การหาปริมาณที่เหมาะสมสําหรับการบรรทุกสินค้า: กรณีศึกษาบริษัท ธนพิริยะจํากัด
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อการจัดสินค้าที่เหมาะสมในการบรรทุกสําหรับรถบรรทุกในการขนส่งสินค้า
และการกระจายสินค้า โดยใช้วิธีการจัดสินค้าโดยพิจารณาปริมาตรของสินค้าของการบรรทุกเพื่อขนส่งไปยังสาขาต่างๆ ของ บริษัท ธนพิริยะ จํากัด (มหาชน) ซึ่งกลุ่มตัวอย่างกลุ่มเป็นประเภทของรถแต่ละคันโดยแบ่งเป็นรถบรรทุก 4 ล้อเล็ก, 6 ล้อกลาง, 6 ล้อใหญ่, 6 ล้อใหญ่พิเศษ และ 10 ล้อ ที่มีขนาดบรรทุกแตกต่างกัน จํานวน 24 คัน และปริมาตรของสินค้าที่ทําการขนส่งระหว่างสาขา 21 สาขา และลูกค้า 12 สายอําเภอ โดยพิจารณาจากค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของปริมาตรพื้นที่เหลือ และใช้ตัวแบบปัญหา Bin Packing และวิธีการ
หาค่าคําตอบที่ดีที่สุด โดยนํา 3 วิธีมาเปรียบเทียบกัน คือ วิธีซิมเพล็กซ์ (LP Simplex) วิธีการค้นหาค้าที่ดีที่สุดของฝูงอนุภาค (Particle Swarm Optimization : PSO) และวิธีเชิงพันธุกรรม (Genetic Algorithm : GA) เพื่อหารถบรรทุกที่เหมาะสมสําหรับปริมาณสินค้าและเหลือพื้นที่ในตู้บรรทุกน้อยที่สุด ผลการวิจัยพบว่า เมื่อนําปริมาณพื้นที่เหลือจากรูปแบบเดิมมาเปรียบเทียบกับการวิเคราะห์ทางคณิตศาสตร์ทั้ง 3 วิธี สามารถลดพื้นที่ว่างในตู้บรรทุกและลดจํานวนรถบรรทุกลงจากรูปแบบเดิม ดังนี้ การลดพื้นที่ว่างในตู้บรรทุกลงจากรูปแบบเดิม โดยการวิเคราะห์ช่วงที่ 1 วิธีซิมเพล็กซ์ ลดได้ 1,831.7 ลูกบาศก์เมตรวิธีการค้นหาค่าที่ดีที่สุดของฝูงอนุภาค ลดได้ 1,685.58 ลูกบาศก์เมตรและวิธีเชิงพันธุกรรมลดได์ 1,699.47 ลูกบาศก์เมตรการวิเคราะห์ช่วงที่ 2 วิธีซิมเพล็กซ์ ลดได์ 1,703.98 ลูกบาศก์เมตร วิธีการค้นหาค่าที่ดีที่สุดของฝูงอนุภาค ลดได้ 1,400.58 ลูกบาศก์เมตรและวิธีเชิงพันธุกรรมลดได์ 1,511.21 ลูกบาศก์เมตร และทําการลดจํานวนรถบรรทุกลงจากรูปแบบเดิม โดยการวิเคราะห์ช่วงที่ 1 ได้ 15 คัน การวิเคราะห์ช่วงที่ 2 ได้ 28 คัน
เอกสารอ้างอิง
Bischoff, E. E., & Marriott, M. D. (2017). A comparative evaluation of heuristics for Container
Loading. European Journal of Operational Research,44(2), 267-276
Blazewicz et al. (1996). Scheduling Computer and Manufacturing Processes. Berlin: Springer, 1996b.
Blum, C., & Roli, A. (2003). Metaheuristics in combinatorial optimization: Overview and Conceptual comparison. ACM Computing surveys, 35(3), 268-308.
Chien, C. F., Zheng, J. N., & Gen, M. (2015). Multi-Objective Multi-Population Biased Random-Key Genetic Algorithm for the 3-D Container Loading Problem. Computers & Industrial Engineering, 89, 80-87
Dyckhoff, H., (1990). A typology of cutting and packing problems. European Journal of Operational Research, 44, 145-159.
Gonçalves, J. F., &. Resende, M. G. C. (2013). A Biased Random Key Genetic Algorithm for 2D and 3D Bin Packing Problems. International Journal of Production Economics, 145, 500-510
Kang, K., Moon, I., & Wang, H. (2012 ). A hybrid Genetic Algorithm with a New Packing Strategy for the Three-Dimensional Bin Packing Problem. Applied Mathematics and Computation, 219, 1287-1299.
Piyachayawat, T., Mungwattana, A., & Supithak, W. (2017). An Evolutionary Algorithm for solving the Multi-Size Pallet Loading Problem in a Lamps and Lighting Factory: A Case Study. Thai Journal of Operations Reseach, 5(1), 48-59 [in Thai]
Praditwong, K., & Talethong, T. (2016). Genetic Algorithms with Local Search to Solve Three Dimensional Bin Packing. Veridian E-Journal, Science and Technology Silpakorn University, 3(6), 43-56.[in Thai]
