An Offset Vector-Based Genetic Algorithm for Painted Body Storage Resequencing

في عالم تصنيع السيارات الحديث، النابض بالحركة والضجيج، تبدو الرحلة من صفيحة معدنية فارغة إلى مركبة جاهزة وكأنها سباق تتابع مُنسق بدقة شديدة. تبدأ الرحلة في ورشة الكبس، ثم تنتقل عبر اللحام، لتصل بعد ذلك إلى ورشة الطلاء، حيث تُطلى السيارات بألوانها النهائية. وهنا، ينشأ صراع جوهري؛ فمن أجل توفير المال والوقت، يفضل الرسامون تجميع السيارات ذات اللون الواحد معاً، وتغيير الألوان بأقل قدر ممكن. ومع ذلك، فإن خط التجميع الذي يستلم هذه السيارات المصبوغة لديه احتياجات مختلفة؛ فهو يتطلب مزيجاً متوازناً ومستمراً من الطرازات والميزات المختلفة لإبقاء كل عامل مشغولاً وضمان حركة الخط بسلاسة. فإذا وصلت السيارات بترتيب مُحسّن من حيث اللون، فقد يتوقف خط التجميع بانتظار قطعة أو طراز معين. ولحل هذه المشكلة، تستخدم المصانع منطقة انتظار تُعرف بنظام تخزين الهياكل المصبوغة. تعمل هذه المنطقة كحيز مؤقت لتخزين السيارات، حيث يمكن إعادة ترتيبها ثم إرسالها بترتيب جديد يلبي احتياجات خط التجميع دون إهدار كفاءة الرسامين.

يكمن التحدي الذي يواجه المهندسين في إيجاد أفضل طريقة لتحريك هذه السيارات داخل منطقة التخزين تلك. إنها لغز لوجستي معقد: تحديد أي سيارة تذهب إلى أي مسار، ومتى يتم تحريكها، وكيفية استخدام مسار عودة خاص يسمح بإعادة إرسال السيارة إلى الطابور لإعادة الترتيب. إذا كان النظام جامداً للغاية، فلن تتمكن السيارات من إعادة الترتيب بما يكفي لمساعدة خط التجميع. وإذا كان مرناً للغاية، فستقضي الآلات وقتاً طويلاً في تحريك السيارات، مما يهدر الوقت والطاقة. لسنوات طويلة، اعتمدت المصانع على الخبرة البشرية أو القواعد الحاسوبية الأساسية لإدارة هذا التدفق، ولكن مع زيادة تخصيص الإنتاج وارتفاع أحجامه، تكافح هذه الأساليب التقليدية لإيجاد التوازن المثالي.

لقد تصدى فريق من الباحثين من كلية تشنغتشو المهنية للتمويل والضرائب لهذه المشكلة بمنهج جديد مصمم لإيجاد المسار الأكثر كفاءة عبر هذا المتاهة اللوجستية. فقد طوروا طريقة حاسوبية متطورة تتعامل مع المشكلة ليس فقط كقائمة من السيارات المراد ترتيبها، بل كسلسلة من الإزاحات الصغيرة والمحسوبة في المواقع. وبدلاً من محاولة تخمين الترتيب المثالي من الصفر، يبدأ نظامهم، المسمى "الخوارزمية الجينية المحسنة مع متجه الإزاحة" (Enhanced Genetic Algorithm with Offset Vector)، بالترتيب الحالي ويتساءل سؤالاً بسيطاً: ما مقدار الحركة التي تحتاجها كل سيارة للأمام أو للخلف لجعل الخط بأكولو يعمل بشكل أفضل؟

وجد الباحثون أن الطرق الحاسوبية السابقة كانت تتعثر غالباً لأنها تعاملت مع المشكلة بشكل عشوائي للغاية. فقد كانوا يولدون آلاف الترتيبات الممكنة للسيارات، آملين في العثور بالصدفة على ترتيب جيد، لكن هذه العملية كانت بطيئة وغالباً ما تؤدي إلى حلول تتطلب مناورات معقدة للغاية، مثل إرسال الكثير من السيارات عبر مسار العودة. يغير المنهج الجديد طريقة "تفكير" الحاسوب في المشكلة؛ فهو يستخدم نظام الإزاحات (offsets)، وهي في الأساس أرقام تخبر الحاسوب بمدى إزاحة كل سيارة عن مكانها الأصلي. ومن خلال التركيز على هذه الإزاحات، يمكن للخوارزمية استكشاف مساحة الحلول بذكاء أكبر. فهي تتعلم تفضيل التعديلات الصغيرة والفعالة التي تحافظ على حركة السيارات بسلاسة، مع السماح أيضاً بتغييرات كبيرة عندما تكون ضرورية جداً لمعالنة اختناق رئيسي.

ولجعل عملية البحث هذه أسرع، أضاف الباحثون طبقة من التوجيه بناءً على معرفتهم بالحدود الفيزيائية للمصنع. فقد برمجوا النظام ليفهم أن التحركات الصغيرة هي عموماً أفضل وأرخص من التحركات الكبيرة، لذا فهو يميل طبيعياً نحو الحلول التي تتطلب تغييرات جذرية أقل. يعمل هذا التوجيه مثل البوصلة، حيث يوجه الحاسوب بعيداً عن الطرق المسدودة ونحو المناطق الواعدة في مساحة الحلول بشكل أسرع بكثير من ذي قبل. اختبر الفريق هذا المنهج الجديد باستخدام مجموعتين ضخمتين من البيانات الواقعية من ورش عمل فعلية للسيارات، إحداهما تحتوي على 10,000 سيارة والأخرى على 1,000 سيارة. وقارنوا نتائجهم مع طرق الجدولة القياسية وغيرها من الخوارزميات الحاسوبية المتقدمة.

كانت النتائج واضحة ومتسقة؛ فقد أنتج المنهج الجديد باستمرار جداول زمنية أفضل من الأساليب الحالية. وبينما لم يقلل عدد المرات التي تُرسل فيها السيارات عبر مسار العودة مقارنة بالخوارزمية الجينية القياسية — بل أظهرت البيانات زيادة طفيفة في استخدام مسار العودة — إلا أن المنهج الجديد نجح في موازنة ذلك مقابل عوامل حاسمة أخرى. لقد حسن المنهج الجديد جودة الجدول الزمني بشكل كبير من خلال معالجة انتهاكات التباعد الهجين وموازنة نوع القيادة بشكل أفضل، محققاً في النهاية درجة إجمالية أعلى. لقد تمكن من دمج عمليات مسار العودة الضرورية بشكل أكثر فعالية، مما ضمن أن يكون مزيج السيارات الواصلة إلى خط التجميع متوازناً تماماً. وفي الاختبارات التي شملت 10,000 سيارة، حسّن المنهج الجديد جودة الجدول الزمني بهامش كبير مقارنة بالخوارزمية الجينية القياسية والأساليب رفيعة المستوى الأخرى. كما حقق ذلك بسرعة أكبر، حيث وجد حلولاً عالية الجودة في وقت أقل. ولاحظ الباحثون أنه مع زيادة عدد السيارات، حافظ منهجهم على قوته بشكل أفضل من المناهج الأخرى، مما أظهر قدرته على التعامل مع التعقيد المتزايد للإنتاج عالي الحجم دون تباطؤ.

كما بحثت الدراسة في كيفية تأثير التخطيط الفيزيائي لمنطقة التخزين على النتائج. فقد اختبروا ما يحدث عند تغيير عدد مسارات الدخول وعدد أماكن التوقف المتاحة. ووجدوا أنه بينما ساعدت إضافة المزيد من المسارات والأماكن النظام في البداية على العمل بسلاسة أكبر، إلا أن هناك نقطة من تناقص العوائد؛ فبمجرد أن يمتلك النظام مساحة كافية للعمل بكفاءة، فإن إضافة المزيد من السعة الفيزيائية لا يحسن الجدول الزمني بشكل ملحوظ. وهذا يشير إلى أن المفتاح لتحقيق أداء أفضل لا يكمن فقط في بناء مناطق تخزين أكبر، بل في امتلاك برمجيات أذكى لإدارة السيارات الموجودة بالفعل.

من خلال ترجمة مشكلة جدولة معقدة إلى سلسلة من الإزاحات التي يمكن التحكم فيها، وتوجيه البحث بالمعرفة العملية، قدم الباحثون أداة يمكن للمصانع استخدامها للعمل بكفاءة أكبر. إن عملهم يثبت أنه حتى في بيئة مادية للغاية مثل مصنع السيارات، يمكن للمنهج الرياضي الصحيح أن يفتح آفاقاً كبيرة في السرعة وتوفير التكاليف. لا يتطلب هذا المنهج بناء آلات جديدة أو تغيير أرضية المصنع؛ بل يجد ببساطة طريقة أفضل لاستخدام المساحة والآلات الموجودة بالفعل. ومع استمرار ارتفاع الطلب على السيارات المخصصة، ستصبح مثل هذه التحسينات في كيفية تنظيم تدفق الإنتاج حيوية بشكل متزايد، لضمان وصول السيارات التي نريدها إلى خط التجميع في الوقت وبالطريقة المطلوبة تماماً.