الگوریتم ژنتیک شبیه‌سازی مبنا برای حل مسئله زمان‌بندی جریان کارگاهی با درنظرگرفتن هزینه انرژی تحت ‌شرایط عدم‌قطعیت

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، دانشگاه بوعلی سینا.

2 دانشیار، دانشگاه بوعلی سینا.

چکیده

یک مسئله جریان کارگاهی با اهداف حداقل‌سازی زمان تکمیل و هزینه انرژی بررسی شده است. کاهش هزینه‌های 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 نزدیک‌­ترشدن مسئله به دنیای واقعی، مسئله تحت عدم‌قطعیت بررسی شده است. شکاف پژوهشی موجود الهام‌­بخش پژوهش بوده است. فرض شده که ماشین‌ها می‌توانند از سه سرعت آهسته، نرمال و سریع برای پردازش کارها استفاده کنند. در سرعت بالا میزان مصرف افزایش یافته و زمان تکمیل کاهش می‌یابد و برعکس. این تفاوت در سرعت به ایجاد مقادیر متفاوت و متضاد در تابع اهداف منجر می‌شود؛ بنابراین باید راهکاری پیشنهاد شود که علاوه بر ترتیب کار، سرعت دستگاه‌ها به­عنوان متغیر تصمیم به­صورت بهینه مشخص شوند. یک مدل ریاضی ارائه شده و سپس از الگوریتم ژنتیک مبتنی برشبیه‌­سازی برای حل مسئله در ابعاد بزرگ استفاده شده است. به­ازای هربار ارزیابی تابع هدف در الگوریتم از شبیه­‌سازی استفاده شده است تا عدم­‌قطعیت موجود در پارامتر زمان پردازش درنظر گرفته شود. با توجه به تصادفی­‌بودن زمان پردازش، از مدل ارزش انتظاری برای مقابله با عدم­قطعیت استفاده شده است. نتایج محاسباتی نشان می‌دهد که الگوریتم و رویکرد حل پیشنهادی، عملکرد خوبی دارند.

کلیدواژه‌ها


  1. Alam Tabriz, A. Roghanian, E. & Hoseinzadeh, M. (2012). Design and optimization of reverse logistics network under uncertainty using genetic algorithm. Journal of Industrial Management Perspective, 1, 61-89. (In Persian).
  2. Baker, K.R., Altheimer, D. (2012). Heuristic solution methods for the stochastic flow shop problem. European Journal of Operational Research, 216(1), 172-177.
  3. Chang, P.C., Chen, S.H., & Lin, K.L. (2005). Two-phase sub population genetic algorithm for parallel machine-scheduling problem. Expert Systems with Applications, 29, 705-712.
  4. Dantzig, G.B. (1955). Linear Programming under Uncertainty. Management Science, 1, 197-206.
  5. Ding, J.Y., Song, S., & Wu, C. (2016).Carbon-efficient scheduling of flow shops by multi-objective optimization. European Journal of Operational Research, 248, 758-771.
  6. Fatahi, P. Mohamadi, E. & Daneshamoz, F. (2019). Solve Multi-Objective Jobshop Scheduling Problem with One Step of Assembly and Considering the Flow of Cargo. Journal of Industrial Management Perspective, 9(33), 61-86. (In Persian).
  7. Framinan, J.M., P-Gonzalez, P. (2015). On heuristic solutions for the stochastic flowshop scheduling problem. European Journal of Operational Research, 246(2), 413-420.
  8. Gahm, C., Denz, F., Dirr, M., & Tuma, A. (2016). Energy-efficient scheduling inmanufacturing companies: A reviewand research framework. European Journal of Operational Research, 248, 744–757.
  9. Gonzalez-Neira, E. M., Ferone, D., Hatami, S. & Juan, A. (2017). A biased-randomized simheuristic for the distributed assembly permutation flowshop problem with stochastic processing times. Simulation Modelling Practice and Theory, 79, 23–36.
  10. Gourgand, M., Grangeon, N., & Norre, S. (2005). Markovian analysis for performance evaluation and scheduling in m machine stochastic flow-shop with buffers of any capacity. European Journal of Operational Research, 161(1), 126-147.
  11. Juan, A.A., Barrios, B.B., Vallada, E., Riera, D., & Jorba, J. (2014).Asimheuristic algorithm for solving the permutation flow shop problem with stochastic processing times. Simulation Modeling Practice and Theory, 46, 101-117.
  12. Liefooghe, A., Basseur, M., Jourdan, L., & Talbi, E. (2007). Combinatorial Optimization of Stochastic Multi-Objective Problems: An Application to the Flow-Shop Scheduling Problem. EMO 2007, LNCS 4403, 457-471.
  13. Luo, H., Du, B., Huang, G.Q., Chen, H., Li, X. (2013). Hybrid flow shop scheduling considering machine electricity consumption cost. International Journal of Production Economics, 146, 423-439.
  14. Mansouri, S.A., Aktas, E., & Besikci, U. (2016). Green scheduling of a two- machine flowshop: Trade-off between makespan and energy consumption. European Journal of Operational Research, 248, 772-788.
  15. Masmoudi, O., Yalaoui, A., Ouazene, Y., & Chehade, H. (2016). Solving a capacitated flow-shop problem with minimizing total energy costs. The International Journal of Advanced Manufacturing Technology volume 90, pages2655–2667.
  16. Schulz, S. (2018). A genetic algorithm to solve the hybrid flow shop scheduling problem with subcontracting options and energy cost consideration. SAT 2018, AISC 854, 263–273.
  17. Tanaev, V., Sotskov, Yuri, N., & Strusevich, V.A. (2012). Scheduling Theory: Multi-Stage Systems. Springer Science & Business Media.
  18. Tang, D., Dai, M., Salido, M.A., & Giret, A. (2016). Energy-efficient dynamic scheduling for a flexible flow shop using an improved particle swarm optimization. Computers in Industry, 81, 82–95.
  19. Wang, K., Choi, S.H., & Lu, H. (2015). A hybrid estimation of distribution algorithm for simulation-based scheduling in a stochastic permutation flowshop. Computers and Industrial Engineering, 90, 186-196.
  20. Zhai, Y., Biel K, Zhao, F., &Sutherland, J. (2017). Dynamic scheduling of a flow shop with on-site wind generation for energy cost reduction under real time electricity pricing. CIRP Annals - Volume 66, Issue 1, Pages 41-44.
  21. Zandieh, M. & Fotovat, A. (2015). Flowshop scheduling system with limitation of machine access and learning effect based on a hybrid model. Journal of Industrial Management Perspective, 1, 41-58. (In Persian).
  22. Zhang, H., Zhao, F., Fang, K., & Sutherland, J.W. (2014). Energy-conscious flow shop scheduling under time-of-use electricity tariffs. CIRP Annals - Manufacturing Technology, 63, 37-40.
  23. https://www.iea.org/tcep/industry, Available at February 2017.