TỐI ưu hóa TIẾN TRÌNH CÔNG NGHỆ TRONG CAPP TRÊN cơ sở THUẬT TOÁN đàn KIẾN

Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV

TỐI ƯU HÓA TIẾN TRÌNH CÔNG NGHỆ TRONG CAPP
TRÊN CƠ SỞ THUẬT TOÁN ĐÀN KIẾN
OPTIMIZATION OF OPERATION SEQUENCING IN CAPP BASED ON ANT
COLONY ALGORITHM
Anh Vang Tran, Ngoc Binh Nguyen
Le Quy Don Technical University, Hanoi, Vietnam
;
TÓM TẮT
Lập quy trình công nghệ có sự trợ giúp của máy tính (CAPP) là ứng dụng máy tính trợ
giúp các nhà lập quy trình công nghệ một số công việc trong chuẩn bị công nghệ. Nó là cầu
nối giữa thiết kế có sự trợ giúp máy tính (CAD) và sản xuất có sự trợ giúp của máy tính
(CAM). Bài toán lập quy trình công nghệ là một bài toán NP khó, trong khi các thuật giải
truyền thống khó có thể cho lời giải tối ưu. Trong bài báo này, phương pháp dựa trên thuật
giải tối ưu hóa đàn kiến (ACO) đã được đề xuất để tối ưu hóa tiến trình công nghệ trong lập
quy trình công nghệ. Để đảm bảo tính khả thi của quy trình công nghệ, các quan hệ hình học,
các yêu cầu công nghệ, các tài nguyên gia công được sử dụng để tạo ma trận ràng buộc. Các
tiến trình công nghệ khả thi được tìm kiếm nhờ giải thuật tối ưu hóa đàn kiến trên cơ sở tuân
thủ các luật trong ma trận ràng buộc. Cuối cùng, là ví dụ được đưa ra để kiểm chứng tính khả
thi của phương pháp.
Từ khóa: tối ưu hóa đàn kiến, tiến trình công nghệ, lập quy trình công nghệ, CAPP, lập
quy trình công nghệ có sự trợ giúp của máy tính.
ABSTRACT
Computer-aided process planning (CAPP) is the computer application to assist process
planners in the planning functions. It is an important interface between computer-aided design
(CAD) and computer-aided manufacturing (CAM) in computer integrated manufacturing
(CIM) systems. The process planning problem has been proved to be a NP-hard problem,
while the traditional algorithms cannot solve this problem very well. In this paper, a new
method based on ant colony optimization algorithm (ACO) was proposed to optimize the
decision-making problems of the operation sequencing in process planning. In order to ensure

the feasibility of the operation sequence, the geometrical and technological requirements and
available machining resources were used to create the rules constraints matrix. All the
candidate operations in the solution matrix were searched through ACO under search rules
constraints so as to find the optimal procedure sequence. Finally, an experiment was presented
to verify the feasibility of this method.
Keywords: Ant colony optimization, Operation sequencing, Process planning, CAPP,
Computer-aided process planning.
1. GIỚI THIỆU
Chuẩn bị công nghệ (Process Planning - PP), hay nói hẹp hơn, thiết kế quy trình công
nghệ là một quá trình ra quyết định. Khi cần đưa ra một giải pháp công nghệ, nhà công nghệ
phải dựa trên hàng loạt các thông số đầu vào, như chủng loại và thông số kỹ thuật của máy;
chủng loại, kích thước và vật liệu dao; kích thước, hình dạng và vật liệu phôi; các yêu cầu kỹ
thuật của chi tiết gia công; các yêu cầu kinh tế và xã hội; điều kiện sản xuất, bí quyết và truyền
thống công nghệ,... Giải pháp công nghệ được đưa ra và tính hiệu quả của nó phụ thuộc rất
87


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
nhiều vào trình độ, trạng thái tâm sinh lý của nhà công nghệ. Phương pháp chuẩn bị công nghệ
truyền thống mang nặng tính chủ quan và trên thực tế không mấy khi cho giải pháp tối ưu.
Chuẩn bị công nghệ có sự trợ giúp của máy tính (Computer Aided Process Planning - CAPP)
khắc phục được các nhược điểm của phương pháp truyền thống, nâng cao chất lượng quy
trình công nghệ và rút ngắn thời gian của các nhà lập quy trình công nghệ, là cầu nối giữa
thiết kế có sự trợ giúp của máy tính (Computer Aided Design – CAD) và sản xuất có sự trợ
giúp của máy tính (Computer Aided Design – CAM). Bài toán lập tiến trình công nghệ là một
trong những vấn đề quan trọng khi nghiên cứu về CAPP, nó không chỉ phụ thuộc bởi máy,
dao, đồ gá, yêu cầu công nghệ mà còn cả yếu tố kinh nghiệm sản xuất [1]. Vì vậy đây là một
bài toán phi tuyến, hàm mục tiêu và các điều kiện ràng buộc lại không thực sự là các yếu tố
định lượng rõ ràng, vì vậy nếu giải bài toán này bằng các giải thuật truyền thống là thực sự
khó khăn và cho kết quả không tối ưu [2].

Những năm gần đây sử dụng các giải thuật thông minh trong bài toán tối ưu hóa tiến
trình công nghệ đã được nhiều nhà nghiên cứu quan tâm. G. Nallakumarasamy trong nghiên
cứu của mình đã mô tả tiến trình công nghệ như đường đi Hamilton mà ở đó mỗi nguyên công
là một đỉnh, sử dụng giải thuật luyện thép tìm tiến trình công nghệ tối ưu với hàm mục tiêu là
giá thành thấp nhất [3]. Lee và Dong-Ho cũng đã sử dụng giải thuật tìm kiếm Tabu để tìm tiến
trình công nghệ tối ưu, đồng thời so sánh với giải thuật luyện thép và kết luận giải thuật tìm
kiếm theo bảng Tabu cho kết quả nhanh hơn [4]. Liu Z và Wang L trong công bố của mình lại
sử dụng phương pháp suy luận dựa trên cơ sở tri thức để tự động lập tiến trình công nghệ [5].
Nhóm nghiên cứu của Yuliang Su và nhóm của Young Su Yun lại sử dụng cách tiếp cận dùng
giải thuật di truyền để tìm kiếm tiến trình công nghệ tối ưu [1,6].
Phương pháp tối ưu hóa đàn kiến (Ant Colony Optimazation – ACO) là một phương
pháp metaheuristic mới với nhiều ưu điểm đang được nhiều người quan tâm để giải bài toán
tối ưu hóa tổ hợp [7]. Ứng dụng thuật toán tối ưu hóa đàn kiến trong tự động lập tiến trình
công nghệ cũng đã được Alluru Gopala Krishna và cộng sự nghiên cứu, tuy nhiên trong
nghiên cứu này các tác giả chưa đề cập đến vấn đề biểu diễn thông tin chi tiết, chưa xét các
ràng buộc về quan hệ hình học giữa các đối tượng trong chi tiết [8]. Trong bài báo này, nhóm
tác giả sẽ trình bày về ứng dụng giải thuật ACO để tự động lập tiến trình công nghệ cho nhiều
chi tiết, sản xuất loạt nhỏ với hàm mục tiêu là giá thành thấp nhất. Thông tin chi tiết sẽ được
biểu diễn theo quan điểm hướng đối tượng, các ràng buộc hình học giữa các đối tượng, các
chi phí trong quá trình gia công cũng sẽ được tính đến.
2. BIỂU DIỄN THÔNG TIN CHI TIẾT
Chúng ta đã nói về sự cần thiết phải liên kết CAD với CAM và mong muốn CAPP thực
hiện được chức năng của nó, là cầu nối giữa CAD và CAM. Thực tế, CAPP chưa tận dụng
được dữ liệu của CAD như CAM đã làm. Có thể chia các phần mềm CAD hiện nay làm 2
loại: non-feature-based và feature-based mà chúng tôi tạm gọi là không hướng đối tượng và
hướng đối tượng. Đối tượng (Feature) ở đây được hiểu là phần tử cơ sở của chi tiết máy,
được hình thành từ các đường, điểm, bề mặt thông qua các ràng buộc hình học. Lập trình gia
công cho máy CNC trên phần mềm CAM hiện nay ngoài phương pháp lập trình truyền thống
là chỉ định các vùng gia công thì cũng xuất hiện phương pháp lập trình mới trên cơ sở các
feature (feature based), chính vì vậy thông tin của các feature trong CAD là rất quan trọng cho

đầu vào của CAPP. Cho đến nay, chưa có phần mềm nào cho phép chuyển thẳng dữ liệu của
CAD sang quy trình công nghệ theo kiểu như các phần mềm CAM tự động tạo ra chương
trình NC. Lý do chính là dữ liệu dùng cho CAPP rất phức tạp, trong đó có rất nhiều loại
không thể biểu diễn trực tiếp thông qua các đối tượng hình học của CAD. Vì lý do đó, một
cách để biểu diễn thông tin chi tiết làm đầu vào cho CAPP có thể tự định nghĩa các feature để
mô tả các đối tượng gia công với đầy đủ thông tin mà CAPP cần, sau đó mới tách các feature
để thiết lập các nguyên công công nghệ.

88


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
2.1. Đối tượng gia công
Trên một chi tiết nếu về phương diện thiết kế trên CAD hướng đối tượng thì chi tiết
được tạo ra bởi các feature như extrude, revole, hole, slot,… Tuy nhiên, khi xét trong bài toán
chuẩn bị công nghệ thì không phải tất cả các feature đều được chọn để gia công, những
feature được chọn để gia công ta tạm gọi là feature gia công hay có thể gọi là đối tượng gia
công như bề mặt, lỗ, rãnh, bậc,… (khác với các feature thiết kế). Một đối tượng gia công ta có
thể định nghĩa bởi bốn thuộc tính như sau.

Fi = ( ID, Fe , A, M a , f i )
Trong đó:
F i biểu diễn đối tượng gia công thứ i của chi tiết;
ID biểu diễn mã của đối tượng gia công;
F e biểu diễn đối tượng gia công thuộc loại nào (bề mặt, lỗ, rãnh,…);
A biểu diễn độ chính xác gia công;
M a biểu diễn vật liệu;
f i biểu diễn nguyên công, hay bước nguyên công thứ i trong bảng tiến trình công nghệ
của đối tượng gia công.
2.2. Phần tử gia công

Căn cứ vào vật liệu của chi tiết, hình dáng của đối tượng gia công, yêu cầu công nghệ
mỗi đối tượng gia công F i có thể được tạo bởi một chuỗi các nguyên công hoặc bước
nguyên công khác nhau như phay thô, phay tinh, mài thô, mài tinh,… mỗi bước này ta tạm
gọi là phần tử gia công, như vậy fi = { fi1 , fi 2 ,..., fii ,..., fij} . Ở đây, f ij là một phần tử gia công
của đối tượng gia công F i . Tiến trình công nghệ gia công chi tiết chính là tiến trình thực
hiện của các phần tử gia công được sắp xếp theo một trình tự hợp lý. Để thuận tiện, ta gọi F
là tập hợp các phần tử gia công và f i là phần tử gia công thứ i thì F = { f1 , f 2 ,..., fi ,..., f n } , n
là số các phần tử gia công.
Một số quy ước đối với một phần tử gia công như sau:
(1) Một phần tử gia công chỉ thuộc về một đối tượng gia công, có thể là một nguyên
công hoặc một bước nguyên công.
(2) Một phần tử gia công chỉ sử dụng duy nhất một dao cụ khi gia công.
(3) Một phần tử gia công chỉ gia công trong một lần gá đặt.
(4) Một phần tử gia công chỉ dùng duy nhất một phương pháp gia công.
Các phần tử gia công ràng buộc với nhau tuân theo quan hệ hình học của các feature và
phương pháp gia công:
(1) Quan hệ hình học: Hai feature có quan hệ trên dưới thì feature nào ở trên ưu tiên gia
công trước, hai feature có quan hệ giao nhau thì feature có thể tích lớn hơn ưu tiên gia công
trước, hai feature có quan hệ kiểu bậc thì bậc cao hơn ưu tiên gia công trước [9].
(2) Quan hệ theo phương pháp gia công: Trình tự gia công thường từ thô -> bán tinh ->
siêu tinh -> đánh bóng, phay và tiện; và khoan thường gia công trước mài.
Để biểu diễn mối quan hệ giữa các các phần tử gia công i và j ta sử dụng một ma trận
gọi là ma trận quan hệ biểu diễn như sau:

89


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV

 r11

r
R =  21


 rn1

r12
r22


,
,

rn 2

,

r1n 
r2 n 
trong đó rij = {0,1} rij = 1


0

rnn 

i truoc j
i sau j

(1)

Các phần tử gia công được sắp xếp theo một tiến trình hợp lý trước hết phải thỏa mãn
ma trận quan hệ này.
3. TỐI ƯU HÓA TIẾN TRÌNH CÔNG NGHỆ NHỜ THUẬT TOÁN ACO
3.1. Mục tiêu tối ưu hóa
Khi lập tiến trình công nghệ, các nhà công nghệ luôn mong muốn lập một tiến trình gia
công mà thời gian gia công là ngắn nhất, chi phí gia công là nhỏ nhất và chất lượng cao nhất.
Trong bài báo này, tác giả xét hàm mục tiêu của bài toán tối ưu hóa là yếu tố chi phí gia công
thấp nhất. Chi phí gia công một chi tiết bao là tổng chi phí gia công các phần tử gia công cộng
với chi phí khi chuyển từ phần tử này sang phần tử khác. Số lượng các phần tử gia công trên
chi tiết là không thay đổi, do đó chi phí gia công các phần tử trên mỗi chi tiết là cố định, như
vậy muốn giảm chi phí gia công ta chỉ có thể giảm chi phí do chuyển đổi từ phần tử gia công
này sang phần tử khác.
Chúng ta sử dụng một ma trận chi phí biểu diễn chi phí khi chuyển các phần tử gia
công. Trong quá trình thực hiện chuyển giữa các phần tử chủ yếu phát sinh những vấn đề sau:
chi phí thay đổi máy móc, chi phí thay đổi đồ gá, chi phí thay dao. Giả sử các chi phí đó là
C1，C2，C3 và chi phí tổng là C, chi phí khi chuyển từ phần tử gia công thứ i sang phần tử
gia công thứ j là C ij; khi đó C = C1 + C2 + C3 . Ma trận chi phí có thể được biểu riễn như sau:
 C11 C12
C
C22
C =  21
 


Cn1 Cn 2

,
,
,

C1n 
C2 n 
 

Cnn 

(2)

Sử dụng giải thuật tối ưu hóa đàn kiến để giải bài toán tối ưu hóa tiến trình công nghệ,
các cá thể kiến sẽ đi qua các đỉnh, khoảng cách giữa các đỉnh là hợp của hai ma trận quan hệ
R và ma trận chi phí C, đây là một bài toán tối ưu hóa NP. Ma trận quan hệ và ma trận chi phí
được hợp thành một ma trận gọi là ma trận “khoảng cách” F theo quy luật như sau: Nếu r ij =0
thể hiện đối tượng gia công thứ i đứng trước đối tượng gia công thứ j, khi đó không tồn tại chi
phí gia công, C ij =0，f ij =0. Nếu r ij khác 0, chi phí gia công f ij =C ij . Ma trận “khoảng cách”

cuối cùng sẽ là:
 f11
f
F =  21
 

 f n1

f12

,

f 22

,


fn2

,

f1n 
f 2 n 
 

f nn 

(3)

Giải thuật tối ưu hóa đàn kiến (ACO) lấy cảm hứng từ việc mô phỏng hành vi trong quá
trình tìm mồi của đàn kiến tự nhiên để giải quyết các bài toán tối ưu hóa phức tạp được giới
thiệu lần đầu tiên vào năm 1991 bởi A. Colorni và M.Dorigo [7]. Một trong những bài toán
kinh điển ứng dụng ACO là bài toán người bán hàng (Travelling Salesman Problem –TSP),
nội dung của nó được phát biểu như sau: Cho một danh sách các thành phố và khoảng cách
giữa chúng, nhiệm vụ là phải tìm đường đi ngắn nhất có thể từ điểm xuất phát chỉ thăm mỗi
thành phố đúng 1 lần. Ứng dụng vào bài toán tìm tiến trình công nghệ tối ưu được mô tả như
90


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
sau: Cho một loạt các phần tử gia công và chi phí chuyển đổi giữa chúng, tìm tiến trình sao
cho chi phí là nhỏ nhất, mỗi phần tử chỉ được thực hiện duy nhất một lần. Trong quá trình tìm
tiến trình công nghệ tối ưu, nhóm nghiên cứu sử dụng ma trận F đóng vai trò như là ma trận
“khoảng cách” giữa các thành phố trong bài toán TSP, hàm mục tiêu là quãng đường ngắn

nhất, có thể được biểu diễn như sau:
f (distance) =

i =1

∑

j= n −1

(4)

f ij

Ở đây, f ij biểu diễn chi phí khi chuyển giữa phần tử gia công thứ i và phần tử gia công
thứ j.
3.2. Giải thuật ACO tìm tiến trình công nghệ tối ưu
3.2.1. Kiểm tra điều kiện
Trước hết ta xây dựng các con kiến nhân tạo xuất phát từ các đỉnh, giả sử con kiến k ở
đỉnh i lựa chọn đỉnh j kế tiếp trước hết phải thỏa mãn điều kiện ràng buộc trong ma trận
“khoảng cách“ F sau đó sẽ tuân theo quy luật xác suất. Nếu giá trị “khoảng cách“ f ij biểu diễn
chi phí khi chuyển giữa phần tử gia công thứ i và phần tử gia công thứ j là khác 0 thì con kiến
nhân tạo mới có thể lựa chọn đỉnh j là đỉnh kế tiếp theo quy luật xác suất, ngược lại lựa chọn
này sẽ bị hủy.
3.2.2. Xây dựng lời giải
Quy tắc tìm kiếm của thuật toán mô tả như sau: Con kiến nhân tạo có thể sinh ra vết mùi
trên đường đi từ phần tử gia công này đến phần tử gia công khác và khả năng tìm đường đi
ngắn nhất theo nồng độ mùi ở cạnh nào cao hơn. Pij k là xác suất con kiến k đang ở phần tử gia
công i sẽ lựa chọn phần tử j là phần tử tiếp theo sẽ đi đến. Với mỗi cạnh (i,j) thì có nồng độ
vết mùi τ ij và thông tin heuristic ηij trên cạnh đó.
 (τ ij )α (ηij ) β

if j ∈ Nik

 ∑ (τ ik )α (ηik ) β
k
Pij =  k
 j∈Ni

otherwise
0

(5)

Trong đó:
τ ij : Nồng độ vết mùi trên cạnh i, j;
N ik : Tập các phần tử gia công láng giềng của phần tử i mà con kiến k sẽ đi qua;

α、β : Hệ số điều chỉnh ảnh hưởng của τ ij và ηij ;
ηij : Thông tin hauristic giúp đánh giá chính xác lựa chọn của con kiến khi quyết định đi

từ phần tử gia công i đến phần tử j, được xác định theo công thức ηij

=

1
dij

;

d ịj : “khoảng cách” chi phí giữa phần tử gia công i và phần tử j.
3.2.3. Cập nhật mùi

Trong quá trình các con kiến tìm đường đi, sau mỗi vòng lặp, vết mùi trên mỗi cạnh sẽ
được cập nhật lại, vì chúng bị biến đổi do quá trình bay hơi cũng như quá trình tích lũy mùi
khi các con kiến đi trên cạnh đó. Công thức tính bay hơi mùi như sau:

τ ij (t + 1) = (1 − ρ )τ ij (t )
91

(6)


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
Trong đó, 0 < ρ ≤ 1 là tỷ lệ bay hơi mùi, tham số ρ được dùng để tránh sự tích lũy
không có giới hạn của các vết mùi và nó làm cho thuật toán quên đi những quyết định tồi ở
bước trước. Nếu một cạnh không được chọn bởi bất kỳ con kiến nào thì cường độ mùi của nó
sẽ bị giảm theo hàm mũ của số vòng lặp. Sau khi bay hơi mùi, tất cả các con kiến sẽ tăng
cường mùi cho những cạnh mà chúng sẽ đi qua theo công thức:
m

τ ij (t + 1)= τ ij (t ) + ∑ ∆τ ikj (t )

(7)

k =1

1/ C k
Trong đó ∆τ ijk (t) =
nếu con kiến k đi qua nguyên công i đến j và ngược lại, Ck là

0
quãng đường mà con kiến k đã đi qua.

4. THỰC NGHIỆM
Để làm rõ cho những vấn đã trình bày ở phần trên, trong phần này tác giả lấy một chi
tiết đơn giản có 6 đối tượng gia công (6 feature), căn cứ vào bản vẽ và yêu cầu công nghệ 6
đối tượng gia công sẽ có 8 phần tử gia công.

F6
F2

F5

F3

F4

F1

Hình 1: Chi tiết thực nghiệm
Toàn bộ 6 đối tượng gia công trên chi tiết bao gồm: Mặt phẳng F1 và F5, các đối tượng
lỗ bao gồm F3-F4-F6, đối tượng trụ tròn ngoài F2. Thông tin của các đối tượng gia công được
biểu diễn trong Bảng 1.
Bảng 1. Thông tin các đối tượng gia công
Mã đối tượng GC Loại

Đường kính Độ sâu Cấp chính xác Độ nhám Vật liệu

F1

Mặt phẳng

7

F2

Tròn ngoài Ø50

7

F3

Lỗ

Ø12

10

7

6.3

45

F4

Lỗ

Ø12

10

7

6.3

45

F5

Mặt phẳng

6

3.2

45

F6

Lỗ

5

1.2

45

Ø30

35

3.2

45
45

Tám phần tử gia công của chi tiết và phương pháp gia công cho từng phần tử như trong
Bảng 2. Trong bài bào này, quyết định phương pháp gia công cho từng phần tử gia công
không được đề cập đến, đây là một bài toán khó có thể sử dụng logic mờ, mạng nơ-ron hay hệ
chuyên gia.

92


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
Bảng 2. Thông tin các phần tử gia công
Đối tượng gia công
Mã

Phần tử gia công

Loại

Mã

PP gia công

Máy

f1

Phay thô F1

Phay CNC

f2

Phay tinh F1

Phay CNC

Tròn ngoài

f3

Tiện F2

Tiện CNC

F3

Lỗ

f4

Khoan lỗ F3

Phay CNC

F4

Lỗ

f5

Khoan lỗ F4

Phay CNC

F5

Mặt phẳng

f6

Phay thô F5

Phay CNC

f7

Phay tinh F5

Phay CNC

F6

Lỗ

f8

Phay lỗ F6

Phay CNC

F1

Mặt phẳng

F2

Chú ý

Căn cứ vào bản vẽ chi tiết, các thông tin của các đối tượng và phần tử gia công ta có thể
lập được ma trận quan hệ giữa các phần tử gia công R. Trong thực tế, các chi phí máy gia
công, đổi gá, thay dao cụ khi gia công các phần tử gia công là khác nhau, tuy nhiên tìm tiến
trình công nghệ tối ưu để đơn giản hóa bài toán ta giả sử các chi phí đó là cố định như sau:
C1=50, C2=10, C3=5 dựa vào phân tích, ta có thể lập ma trận chi phí C.
0
0

0

0
R =
0

0
0

 0

1
0

1
1

1
1

1
1

1
1

1
1

0
0
0

0
0
0

1
0
0

1
1
0

0
0
0

0
0
0

1
0

1
1

1
0

1
0

0
0

1
0

0

0

0

0

0

0

1
1 
0

0
1

1
1

0 

0
10

65

15

C=
15

10
15

15

10 65 15 15 10 15 15 
0 65 15 15 15 15 15 
65 0 65 65 65 65 65

15 65 0 0 5 5 5 
15 65 0 0 5 5 5 

15 65 5 5 0 5 5 
15 65 5 5 5 0 5 

15 65 5 5 5 5 0 

Kết hợp hai ma trận R và C trên theo quy tắc đã nêu ở phần trên ta sẽ thu được ma trận
“khoảng cách” F như sau:
0 10 65 15 15 10 15 15
0 0 65 15 15 15 15 15


0 0 0 65 65 0 0 0 


0 0 0 0 0 0 0 0


F=
0 0 0 0 0 0 0 0 


0 15 65 5 5 0 5 5 
0 0 65 0 0 0 0 5 


0 0 0 0 0 0 0 0 

Sau khi có ma trận F, ta nhập vào phần mềm và tiến hành tối ưu hóa. Chi tiết có 8 phần
tử gia công nên khi áp dụng giải thuật ACO ta chọn số lượng kiến nhân tạo là 80, mỗi đỉnh là
một phần tử gia công ta đặt ngẫu nhiên 10 cá thể kiến, mỗi con kiến tiến hành xây dựng lời
giải riêng của nó bằng cách chọn phần tử kế tiếp để đi tuân theo quy luật xác suất và quy luật
ràng buộc đã nêu ở trên. Quá trình thực nghiệm được tiến hành trên phần mềm Matlab2015a
và phần mềm CAPP do nhóm nghiên cứu phát triển dựa trên nền website. Cả hai kết quả đều
thu được tiến trình công nghệ tối ưu như sau: f 1 → f 6 → f 2 → f 7 → f 3 → f 4 → f 5 → f 8
với tổng chi phí là 174.

93


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV

Hình 2: Thực nghiệm trên phần mềm CAPP
Khi thử nghiệm trên phần mềm Matlab2015a, nhóm nghiên cứu cũng thử dùng giải
thuật GA với kích thước quần thể 80, xác suất lai ghép là 0.9, xác suất đột biến là 0.1. Kết quả
cũng cho ra kết quả tiến trình công nghệ và tổng chi phí giống như khi dùng giải thuật ACO,
tuy nhiên thời gian tính toán mất 25 giây, trong khi đó giải thuật ACO thời gian tính toán là

12 giây. Như vậy, rõ ràng sử dụng giải thuật ACO tối ưu hơn so với dùng giải thuật GA.
5. KẾT LUẬN
CAPP là cầu nối giữa CAD và CAM, về bản chất CAPP là hệ thống trợ giúp ra quyết
định. Phần lớn các dữ liệu dùng cho CAPP là không hoàn toàn chính xác, không có tính định
lượng cao. Kinh nghiệm, phương pháp tư duy của các nhà công nghệ rất cần được kế thừa,
truyền cho máy tính. Vì vậy, ứng dụng trí tuệ nhân tạo vào cho một số nội dung của CAPP là
thích hợp. Trong rất nhiều nội dung của CAPP bài báo đã trình bày cách tiếp cận sử dụng
thuật toán tối ưu hóa đàn kiến để tìm tiến trình công nghệ tối ưu. Những kết quả nghiên cứu
ban đầu cho thấy tiến trình công nghệ được tìm ra nhanh, tuy nhiên việc thiết lập ma trận
“khoảng cách” cho chi tiết còn phức tạp, nhất là với các chi tiết có nhiều đối tượng gia công.
Do CAPP là hệ thống phức tạp, việc ứng dụng các công nghệ mới, công cụ mới vào đây
không thể thực hiện chỉ trong một đề tài nhỏ. Hướng nghiên cứu tiếp theo của nhóm tác giả là
bổ sung thêm các ứng dụng của trí tuệ nhân tạo, lập các kho tri thức về công nghệ, liên kết
CAPP với các chức năng và công nghệ tiên tiến nhất của CAD/CAM hiện đại.
TÀI LIỆU THAM KHẢO
[1] Yun Y, Moon C. Genetic algorithm approach for precedence-constrained sequencing
problems[J]. Journal of Intelligent Manufacturing, 2011, 22 (3): 379-388.
[2] Ma G, Zhang F. Genetic Algorithms for Manufacturing Process Planning. In: Chiong R,
Weise T, Michalewicz Z, editors. Variants of Evolutionary Algorithms for Real-World
Applications. Springer Berlin Heidelberg, 2012: 205-244.
94


Kỷ yếu hội nghị khoa học và công nghệ toàn quốc về cơ khí - Lần thứ IV
[3] Nallakumarasamy G, Srinivasan PSS, Venkatesh Raja K, et al. Optimization of operation
sequencing in CAPP using simulated annealing technique (SAT)[J]. The International
Journal of Advanced Manufacturing Technology, 2011, 54 (5-8): 721-728.
[4] Lee D-H, Kiritsis D, Xirouchakis P. Search heuristics for operation sequencing in process
planning[J]. International Journal of Production Research, 2001, 39 (16): 3771-3788.
[5] Liu Z, Wang L. Sequencing of interacting prismatic machining features for process

planning[J]. Computers in Industry, 2007, 58 (4): 295-303.
[6] Su Y, Chu X, Chen D, et al. A genetic algorithm for operation sequencing in CAPP using
edge selection based encoding strategy[J]. Journal of Intelligent Manufacturing, 2015: 120.
[7] Marco Dorigo TS. Ant Colony Optimization[J]. MIT Press, 2005.
[8] Gopala Krishna A, Mallikarjuna Rao K. Optimisation of operations sequence in CAPP
using an ant colony algorithm[J]. The International Journal of Advanced Manufacturing
Technology, 2006, 29 (1-2): 159-164.
[9] T. A. Vang PYJ. Using Ontology and Rule-Based Reasoning for Supporting Automatic
Process Plan for Milling Prismatic Parts[J]. Applied Mechanics and Materials, 2011, 127.

95