ارایه مدلی برای حل مساله زمان بندی جریان کارگاهی مختلط با جریان کالا و درنظر گرفتن زمان آماده سازی وابسته به توالی و زمان حمل ونقل

Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 94

This Paper With 27 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_DMOR-8-2_002

تاریخ نمایه سازی: 29 مهر 1402

Abstract:

هدف: جریان کالا یک تکنیک موثر برای افزایش کارایی تولید در یک سیستم تولیدی، با تبدیل یک کار به چندین قسمت کوچک تر می­ باشد که در سال ­های اخیر توجه های زیادی را به خود جلب کرده است؛ اما همواره از مفروضات مهمی که در محیط واقعی زمان بندی وجود دارد چشم پوشی شده است. هدف از انجام این مقاله ارایه یک مدل ریاضی چندهدفه برای حل مساله زمان بندی جریان کارگاهی مختلط با جریان کالا و درنظر گرفتن زمان آماده سازی وابسته به توالی و زمان حمل و نقل می باشد.روش شناسی پژوهش: در ابتدا برای حل مساله یک مدل برنامه ریزی ریاضی چندهدفه ارایه و آن گاه برای بررسی کارایی مدل ارایه شده، مدل به صورت وزنی به تک هدفه تبدیل شده و مثال هایی در ابعاد کوچک طراحی و با استفاده از سالور Cplex نرم افزار GAMS حل می شود. سپس با الهام از مطالعات پیشین برای حل مساله در ابعاد بزرگ، از الگوریتم های فرا ابتکاری مبتنی بر الگوریتم ژنتیک چندهدفه بهره گرفته می شود. برای بررسی کارایی الگوریتم ها، نتایج حاصل از سالور Cplex نرم افزار GAMS با خروجی حاصل از الگوریتم های فرا ابتکاری در حالت تک هدفه مقایسه می شود.یافته ها: برای اعتبارسنجی مدل پیشنهادی نمونه مساله ای در ابعاد کوچک آورده شده است که با استفاده از سالور Cplex نرم افزار GAMS حل شده است و برای اعتبارسنجی الگوریتم های فرا ابتکاری مثال هایی در ابعاد کوچک حل و با جواب های حاصل از سالور Cplex نرم افزار GAMS مقایسه شده است. مقایسه نشان می دهد که الگوریتم های فرا ابتکاری از کارایی مناسبی برخوردار هستند. سپس برای حل مدل در ابعاد بزرگ تر از دو الگوریتم پیشنهادی استفاده شده است. برای این منظور، ۳۰ نمونه مساله به صورت تصادفی تولید شده و از شش شاخص برای مقایسه الگوریتم ها استفاده شده است. بعد از انجام آزمایش ها و مقایسه­ الگوریتم ها با یکدیگر، نتایج به دست آمده، کارایی بیش تر الگوریتم ژنتیک رتبه بندی نا مغلوب ها را نسبت به الگوریتم NSGA-II در حداقل سه شاخص نشان می دهد.اصالت/ارزش افزوده علمی: در این مقاله محدودیت­ های زمان آماده سازی وابسته به توالی و زمان حمل و نقل بین ایستگاه های متوالی برای مساله زمان بندی جریان کارگاهی مختلط با جریان کالا به منظور حل یک مدل ریاضی با هدف کمینه سازی ماکزیمم زمان تکمیل و مجموع تاخیر کار ها درنظر گرفته شده که فرض شده است زمان حمل­ ونقل مستقل از کار ها است و تنها یک وسیله نقلیه بین هر دو ایستگاه متوالی وجود دارد. جهت حل مدل در ابعاد بزرگ و با توجه به NP-hard بودن مساله از الگوریتم ­های NSGA-II و NRGA استفاده شد.

Authors

روجا روح بخش

گروه مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.

اسماعیل مهدی زاده

گروه مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.

محمد امین ادیبی

گروه مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.

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 :
  • Gupta, J. N. D. (۱۹۸۸). Two-stage, hybrid flowshop scheduling problem. ...
  • Reiter, S. (۱۹۶۶). A system for managing job-shop production. The ...
  • Truscott, W. G. (۱۹۸۶). Production scheduling with capacity-constrained transportation activities. ...
  • Pan, Q.-K., & Ruiz, R. (۲۰۱۲). An estimation of distribution ...
  • Feldmann, M., & Biskup, D. (۲۰۰۸). Lot streaming in a ...
  • Marimuthu, S., Ponnambalam, S. G., & Jawahar, N. (۲۰۰۸). Evolutionary ...
  • Martin, C. H. (۲۰۰۹). A hybrid genetic algorithm/mathematical programming approach ...
  • Tseng, C.-T., & Liao, C.-J. (۲۰۰۸). A discrete particle swarm ...
  • Ulungu, E. L., Teghem, J., Fortemps, P. H., & Tuyttens, ...
  • Fatemi Qomi, M. T., Zandieh, M., & Moatarasini, S. M. ...
  • Fattahi, P., & Daneshamooz, F. (۲۰۱۶). A model for job ...
  • Lalitha, J. L., Mohan, N., & Pillai, V. M. (۲۰۱۷). ...
  • Chen, T.-L., Cheng, C.-Y., & Chou, Y.-H. (۲۰۲۰). Multi-objective genetic ...
  • Bagheri, M., Babaei Meybodi, N., & Enzebati, A. H. (۲۰۱۸). ...
  • Wang, S., Wang, X., & Yu, L. (۲۰۲۰). Two-stage no-wait ...
  • Han, Y., Li, J., Liu, Y., Zheng, Z., Pan, Y., ...
  • He, X., Dong, S., & Zhao, N. (۲۰۱۹). Research on ...
  • Cai, J., Zhou, R., & Lei, D. (۲۰۲۰). Fuzzy distributed ...
  • Li, J. qing, Tao, X. rui, Jia, B. xian, Han, ...
  • Shao, W., Shao, Z., & Pi, D. (۲۰۲۱). Multi-objective evolutionary ...
  • Zanjani, B., Amiri, M., Hanafizadeh, P., & Salahi, M. (۲۰۲۱). ...
  • Zhang, B., Pan, Q., Gao, L., Zhang, X., Sang, H., ...
  • Al Jadaan, O., Rao, C. R., & Rajamani, L. (۲۰۰۶). ...
  • Deb, K. (۲۰۰۰). Multi-objective evolutionary optimization: past, present, and future. ...
  • Zitzler, E., & Thiele, L. (۱۹۹۹). Multiobjective evolutionary algorithms: A ...
  • نمایش کامل مراجع