سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

الگوریتم ژنتیک شبیه سازی مبنا برای حل مسئله زمان بندی جریان کارگاهی با درنظرگرفتن هزینه انرژی تحت شرایط عدم قطعیت

Publish Year: 1399
Type: Journal paper
Language: Persian
View: 180

This Paper With 25 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

JR_INDU-10-2_001

Index date: 19 September 2021

الگوریتم ژنتیک شبیه سازی مبنا برای حل مسئله زمان بندی جریان کارگاهی با درنظرگرفتن هزینه انرژی تحت شرایط عدم قطعیت abstract

یک مسئله جریان کارگاهی با اهداف حداقل سازی زمان تکمیل و هزینه انرژی بررسی شده است. کاهش هزینه های تولید از اهدافی است که صنایع همواره در نظر دارند. بالا­رفتن آگاهی عمومی نسبت به مسئله انرژی باعث ایجاد نگرشی جدید در راستای کاهش هزینه انرژی شده است. برای نزدیک ­ترشدن مسئله به دنیای واقعی، مسئله تحت عدم قطعیت بررسی شده است. شکاف پژوهشی موجود الهام ­بخش پژوهش بوده است. فرض شده که ماشین ها می توانند از سه سرعت آهسته، نرمال و سریع برای پردازش کارها استفاده کنند. در سرعت بالا میزان مصرف افزایش یافته و زمان تکمیل کاهش می یابد و برعکس. این تفاوت در سرعت به ایجاد مقادیر متفاوت و متضاد در تابع اهداف منجر می شود؛ بنابراین باید راهکاری پیشنهاد شود که علاوه بر ترتیب کار، سرعت دستگاه ها به­عنوان متغیر تصمیم به­صورت بهینه مشخص شوند. یک مدل ریاضی ارائه شده و سپس از الگوریتم ژنتیک مبتنی برشبیه ­سازی برای حل مسئله در ابعاد بزرگ استفاده شده است. به­ازای هربار ارزیابی تابع هدف در الگوریتم از شبیه­ سازی استفاده شده است تا عدم­ قطعیت موجود در پارامتر زمان پردازش درنظر گرفته شود. با توجه به تصادفی­ بودن زمان پردازش، از مدل ارزش انتظاری برای مقابله با عدم­قطعیت استفاده شده است. نتایج محاسباتی نشان می دهد که الگوریتم و رویکرد حل پیشنهادی، عملکرد خوبی دارند.

الگوریتم ژنتیک شبیه سازی مبنا برای حل مسئله زمان بندی جریان کارگاهی با درنظرگرفتن هزینه انرژی تحت شرایط عدم قطعیت Keywords:

الگوریتم ژنتیک شبیه سازی مبنا برای حل مسئله زمان بندی جریان کارگاهی با درنظرگرفتن هزینه انرژی تحت شرایط عدم قطعیت authors

مینا فرجی امیری

کارشناسی ارشد، دانشگاه بوعلی سینا.

جواد بهنامیان

دانشیار، دانشگاه بوعلی سینا.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
Alam Tabriz, A. Roghanian, E. & Hoseinzadeh, M. (۲۰۱۲). Design ...
Baker, K.R., Altheimer, D. (۲۰۱۲). Heuristic solution methods for the ...
Chang, P.C., Chen, S.H., & Lin, K.L. (۲۰۰۵). Two-phase sub ...
Dantzig, G.B. (۱۹۵۵). Linear Programming under Uncertainty. Management Science, ۱, ...
Ding, J.Y., Song, S., & Wu, C. (۲۰۱۶).Carbon-efficient scheduling of ...
Fatahi, P. Mohamadi, E. & Daneshamoz, F. (۲۰۱۹). Solve Multi-Objective ...
Framinan, J.M., P-Gonzalez, P. (۲۰۱۵). On heuristic solutions for the ...
Gahm, C., Denz, F., Dirr, M., & Tuma, A. (۲۰۱۶). ...
Gonzalez-Neira, E. M., Ferone, D., Hatami, S. & Juan, A. ...
Gourgand, M., Grangeon, N., & Norre, S. (۲۰۰۵). Markovian analysis ...
Juan, A.A., Barrios, B.B., Vallada, E., Riera, D., & Jorba, ...
Liefooghe, A., Basseur, M., Jourdan, L., & Talbi, E. (۲۰۰۷). ...
Luo, H., Du, B., Huang, G.Q., Chen, H., Li, X. ...
Mansouri, S.A., Aktas, E., & Besikci, U. (۲۰۱۶). Green scheduling ...
Masmoudi, O., Yalaoui, A., Ouazene, Y., & Chehade, H. (۲۰۱۶). ...
Schulz, S. (۲۰۱۸). A genetic algorithm to solve the hybrid ...
Tanaev, V., Sotskov, Yuri, N., & Strusevich, V.A. (۲۰۱۲). Scheduling ...
Tang, D., Dai, M., Salido, M.A., & Giret, A. (۲۰۱۶). ...
Wang, K., Choi, S.H., & Lu, H. (۲۰۱۵). A hybrid ...
Zhai, Y., Biel K, Zhao, F., &Sutherland, J. (۲۰۱۷). Dynamic ...
Zandieh, M. & Fotovat, A. (۲۰۱۵). Flowshop scheduling system with ...
Zhang, H., Zhao, F., Fang, K., & Sutherland, J.W. (۲۰۱۴). ...
https://www.iea.org/tcep/industry, Available at February ۲۰۱۷ ...
نمایش کامل مراجع