زمانبندی تولید کارگاهی انعطاف پذیر جغرافیایی- منطقه ای پایدار احتمالی با استفاده از مدل ریاضی الگوریتم تلفیقی فراابتکاری

نوع مقاله : مقاله های برگرفته از رساله و پایان نامه

نویسندگان

1 گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران.

2 استادیار مدیریت سنعتی، واحد فیروزکوه‌، دانشگاه آزاد اسلامی، فیروزکوه‌، ایران.

3 گروه مهندسی صنایع، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران.

4 گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه علوم و فنون مازندران، بابل، ایران.

چکیده

در این مقاله، زمانبندی تولید کار کارگاهی در شرایطی که انجام عملیات‌ها دارای زمان‌های احتمالی هستند، مورد بررسی قرار گرفته است. یک مدل ریاضی به همراه رویه حل آن، برای تعیین زمانبندی سیستم‌های تولید کار کارگاهی با هدف از بین بردن این نقاط ضعف و درنظر گرفتن شرایط تولیدی بصورت احتمالی و همچنین کاهش هزینه‌های چندگانه تولیدی ارایه شده است. برای بدست آوردن یک جواب مناسب در یک زمان توجیه‌پذیر، یک رویه حل تلفیقی بر اساس مدل شبکه عصبی به منظور ایجاد جواب موجه اولیه و الگوریتم Annealing Simulatedبه منظور بهبود عملکرد و کیفیت جواب اولیه و ایجاد جواب بهینه/ نزدیک به بهینه ارایه شده است. برای ارزیابی این روش، چند مساله زمانبندی تولید کار کارگاهی متفاوت حل شده و جواب‌های بدست آمده با نرم‌افزار لینگو به عنوان حد پایین مقایسه شده است. نتایج محاسباتی دو روش نشان ‌دهنده عملکرد مناسب الگوریتم پیشنهادی تحت شرایطی است که مقدار پارامترهای ورودی افزایش می‌یابد یا به ‌عبارت دیگر مساله بزرگ می‌باشد. به منظور افزایش انعطاف‌پذیری در کاربرد الگوریتم فوق در شرایط واقعی صنعت، اعداد احتمالی براساس سه توزیع نرمال/ یکنواخت و نمایی از زمان انجام پردازش، به صورت تصادفی تولید می‌شوند. در عین حال مدل فوق توسط نرم‌افزارlingo6 برنامه‌نویسی شده ‌است. در انتها مقایسه نتایج حاصل از حل مثال‌های نمونه، بهبودهای موثری را در جواب‌های بدست آمده از روش ابتکاری نشان می‌دهد

کلیدواژه‌ها


عنوان مقاله [English]

Production Schedule of Flexible Geographical Workshop - Possible Stable Areas Using the Mathematical Model of the Integrated Transformational Algorithm

نویسندگان [English]

  • Bijan Shojaei Borjoui 1
  • Seyed Ahmad Shayannia 2
  • Mohammad Reza Lotfi 3
  • Javad Rezaian Zeidi 4
1 Department of Industrial Management, Firoozkooh Branch, Islamic Azad University, Firoozkooh, Iran
2 Assistant Professor of Management, Firoozkooh Branch, Islamic Azad University, Firoozkooh, Iran
3 Department of Industrial Engineering, Firoozkooh Branch, Islamic Azad University, Firoozkooh, Iran
4 Department of Industrial Engineering, Faculty of Management and Industrial Engineering, Mazandaran University of Science and Technology, Babol, Iran
چکیده [English]

In this paper, the production schedule of workshop work in the conditions where the operations have probable times has been studied. A mathematical model with a solution procedure has been proposed to determine the scheduling of workshop production systems with the aim of eliminating these weaknesses and considering possible production conditions as well as reducing multiple production costs. To obtain a suitable answer in a justifiable time, an integrated solution procedure based on the neural network model to generate the initial justified answer and the Annealing Simulated algorithm to improve the performance and quality of the initial answer and to create the optimal / near-optimal solution are presented. To evaluate this method, several different workshop production scheduling problems have been solved and the obtained answers have been compared with Lingo software as a low limit. The computational results of the two methods show the proper performance of the proposed algorithm under conditions where the value of input parameters increases or in other words is a big problem. In order to increase the flexibility in applying the above algorithm in real industry conditions, probabilistic numbers based on three normal / uniform distributions and exponential of processing time are generated randomly. At the same time, the above model is programmed by lingo6 software. Finally, the comparison of the results obtained by solving the sample examples shows effective improvements in the answers obtained from the innovative method

کلیدواژه‌ها [English]

  • workshop schedule
  • refrigeration simulation algorithm
  • Neural Network
محمد جواد اصغرپور(1388) تحقیق در عملیات پیشرفته. موسسه انتشارات دانشگاه تهران، 1388.
بیکر, کنت آر.( 1387). توالی عملیات و زمانبندی:ترجمه فرهاد قاسمی طاری و سید محمدتقی فاطمی قمی. موسسه انتشارات علمی دانشگاه صنعتی شریف.
پیندو, مایکل ال. زمانبندی و توالی عملیات (تئوری، الگوریتم ها و سیستم ها)، ترجمه محمد حسین فاضل زرندی، ابوالفضل سلطانی، علی یوسف الهی، حامد داوری اردکانی و حامد سلیمانی. (1391) . انتشارات دانشگاه صنعتی امیر کبیر(پلی تکنیک تهران) . صفحات 9-1.
ماکویی, احمد(1387). مقدمه ای بر برنامه ریزی تولید. انتشارات دانش پرور، . صفحات 102-1 .
براون, جیمی, هارن, جان و شیونان, جیمز. سیستم های مدیریت تولید (با نگرش یکپارچه)، ترجمه مهدی غضنفری و سروش صغیری (1387) .انتشارات دانشگاه علم و صنعت ایران . صفحات 227-4.
محمد باقر فخرزاد، مهدی عظیم زاده (1391).الگوریتم ژنتیک برای مسئله زمان بندی تک ماشین با جرایم زودکرد خطیی و دیرکرد توان دوم و با در نظر گرفتن زمان بیکاری و شکست کار. مدیریت تولید و عملیات.، جلد 3، شماره4. صفحات61-78.
فریبرز جولای, رضا توکلی مقدم, و فرشید آزادیان( 1391). زمانبندی ماشی نهای موازی برای کارهای قابل تقسیم با درنظرگرفتن زمان راه اندازی وابسته به توالی., نشریه دانشکده فنی، ، جلد 40، شماره 4.صفحات 503-465 .
 کهنسال, حمید و طاهر پور, محمد رضا. زمان بندی بهینه خط تولید کیک و کلوچه با استفاده از روش برنامه ریزی ترکیبی خطی. . هجدهمین کنگره ملی علوم و صنایع غذایی ایران، 1387. صفحات5-1.
ذگردی, حسام الدین, بهشتی نیا, محمد علی وجعفری , ناصر .کمینه سازی حداکثر زمان تکمیل مسئله زمانبندی تولید کارگاهی با ماشین های موازی . نشریه بین المللی مهندسی صنایع و مدیریت تولید, جلد2، شماره2، 1388. صفحات21-توکلی مقدم, رضا, خدادگان, یاسمن وحق نویس, معبد (1390). ارائه یک مدل ترکیبی برای انتخاب ماشینهای موازی و زمانبندی کارها با در نظر گرفتن زمانهای آماده سازی. چهارمین کنفرانس بین المللی مهندسی صنایع. صفحات 10-1
یوسفی، بابک, خانلرزاده, نرگس و رحیمی فرد, علی (1390).ا لگوریتم ممتیک برای حل مسئله زمانبندی کار کارگاهی منعطف با امکان ایجاد وقفه در انجام فعالیت ها. نشریه بین المللی مهندسی صنایع و مدیریت تولید، جلد 22، شماره 4 . صفحات 340-332.
پورکنعانی, یوسف قلی(1390) . حل یک مسأله زمانبندی چند هدفه جدید در سیستم تولید سلولی با استفاده از یک الگوریتم تلفیقی. پژوهشی مدیریت تولید و عملیات، جلد 3 . صفحات 28-1 .
رنجبر, محمد و تقی زاده, مصطفی(1390). یکپارچه سازی برنامه ریزی و زمانبندی تولید در صنایع فرآیندی چند محصولی با سیستم تولیدی پیوسته. نشریه بین المللی مهندسی صنایع و مدیریت تولید، . شماره 2، جلد 22 صفحات 135-122.
اورعی, کاظم(1387). برنامه ریزی خطی مدیریت صنعتی. انتشارات دانشگاه صنعتی امیر کبیر(پلی تکنیک تهران). صفحات 117-1.
7-Melanie, M(1999). An Introduction to Genetic Algorithms. Fifth Printing. Massachusetts-London, England : A Bradford Book The MIT Press Cambridge.
8- Xiuli Wu,Xianli Shen,Congbo Li,(2019), The flexible job-shop scheduling problem considering deterioration effect and energy consumption simultaneously, Computers & Industrial Engineering
Volume 135, September 2019, Pages 1004-1024
 
9-Juan Novas,(2019), Production scheduling and lot streaming at flexible job-shops environments using constraint programming, Computers & Industrial Engineering Volume 136, October 2019, Pages 252-264
 10-Gen, M و Cheng, R(1997). Genetic Algorithm and Engineering Design: Wiley Series in Engineering design and Automation New York.
11- Joines, J A and Culbreth,CT(1996).Manufacturing cell designe: An integer programming model employing genetic.. 1, IIE Transactions, Vol. 28. pp. 69-85.
12- Srinivas, N and Deb, K,(1994).Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms. Evolutionary Computation.. New York . Wiley .
13- Deb, K, et al(2002) . A fast and elitist multiobjective genetic algorithm: NSGA-II . IEEE Trans Evol Comput.
14. Goldberg, D E. (1989) . Genetic algorithms: Search, optimization & machine learning . MA: Addison-Wesley.
15- Khorshidian, H, et al (2011) . .A genetic algorithmfor JIT single machine scheduling with preemption and machine idle time., Expert Systems withApplications, Vol. 38. pp. 7911-7918.
16- Bülbül, K, Kaminsky, P and Yano., C (2007) . Preemption in single machine earliness/tardiness scheduling. Journal of Scheduling, Vol. 10. pp. 271-292.
17- Hendel, Y and Sourd, F (2007) . An improved earliness–tardiness timing algorithm.. 10, , Computers & Operations Research, Vol. 34.pp. 2931-2938.
18- Zhongjun, T, Ng, C T and Cheng, T.C E (2009) . Preemptive scheduling of jobs with agreeable due dates on a single machine to minimize total tardiness., , Operations Research Letters, Vol. 37. pp. 368-374.
19- Kazemi, M, et al., et al. (2012) Just-in-time preemptive single machine problem with costs of earliness/tardiness, interruption and work-in-process. Journal of Industrial Engineering Computations, Vol. 3. pp. 321–336.
20- Blömer, et al( 1998). Scheduling of a Multi-Product Batch Process in the Chemical Industry.Computers in Industry, Vol. 36. pp. 245-259.
21-Zhu, X X and Majozi, T( 2001). Novel Continuous Time MILP Formulation for Multipurpose Batch Plants. 2. Integrated Planning and Scheduling . Industrial & Engineering Chemical Research, Vol. 40. pp. 5621-5634.
22- Castro, P, et al(2005) . A New Continuous-time MILP Model for the Short-Term Scheduling of Multi Stage Batch Plants. ACS Publications, Industrial & Engineering Chemistry Research, Vol. 44. pp. 9175-9190.
23- Doganis, M, et al (2007) .Optimal scheduling in a yoghurt production line based on mixed integer linear programming. Journal of Food Engineering, Vol. 80.pp. 445-453.
24- Marinelli, F, Nenni, M E and Sforza, A (2007).Capacitated lot sizing and scheduling with parallel machines and shared buffers: A case study in a packaging company . Annals of Operations Research, Vol. 150. pp. 177-192.
25- Ferreira, T, et al(2009). Solution approaches for the soft drink integrated production & lot-sizing & scheduling problem.. European Journal of Operational Research, Vol. 196.pp. 697-706.
26- Günther, G , Hans-Otto, S(2009). An Application of MILP-based Block Planning in the Chemical Industry. In proceedings 8th International Symposium on Operations Research and Its Applications (ISORA’09), Zhangjiajie. pp. 103-110.
27- Back, T, Fogel, D and Michalawecz, Z(1997). Handbook of evolutionary computation. Oxford . Oxford University Press.
28-. Holland, J(1975). Adaptation in natural and artificial system H. University of Michigan Press.
29- Reeves, C R. (1997). Genetic algorithms for the operations researcher. Journal on computing, Vol. 9.pp. 231–250.
30- Eiben, A E and Smith, J E(2003). Introduction to Evolutionary Computing. Springer.
31-Goldberg, D(1989). Genetic Algorithm in search, Optimization and machine Learning. Addison-Wesely.
32-Herrmann, Jeffrey W., )2005(, Handbook of Production ,Scheduling, International Series in Operations Research & Management Science, Springer, pp. 1-20.
 
33-Kevin D.Sweeney,Donald C.Sweeney,James F.Campbel,2019, The performance of priority dispatching rules in a complex job shop: A study on the Upper Mississippi River, International Journal of Production Economics,Volume 216, October 2019, Pages 154-172
34-Samarghandi,hamed,2019, Solving the no-wait job shop scheduling problem with due date constraints: A problem transformation approach, Computers & Industrial Engineering,Volume 136, October 2019, Pages 635-662
35-Guanlong Deng,Zhiwang Zhang, Tianhua Jiang, Shuning Zhanga,2019, Total flow time minimization in no-wait job shop using a hybrid discrete group search optimizer, Applied Soft Computing
Volume 81, August 2019, 105480
36-Jatoth Mohana ,Krishnanan Lanka,. Neelakanteswar Rao,2019, A Review of Dynamic Job Shop Scheduling Techniques, Procedia Manufacturing Volume 30, 2019, Pages 34-39