基于CORELAP-关联规则与模糊AHP融合的橡胶胶合板工业布局优化框架

本研究针对传统工厂布局方法依赖主观评分、难以整合物流数据等问题，提出融合CORELAP、FP-Growth关联规则挖掘与模糊AHP的混合框架，生成6种布局方案并通过多准则评估。结果显示，CORELAP-AR方案2降低物料搬运距离39.68%，年节省燃油成本6210.5美元，为动态工业环境提供可扩展的优化路径。

　　

在橡胶胶合板工业中，生产流程复杂且部门协作紧密，传统布局方法如系统化布局规划(SLP)和计算机化关系布局规划(CORELAP)面临严峻挑战：依赖静态数据、忽视实际物流模式，且难以量化安全、能耗等软性指标。这些问题导致物料搬运成本高、碳排放量大，制约行业可持续发展。为此，泰国宋卡王子大学工程学院的Duligar Saisud和Wanatchapong Kongkaew团队创新性地将数据挖掘与模糊决策理论相结合，提出混合优化框架，成果发表于《Expert Systems with Applications》。

研究采用三阶段方法：首先通过FP-Growth算法挖掘部门间真实运输关联规则，替代传统关系图表；其次运用改进的CORELAP生成包括SLP、ALDEP等6种布局方案；最后采用模糊层次分析法(Fuzzy Analytic Hierarchy Process)综合评估7项指标。样本数据来自实际橡胶胶合板生产线。

结果部分显示：

1. 布局方案对比：CORELAP-AR方案2在模糊AHP评估中得分最高(权重0.984)，其通过关联规则识别的隐藏运输路径使物料流效率提升显著。
2. 性能指标：该方案使移动距离减少39.68%，年燃油成本降低6210.5美元，碳排放同步下降，且操作便捷性、库存管理评分优于传统方法。
3. 专家验证：Kendall协调系数W=0.984证实评估体系稳健性。

讨论指出，该框架突破传统方法三大局限：

1. 用数据驱动的关联规则(Association Rules)替代主观评级，提升布局真实性；
2. 模糊AHP整合定量指标(如运输成本)与定性指标(如安全性)，解决多准则权衡难题；
3. 模块化设计支持实时数据接入，为数字孪生等智能工厂技术预留接口。

结论强调，该研究不仅为橡胶胶合板行业提供可直接应用的布局方案，其方法论更适用于汽车制造、食品加工等高频物流场景。未来通过嵌入实时传感器数据与仿真工具，可进一步实现动态自适应优化，推动工业4.0时代的设施规划革新。