زمان بندی ماشین های موازی با هدف کمینه کردن هزینه کارهای دیرکرددار و هزینه ارسال با تحویل دسته ای

زمان بندی تولید و توزیع هم از نظر تئوری و هم از جنبه کاربردی امور مهمی هستند. یکپارچگی میان زمان بندی تولید و برنامه ریزی ارسال یکی از مسائل مهم در زمان بندی است که در سال های اخیر مورد توجه قرار گرفته است. در مسائل کلاسیک زمان بندی، به هماهنگی با واحد حمل ونقل و در نظر گرفتن شرایط ارسال توجهی نشده است و تصمیمات مربوط به زمان بندی تولید و برنامه ریزی ارسال به طور جداگانه انجام می شود. در حالی که اتخاذ تصمیمات یکپارچه زمان بندی تولید و برنامه ریزی ارسال (زمان بندی تولید با در نظر گرفتن شرایط ارسال) که نگرش جامع تر این موضوع است، کاهش هزینه ها و افزایش سودآوری مرتبط با سیستم تولیدی و بهبود سطح سرویس و سطح رضایتمندی مشتری را به همراه دارد. با این وجود، تحقیقات قابل توجهی در زمینه تصمیمات یکپارچه زمان بندی تولید و برنامه ریزی ارسال صورت نگرفته است. به دلیل وجود مسائل کاربردی فراوان، تحقیقات در این زمینه روند رو به رشدی داشته و اغلب کارهای صورت گرفته در این حوزه مربوط به دهه اخیر است. در این مطالعه با توجه به اهمیت تابع هدف هزینه دیرکرد (مجموع وزن دار تعداد کارهای دیرکرددار) به عنوان معیاری برای سنجش سطح رضایتمندی مشتری، سعی شده است تا روش های دقیق و غیردقیق برای حل مسئله زمان بندی ماشین های موازی مشابه همراه با دسته بندی برای ارسال با تابع هدف کمینه سازی جریمه ی دیرکرد کارها به علاوه هزینه ارسال ارائه شود. در این مطالعه به منظور ارائه روش های حل، ابتدا دو مدل برنامهریزی عدد صحیح مختلط (mip) برای مسئله مورد نظر ارائه می شود. در ادامه ی این مطالعه، به منظور ارائه یک روش دقیق کاراتر برای حل مسئله مورد نظر، یک الگوریتم شاخه و کران توسعه داده شده است. بر این اساس، یک روش ابتکاری برای ایجاد یک حد بالای اولیه به همراه حدودپایین و دستورالعمل هایی برای قرار گرفتن در ساختار شاخه و کران و کاهش فضای جواب، توسعه داده شده است. الگوریتم شاخه و کران ارائه شده موفق به حل بهینه 86 درصد از مسائل تا اندازه 20 کار و 5 ماشین، در محدودیت زمانی 3600 ثانیه شده است. پس از توسعه روش های دقیق گفته شده، از آنجایی که حل بسیاری از مسائل واقعی به دلیل ابعاد بزرگ، غیرممکن بوده و یا در زمان بسیار بزرگ قابل حل خواهند بود یک الگوریتم ژنتیک (ga) به منظور حل غیر دقیق مسائل با ابعاد بزرگ ارائه شد است.الگوریتم ژنتیک ارائه شده موفق به حل بهینه 62 درصد از مسائل تا اندازه 20 کار و 5 ماشین، شده است.