製造業中有許多大型生產排程問題並具備著不同的排程目標，且目前多數皆以人工排程為大宗，但因需要考量眾多影響排程的因子，且其排程時間常隨著問題的大小呈現指數般的增長，但生產現場變化萬千，須能即時規劃出可生產之排程，避免生產中斷與設備停擺。在滿足生產要件與客戶要求條件的基礎下，尋求最小生產消耗之工廠流線型生產排程問題即為本研究主軸。
本研究應用基因演算法技術，深入研究優化冷軋鋼捲生產排程，改良原系統使用貪婪演算法的運算引擎，憑藉基因演算法交配與突變等演化特性，快速考量冷軋鋼捲產品屬性、生產限制與客戶交期等因素，並打破貪婪演算法始終走向區域最佳解的瓶頸，進而產出冷軋鋼捲最低生產消耗之全域最佳解排程解決方案。

In the manufacturing industry, there are many large-scale production scheduling problems with different scheduling objectives, and most of them are currently manual scheduling. However, considering the many factors affecting scheduling and the exponential growth of scheduling time with the size of the problem, while production changes constantly, it is necessary to plan a producible schedule in real-time to avoid production interruptions and equipment downtime. Based on meeting production requirements and customer requirements, seeking the most streamlined production scheduling problem with the least production consumption in the factory is the main focus of this research.
This study applies genetic algorithm technology to deeply investigate the optimization of cold rolling steel coil production scheduling. It improves the computing engine of the original system that used a greedy algorithm. By leveraging the evolutionary characteristics of genetic algorithms, such as crossover and mutation, the study quickly considers factors such as the attributes of cold rolling steel coil products, production constraints, and customer delivery deadlines. This approach breaks through the bottleneck of the greedy algorithm, which tends to converge on local optimal solutions, ultimately producing a global optimal scheduling solution that minimizes production consumption for cold rolling steel coils.

論文審定書 i
致謝 ii
摘要 iii
Abstract iv
目錄 v
圖次 vii
表次 viii
第一章、 研究背景、動機、目的 1
一、 研究背景 1
二、 研究動機 3
三、 研究目的 4
四、 全文架構 4
第二章、 文獻探討 6
一、 流線型製造排程 6
二、 貪婪演算法 8
三、 基因演算法 10
第三章、 研究方法 19
一、 研究母體提取 19
二、 染色體編碼 20
三、 初始母代族群 20
四、 適應函數 21
五、 基因運算子操作 22
六、 演算法終止 24
七、 演算法參數設定 24
第四章、 研究成果 27
一、 研究數據來源 27
二、 基因演算法之交配率與變異率敏感度分析 28
三、 研究應用結果與穩定度分析 34
四、 基因演算法相對於原使用貪婪演算法優劣勢 40
第五章、 結論與建議 42
一、 結論 42
二、 未來展望 43
參考文獻 45

[1] Barbarosoglu, G., & Ozgur, D. . (1999). A tabu search algorithm for the vehicle routing problem. Computers & Operations Research, 26(3), 255-270.
[2] Cordeau, J.-F., Gendreau, M., Laporte, G., Potvin, J.-Y., & Semet, F. . (2002). A guide to vehicle routing heuristics. Journal of the Operational Research society, 53(5), 512-522.
[3] Hiquebran, D., Alfa, A., Shapiro, J., & Gittoes, D. . (1993). A revised simulated annealing and cluster-first route-second algorithm applied to the vehicle routing problem. Engineering Optimization, 22(2), 77-107.
[4] John,S.M. (1954). Optimal two‐and three‐stage production schedules with setup times included. Naval research logistics quarterly. 61-68.
[5] Osman, I. H. (1993). Metastrategy simulated annealing and tabu search algorithms for the vehicle routing problem. Annals of operations research, 41, 421-451.
[6] 中國鋼鐵. (2014). 鍍鋅鋼捲產品手冊，製程流程.
[7] 王晉元, & 林誌銘. (2007). 應用基因演算法於捷運列車運行計畫之研究 [A Genetic Algorithm Model for MRT Train Service Planning]. 運輸計劃季刊, 36(1), 115-145.
[8] 王培珍、饒熙、孔祥冠、莊騰森. (1996). 應用遺傳演算法與模擬在動態排程問題之探討. 臺灣博碩士論文知識加值系統, 275-282.
[9] 周鹏程. (2001). 遺傳演算法原理與應用: 活用 Matlab. 全華科技圖書股份有限公司.
[10] 徐永吉;林昇甫. (2009). 遺傳演算法及其應用. 五南圖書出版公司.
[11] 游智翔. (2022). 結合多目標與基因演算法求解於生產排程問題-以鍛造輪圈加工廠為例.
[12] 楊宗銘、江瑞清、林建忠. (1996). 遺傳演算法在多途排程問題之探討. 臺灣博碩士論文知識加值系統, 113-120.
[13] 楊英魁，孫宗瀛，鄭魁香，林建德，蔣旭堂. (2001). 模糊控制理論與技術. 台北: 全華科技圖書股份有限公司.
[14] 賴柏辰. (2013). 應用類神經網路及遺傳演算法於晶圓級封裝之結構最佳化. 臺灣博碩士論文知識加值系統.
[15] 賴閔揚. (2014). 多目標基因演算法應用於混合流程型生產排程問題. 清華大學工業工程與工程管理學系學位論文.
[16] 謝正瑜，吳宗杉，楊俊傑. (2002). 利用遺傳基因演算法所建構之電腦病毒運作模式. 2002年第六屆資訊管理學術暨警政資訊實務研討會 (頁 242-250). 中央警察大學.
[17] 韓宇德. (2007). 貪婪演算法結合區域搜尋演算法求解TSP組合最佳化問題. 臺灣博碩士論文知識加值系統, 18-26.
[18] 羅煥鈞. (2017). 用類神經網路演算法與基因演算法以尋求工程問題最佳化解軟體之開發. 臺灣博碩士論文知識加值系統.