A Genetic Algorithm Approach for Production Capacity Planning Depends on Workers’ Expertise with Consideration of Learning and Forgetting

Abstract

แรงงานถือเป็นปัจจัยหนึ่งที่ควรคำนึงถึงในการวางแผนการผลิต คุณลักษณะพิเศษของแรงงานคือมีการเรียนรู้และการหลงลืมตามประสบการณ์และความถี่ในการทำกิจกรรมการผลิตแบบใดแบบหนึ่ง ซึ่งส่งผลต่อกำลังการผลิตของพนักงานแต่ละคนและส่งผลต่อกำลังการผลิตรวม การวางแผนการผลิตและมอบหมายงานสำหรับองค์กรที่มีสินค้าหลากหลายและความต้องการสินค้าไม่คงที่ มีความยุ่งยากในการตัดสินใจโดยเฉพาะกับผู้วางแผนที่เป็นมนุษย์ งานวิจัยนี้นำเสนอการนำอัตราการเรียนรู้และการหลงลืมมาพิจารณากำหนดกำลังการผลิตของพนักงานในการวางแผนการผลิตและมอบหมายงานให้พนักงานแต่ละคน การมอบหมายงานที่เหมาะสมกับความเชี่ยวชาญของพนักงานจะช่วยลดเวลาที่ใช้ในการผลิตลงหรือทำให้มีกำลังการผลิตเพิ่มขึ้นได้เมื่อเทียบกับการวางแผนการผลิตด้วยนโยบายมอบหมายงานแบบตายตัว โดยงานวิจัยนี้ใช้วิธีการเชิงพันธุกรรมในการหาคำตอบหรือแผนการผลิตโดยมีเป้าหมายเพื่อกำไรสูงสุด มีการทดสอบพารามิเตอร์ของวิธีการเชิงพันธุกรรม 4 รูปแบบ ได้แก่ C4M3 C4M7 C8M3 และ C8M7 ผลการทดลองพบว่าวิธีการเชิงพันธุกรรมมีประสิทธิภาพที่ดีกว่าคือให้ผลกำไรที่สูงกว่าเมื่อเปรียบเทียบกับนโยบายการมอบหมายงานแบบตายตัว โดยรูปแบบพารามิเตอร์ที่เหมาะสมคือ C8M3 เนื่องจากมีประสิทธิภาพในการหาคำตอบที่ให้กำไรสูงสุดและใช้เวลาในการหาคำตอบน้อย

Workforce is one of the factors that should be considered in production planning. The special characteristics of workforce include learning and forgetting corresponding to experience and frequency of performing the production activity affecting capability of workers and total production capacity. The production planning and worker assignment of multiple products with time-varying demand are complicated for decision-making, especially for human planners. This research proposed the use of learning and forgetting rates to determine workforce capacity for production planning and work assignment. A suitable assignment by considering the worker’s expertise can reduce production time or increase production capacity when compared with the fixed assignment policy. A genetic algorithm was used to find the production plan with maximum profit. The parameters of genetic algorithm were tested in 4 models, i.e. C4M3, C4M7, C8M3, and C8M7. From the results showed that the proposed genetic algorithm approach had better performance than the fixed assignment policy. The suitable parameter of the genetic algorithm is C8M3 providing high performance in finding the best solution with less calculating time.