集合。 本論文在文獻探討中對多品質特性最佳化問題、類神經網路及廣義迴歸類神經網路、粒子群最佳化、柏拉圖最佳化、多目標演化演算法等進行探討，在研究方法中則建構IPD-MOPSO模型步驟流程詳細解說，最後兩個實例驗