تعیین اندازه دسته در سیستم های چند دوره ای در ماش

تعیین یک برنامه تولیدی برای تخصیص منابع محدود در طول زمان برای انجام گروهی از فعالیت ها، به عنوان یکی از عوامل کلیدی موفقیت در هر سازمان تولیدی کالا و خدمات نقش مهم و موثری دارد. با توجه به گستردگی پژوهش های انجام شده، مدل مورد استفاده در هر مسئله برنامه ریزی تولید بر اساس اهداف و ویژگی های هر سیستم تولیدی، متفاوت می باشد. یکی از فرضیات پایه در اکثر مطالعات صورت گرفته در مسائل تعیین اندازه دسته و زمان بندی تولید، پایبندی به تعهدات کارخانه در برآوردن کلیه تقاضاهای مشتریان، است، در حالی که با توجه به محدودیت ظرفیت این امر ممکن است انجام پذیر نباشد. یکی از راه کارهای دست یابی به این مهم، انجام اضافه کاری و بستن قراردادهای جانبی می باشد، که البته به طور معمول هر دو روش با هزینه ای بالاتر از هزینه تولید صورت می پذیرد. در این پایان نامه، با در نظر گرفتن هزینه های آماده سازی، تنوع محصول، تولید دسته ای بر روی مجموعه ای از ماشین های موازی غیر مرتبط و نیز وجود دوره های تولیدی برای انجام فرآیند ساخت جهت برآوردن تقاضا در هر دوره با لحاظ کردن انبار و هزینه های انبارداری، تلاش برای هرچه نزدیک تر کردن مدل به شرایط واقعی صورت گرفته است. همچنین به جهت کاهش هزینه های تولید، فرضیات تکنولوژی گروهی و در نظر گرفتن امکان انتقال آماده سازی بین دوره ها برای دسته های تولیدی به مدل اضافه و از طرفی با لحاظ کردن اضافه کاری و بستن قرارداد جانبی امکان برآوردن هدف تأمین تقاضای قطعات در هر دوره با وجود محدودیت ظرفیت تولید برآورده شده است. از دیگر محدودیت های مهم موجود می توان به وجود ظرفیت ماشین آلات، دسترسی به کارگران در زمان اضافه کاری، حدود مربوط به میزان تولید و قراردادهای جانبی در هر دوره اشاره نمود. علاوه بر ساخت مدل برنامه ریزی ریاضی عدد صحیح مختلط بر پایه فرضیات موجود و حل آن به روش دقیق، دو روش ابتکاری مجزا و کارا برای حل مسئله در ابعاد بزرگ ارائه شده است، که در مقایسه با روش حل دقیق دارای جواب هایی با کیفیت و زمان حل مناسب می باشد. روش اول بر پایه الگوریتم ژنتیک و روش دوم الگو گرفته از شبیه سازی آنیلینگ می باشد. هر دو روش در انتها در قیاس با جواب دقیق به دست آمده از نرم افزار gams قرار گرفته و نتایج به دست آمده نشان می دهد که هر دو روش از نظر زمان حل و کیفیت جواب مناسب در ابعاد کوچک و متوسط می باشند. در ابعاد بزرگ الگوریتم شبیه سازی آنیلینگ از جهت کیفیت و زمان حل با اختلاف کم جواب های بهتری را به دست می دهد.