مدل‌سازی ریاضی و حل مسئلۀ زمانبندی تولید کار کارگاهی انعطاف‌پذیر با جریان‌های معکوس
Authors
Abstract:
یکی از مسائل مهم در سیستم‌های تولید کارگاهی انعطاف‌پذیر، توجه به جریان‌های معکوس درون شبکه مونتاژ/ جداسازی است. در این پژوهش، مسئلة زمانبندی تولید کار کارگاهی انعطاف‌پذیر با رویکرد جریان‌های معکوس که از دو جریان کارها (مستقیم و معکوس) در هر مرحله متشکل است، بررسی می‌شود. این مسئله زمانی کاربرد دارد که شما با دو جریان مواجه باشید که جریان (کار) رفت از مرحلة اول به آخر و جریان (کار) برگشت از مرحلة آخر به اول به‌کار برده شود سپس یک مدل ریاضی از مسئله با هدف کمینه‌سازی معیار بیشینة زمان تکمیل کارها یا به عبارتی Cmax ارائه می‌شود. با توجه به پیچیدگی حل و Np-hardبودن این مسئله، از الگوریتم ژنتیک بهره می‌گیریم. همچنین با استفاده از طراحی آزمایش‌ها و روش تاگوچی، مقدار مناسب پارامترهای الگوریتم ژنتیک را برآورد می‌کنیم. تحلیل نتایج، بیانگر کارایی الگوریتم ژنتیک برای حل مدل پیشنهادی است.
similar resources
مدل سازی و حل مساله زمانبندی کار کارگاهی با زمانهای آماده‌سازی وابسته به توالی
In recent decade, many researches has been done on job shop scheduling problem with sequence dependent setup times (SDSJSP), but with respect to the knowledge of authors in very few of them the assumption of existing inseparable setup has been considered. Also, in attracted metaheuristic algorithms to this problem the Particle Swarm Optimization has not been considered. In this paper, the ISD...
full textالگوریتم ممتیک برای حل مسئله زمانبندی کار کارگاهی منعطف با امکان ایجاد وقفه در انجام فعالیت‌ها
Flexible job shop scheduling problem )FJSP( is an extension of the classical job shop scheduling problem which allows an operation to be processed by any machine from a given set. FJSP is NP-hard and mainly presents two difficulties. The first one is to assign each operation to a machine out of a set of capable machines, and the second one deals with sequencing the assigned operations on the ma...
full textمدل سازی و حل مساله زمانبندی کار کارگاهی با زمانهای آماده سازی وابسته به توالی
در یک دهه اخیر تحقیقات نسبتا کمی بر روی مساله زمانبندی کار کارگاهی با زمان های آماده سازی وابسته به توالی جدایی ناپذیر (isdsjsp) انجام شده است. در زمینه حل این مساله نیز الگوریتم بهینه سازی دسته ذرات (pso) مورد توجه قرار نگرفته است. در این مقاله مساله isdsjsp با تابع هدف کمینه سازی زمان پایان تمام کارها مدنظر قرار گرفته و یک مدل برنامه ریزی خطی عدد صحیح مختلط و یک الگوریتم ترکیبی pso برای آن ار...
full textتوسعه یک الگوریتم شاخه و کران برای حل مساله زمانبندی در سیستم تولید جریان کارگاهی مونتاژی
سیستم تولید جریان کارگاهی مونتاژی شامل دو مرحله است. در مرحله اول پردازش قطعات صورت می‌گیرد و معمولا به صورت یک ایستگاه با ماشین‌های موازی درنظر گرفته می‌شود. مرحله دوم نیز یک ایستگاه یا خط مونتاژ می‌باشد که قطعات پردازش شده، در آن مونتاژ و محصولات نهایی کامل می‌شود. در این تحقیق فرض می‌شود قرار است تعدادی محصول از انواع مختلف تولید شود و هر محصول جهت کامل شدن، نیازمند قطعاتی مشخص است. بعضی از ...
full textمقایسه و تحلیلی بر استفاده از الگوریتم های فراابتکاری برای حل مسائل زمانبندی تولید کارگاهی
One of the most important problems in research and applied fields of production management is a suitable scheduling for different operations. So, there are many approaches for job workshop or job non-workshop scheduling problems. Since job workshop scheduling problems (JSP) belong to NP-Hard class, some metaheuristics methods such as Tabu Search, Simulated Annealing, Genetic Algorithm and Parti...
full textبکارگیری الگوریتم ترکیبی بهینه سازی دسته ذرات برای حل مساله سنتی زمانبندی کار کارگاهی
The classical Job Shop Scheduling Problem (JSSP) is NP-hard problem in the strong sense. For this reason, different metaheuristic algorithms have been developed for solving the JSSP in recent years. The Particle Swarm Optimization (PSO), as a new metaheuristic algorithm, has applied to a few special classes of the problem. In this paper, a new PSO algorithm is developed for JSSP. First, a pr...
full textMy Resources
Journal title
volume 52 issue 1
pages 87- 96
publication date 2018-03-21
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023