طراحی مدل ریاضی چندهدفه زمان‌بندی در سیستم تولیدی کارگاهی و حل آن با استفاده از روش فراابتکاری شبیه سازی تبریدی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد، دانشگاه تربیت مدرس.

2 استاد، دانشگاه تربیت مدرس.

3 دکتری، دانشگاه تربیت مدرس.

چکیده

سیستم تولید «کارگاهی» سیستمی مناسب برای تولید قطعات است و زمان­بندی «کارگاهی» یکی از مؤثرترین شاخص‌های افزایش بهره‌وری این سیستم­‌ها است. در حل مدل‌­های ریاضی زمانبندی کارگاهی دو هدف، کمینه‌­کردن بیش­ترین زمان ساخت و کمینه­‌کردن جمع وزنی جریمه‌های زودکرد و دیرکرد کارها (WSET) مدنظر قرار می‌­گیرد. در این پژوهش مدل ریاضی جدیدی برای رسیدن به هر دو هدف اشاره­‌شده به­طور هم­زمان از طریق برنامه­‌ریزی آرمانی (GP) ارائه شده است. مسائل زمان­بندی سیستم‌­های تولید کارگاهی از نظر پیچیدگی محاسباتی جز مسائل «حل‌­نشدنی چند جمله‌­ای سخت» قرار می­گیرند، بنابراین در این مقاله از روش فراابتکاری شبیه­‌سازی تبریدی برای حل مدل استفاده شده است. به طور معمول در روش‌­های فراابتکاری از ساختار جواب تک­ارائه‌ای (خانواده قطعات یا قطعات هر خانواده) استفاده می­‌شود که باعث کوچک­ترشدن فضای جواب می‌­شود؛ اما در این پژوهش برای  تعیین ساختار جواب دو­ارائه‌ای از روش تولید همسایگی ترکیبی، جابه­‌جایی جهت­دار (DIS) در خانواده قطعات و جابه­‌جایی تصادفی (RIS) در قطعات هر خانواده، استفاده شده است. نتایج حل مدل آرمانی زمان­بندی کارگاهی با روش شبیه‌­سازی تبریدی، کارایی مدل طراحی شده در دست­یابی به آرمان‌­های مورد نظر را نشان می‌­دهد.

کلیدواژه‌ها


1. Abdi, K. M., Abbasi, B. & Dolat Abadi A. (2010). A Simulated Annealing Algorithm for Multi Objective Flexible Job Shop Scheduling With Overlapping In Operations.Journal of Industrial Engineering, 5, 17-28.

2. Ali, M. M., Torn, A. & Viitanen, S. (2002).A direct search Variant of the simulated annealing algorithm for optimization involving continuous variables. Computer and Operations Research, 29, 87-102

3. Bagheri, A., & Zandieh, M., Mahdavi, I., Yazdani, M. (2010). An artificial immune algorithm for the flexible job-shop scheduling problem. Future Gener. Comput. Syst. 26, 533–541.

7. Baker, K. (1990). Scheduling Groups of Jobs in the Two-Machine Flow Shop. Mathematical, Computers and Modeling, 13(3), 29- 36.

8. Fattahi, P., Saidi, M., Jolai, F. (2007). Mathematical modeling and heuristic approaches to flexible job shop scheduling problems. J. Intel. Manuf. 18, 331–342.

9. Frazier, G.V. (1996). An Evaluation of Group Scheduling Heuristics in a Flow-line Manufacturing Cell. International Journal of Production Research, 34(4), 959- 976.

10. GAO, L., Li, X., Wen, X., Lu, C., & Wen, F. (2015). A hybrid algorithm based on a new neighborhood structure evaluation method for job shop scheduling problem. Computers & Industrial Engineering, 88, 417-429.

11. Garey, M. R., Johnson, D. S., & Sethi, R. (1976). The complexity of flowshop and jobshop scheduling. Mathematics of Operations Research, 1(2), 117–129.

13. Kaplanoğlu, V. (2016). An object-oriented approach for multi-objective flexible job-shop scheduling problem. Expert Systems with Applications, 45, 71-84.

14. Khan, W.A., Raouf, A., Cheng, K. (2011). Virtual Manufacturing. Retrieved from http://www.springer.com/978-0-85729-185-1

15. Kirkpartick, S., Gelatt, C.D.Jr. & Vecchi, M.P. (1983). Science, 220, 4598, 671.

16. Krishna, K., Ganeshan, K., & Janaki Ram, D. (1995). Distributed Simulated Anneasling Algorithms for job shop scheduling.IEEE TRANSACTION ON SYSTEMS, MAN, AND CYBERNETICS, 25(7).

17. Krishnamoorthy, B. & Kamath, M. (2000). Scheduling in a Cellular Manufacturing Environment. A Review of Recent Research, Engineering Valuation and Cost Analysis, 2, 409-423.

18. Logendran, R., Mai, L., Talkington, D. (1995). Combined Heuristics for Bi-level Group Scheduling, Problems. International Journal Production Economics, 38, 133- 145.

19. Mahmoodi, F., Dooley, K. J. & Starr, P. J. (1990). An Investigation of Dynamic Group Scheduling, Heuristics in a Job shop Manufacturing Cell. International Journal of Production Research, 28(9), 1695-1711.

20. Metropolis, N., Rosenbluth, A., Rosenbluth, M., Teller, A., Teller, E. (1953). Journal of Chemical Physics, 21, 1087.

21. Miltenburg. J. (2008).Setting manufacturing strategy for a factory-wiithin-a- factory. International Journal of Production Economics, 113, 307- 323.

22. Naderi, B., Fatemi Ghomi, S.M.T., Aminnayeri, M., Zandieh, M. (2011). Scheduling open shops with parallel machines to minimize total completion time. J. Comput. Appl. Math. 235, 1275–1287.

23. Shahsavari-Pour, N., & Ghasemishabankareh, B. (2013). A novel hybrid meta-heuristic algorithm for solving multi objective flexible job shop scheduling. Journal of Manufacturing Systems, 32(4), 771-780.

24. Schaller, J. E. (2001). A New Lower Bound for the Flow Shop Group Scheduling Problem. Computers and Industrial Engineering, 41, 151-161.

25. Shafer, S. M., & Charnes, J. M. (1995). A simulation analysis of factors influencing loading practices in cellular manufacturing. International Journal of Production Research, 33(1), 279–290.

26. Shih, W.L., Chien, Y.H., Chung, C.L, Kuo-Ching Ying (2012). Minimizing Total Flow Time in Permutation Flowshop Enviromnt. International Journal of Innovative Computing, 8(10), 6599-6612.

27. Skorin - Kapov, J., & Vakharia, A. J. (1993). Scheduling a Flow – line Manufacturing Cell: a Taboo. Search Approach, International Journal of Production Research, 31(7), 1721-1734.

28. Sridhar, J., & Rajendran, C. (1993). Scheduling in a Cellular manufacturing System: A simulated annealing Approach. International Journal of Production Research, 31(12), 2927-2945.

29. Solimanpur, M., Vrat, P., & Shankar, R. (2004). A heuristic to minimize makespan of cell scheduling problem. International journal of production economics, 88(3), 231-241.

30. Suer, G. A., Saiz, M., & Gonzalez, W. (1999). Evaluation of manufacturing cell loading rules for independent cells. International Journal of Production Research, 37(15), 3445–3468.

31. Vahit, K. (2015). An object-oriented approach for multi-objective flexible job-shop scheduling problem. Expert Systems with Applications. 45, 71-84.

32. Wilhelm, M.R., & Ward, T.L. (1987). Solving Quadratic Assignment Problem by Simulated Annealing. IIE Transactions, 19, 109-119.

33. Xia, W., & Wu, Z. (2005). An effective hybrid optimization approach for multi-objective flexible job-shop scheduling problems. Computers & Industrial Engineering, 48(2), 409-425.

34. Xingong, Z., Yong, W. (2015). Single-machine scheduling CON/SLK due window assignment problems with sum-of-processed times based learning effect. Applied Mathematics and Computation. 250, 628–635.

35. Yang, W. H. (2002). Group scheduling in a two-stage flowshop. Journal of the Operational Research Society, 53(12), 1367-1373.

36. Zhang, G., Shao, X., Li, P., &GAO, L. (2009). An effective hybrid particle swarm optimization algorithm for multi-objective flexible job-shop scheduling problem. Computers & Industrial Engineering, 56(4), 1309-1318.

37. Zhang, R., Wu, C. (2011). A simulated annealing algorithm based on block properties for the job shop scheduling problem with total weighted tardiness objective. Computers & Operations Research. 38, 854-867.

38. Zhang, R. (2013). A Simulated Annealing-based Heuristic Algorithm for Job Shop Scheduling to Minimize Lateness. International Journal of Advanced Robotic Systems. 10, 214.