Контроль качества и генетические алгоритмы

Сочетание контроля качества и генетических алгоритмов привело к новым решениям сложных контроля качества проблем проектирования и оптимизации . Качество – это степень, в которой совокупность присущих организации характеристик соответствует заявленным, подразумеваемым или обязательным потребностям или ожиданиям. ^[1] ISO 9000 определяет контроль качества как «часть управления качеством, направленную на выполнение требований к качеству». ^[2] Генетические алгоритмы — это алгоритмы поиска, основанные на механике естественного отбора и естественной генетики. ^[3]

Контроль качества

Альтернативный контроль качества ^[4] Процедуры (QC) могут применяться к процессу для проверки статистической нулевой гипотезы о том, что процесс соответствует спецификациям качества и, следовательно, находится под контролем, в отличие от альтернативы, согласно которой процесс вышел из-под контроля. Когда истинная нулевая гипотеза отвергается, возникает статистическая ошибка I рода. Тогда мы имеем ложное неприятие хода процесса. Вероятность ошибки I рода называется вероятностью ложного отклонения. При принятии ложной нулевой гипотезы возникает статистическая ошибка II рода. Тогда нам не удается обнаружить существенное изменение функции плотности вероятности качественной характеристики процесса. Вероятность отклонения ложной нулевой гипотезы равна вероятности обнаружения несоответствия процесса характеристикам качества.

Процедуру контроля качества, которую необходимо разработать или оптимизировать, можно сформулировать следующим образом:

Q_{1}(n_{1},\mathbf {X_{1}} )\#Q_{2}(n_{2},\mathbf {X_{2}} )\#...\#Q_{q}(n_{q},\mathbf {X_{q}} )\;

(1)

где $Q_{i}(n_{i},\mathbf {X_{i}} )\;$ обозначает статистическое правило принятия решений, $n i$ обозначает размер выборки $S i$ , то есть количество выборок, к которым применяется правило, и $\mathbf {X_{i}} \;$ обозначает вектор конкретных параметров правила, включая пределы принятия решений. Каждый символ $#$ обозначает либо логический оператор И, либо оператор ИЛИ. Очевидно, что для $#,$ обозначающего AND, и для $n 1 < n 2 <...< n q$ , то есть для $S 1 \subset S 2 \subset .... \subset S q$ , (1) обозначает $с q$ процедуру QC -выборкой .

Каждое статистическое решающее правило оценивается путем расчета соответствующей статистики измеренной характеристики качества выборки. Тогда, если статистика выходит за пределы интервала между пределами решения, правило принятия решения считается истинным. Можно использовать множество статистических данных, в том числе следующие: одно значение переменной выборки, диапазон , среднее значение и стандартное отклонение значений переменной выборки, накопительную сумму, сглаженное среднее значение и сглаженное стандартное отклонение. Наконец, процедура контроля качества оценивается как логическое предложение. Если оно истинно, то нулевая гипотеза считается ложной, процесс считается вышедшим из-под контроля и запуск отвергается.

Процедура контроля качества считается оптимальной, если она минимизирует (или максимизирует) конкретную целевую функцию. Целевая функция зависит от вероятностей обнаружения несоответствия процесса и ложной браковки. Эти вероятности зависят от параметров процедуры контроля качества (1) и от функций плотности вероятности (см. функция плотности вероятности ) контролируемых переменных процесса.

Генетические алгоритмы

Генетические алгоритмы ^[5]^[6]^[7] представляют собой надежные алгоритмы поиска , которые не требуют знания целевой функции для оптимизации и быстрого поиска в больших пространствах. Генетические алгоритмы созданы на основе процессов молекулярной биологии генов были и эволюции жизни. Их операторы — скрещивание, мутация и воспроизводство — изоморфны синонимичным биологическим процессам. Генетические алгоритмы использовались для решения множества сложных задач оптимизации . Кроме того, системы классификаторов и генетического программирования парадигма показали нам, что генетические алгоритмы можно использовать для решения таких сложных задач, как индукция программы.

Контроль качества и генетические алгоритмы

В общем, мы не можем использовать алгебраические методы для оптимизации процедур контроля качества . Использование перечислительных методов было бы очень утомительным, особенно с процедурами с несколькими правилами, поскольку количество точек пространства параметров, подлежащих поиску, растет экспоненциально с количеством оптимизируемых параметров. Методы оптимизации , основанные на генетических алгоритмах, предлагают привлекательную альтернативу.

Более того, сложность процесса разработки новых процедур контроля качества явно превышает сложность оптимизации заранее определенных.

Фактически, с 1993 года генетические алгоритмы успешно используются для оптимизации и разработки новых процедур контроля качества . ^[8]^[9]^[10]

См. также

Ссылки

^ Хойл Д. Справочник по системам качества ISO 9000. Баттерворт-Хейнеман 2001; стр.654.
^ ISO 9000:2005, пункт 3.2.10.
^ Гольдберг Д.Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. Аддисон-Уэсли, 1989 г.; п.1.
^ Дункан А.Дж. Контроль качества и промышленная статистика. Ирвин 1986; стр. 1-1123.
^ Холланд, Дж. Х. Адаптация в естественных и искусственных системах. Издательство Мичиганского университета, 1975; стр. 1–228.
^ Гольдберг Д.Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. Аддисон-Уэсли, 1989 г.; стр.1-412.
^ Митчелл М. Введение в генетические алгоритмы. MIT Press 1998; стр. 1-221.
^ Хатджимихаил AT. на основе генетических алгоритмов Разработка и оптимизация процедур статистического контроля качества . Клин Чем 1993;39:1972-8. [1]
^ Хатджимихаил AT, Хатджимихаил TT. Разработка процедур статистического контроля качества с использованием генетических алгоритмов. В Ж. Дж. Эшельмане (ред.): Труды Шестой Международной конференции по генетическим алгоритмам. Сан-Франциско : Морган Кауфманн 1995;551-7.
^ Хе Д., Григорян А. Совместное статистическое построение диаграмм x и s с двойной выборкой. Европейский журнал операционных исследований 2006;168:122-142.

Внешние ссылки

[1] Хойл Д. Справочник по системам качества ISO 9000. Баттерворт-Хейнеман 2001; стр.654.

[2] ISO 9000:2005, пункт 3.2.10.

[3] Гольдберг Д.Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. Аддисон-Уэсли, 1989 г.; п.1.

[4] Дункан А.Дж. Контроль качества и промышленная статистика. Ирвин 1986; стр. 1-1123.

[5] Холланд, Дж. Х. Адаптация в естественных и искусственных системах. Издательство Мичиганского университета, 1975; стр. 1–228.

[6] Гольдберг Д.Э. Генетические алгоритмы в поиске, оптимизации и машинном обучении. Аддисон-Уэсли, 1989 г.; стр.1-412.

[7] Митчелл М. Введение в генетические алгоритмы. MIT Press 1998; стр. 1-221.

[8] Хатджимихаил AT. на основе генетических алгоритмов Разработка и оптимизация процедур статистического контроля качества . Клин Чем 1993;39:1972-8. [1]

[9] Хатджимихаил AT, Хатджимихаил TT. Разработка процедур статистического контроля качества с использованием генетических алгоритмов. В Ж. Дж. Эшельмане (ред.): Труды Шестой Международной конференции по генетическим алгоритмам. Сан-Франциско : Морган Кауфманн 1995;551-7.

[10] Хе Д., Григорян А. Совместное статистическое построение диаграмм x и s с двойной выборкой. Европейский журнал операционных исследований 2006;168:122-142.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]