حل مساله زمان بندی کار کارگاهی چند هدفی انعطاف پذیر پویا با ماشین های موازی توسط الگوریتم ژنتیک

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,730

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IIEC06_070

تاریخ نمایه سازی: 8 مهر 1387

چکیده مقاله:

تقیق حاضر، علاوه بر پارامترهای پویای محیط ساخت و تولید، چند معیاره بودن تابع هدف و انعطاف پذیری عملیات، انعطاف پذیری ناشی از ماشین های موازی را نیز در نظر می گیرد. ترکیب این انعطاف پذیری ها منجر به رفع مشکل گلوگاهی، افزایش تولید، بهبود عملکرد سیستم و ایجاد یک مزیت رقابتی در محیط های اقتصادی می گردد. این مساله یک مساله بهینه سازی سه هدفی در فضای گسسته با فرض در اختیار داشتن اطلاعات کافی در مورد وزن اهداف یا اولویت آنها می باشد. اهداف زمان بندی عبارتند از حداکثر زمان تکمیل (Cmax)، متوسط زمان گردش کاری (F) و متوسط دیرکرد قطعات (T). این اهداف با فلسفه تولید بموقع و اهداف مدیریتی زنجیره تامین سازگاری داشته و کنترل همزمان آنها به بهبود عملکرد سیستم منتهی شود. هدف از حل مساله، یافتن بهترین مجموع وزنی اهداف مساله و ارائه آن به تصمیم گیرنده است. با توجه به Np-hard بودن مساله، از الگوریتم ژنتیک در حل مساله استفاده شد. پارامترهای کنترلی الگوریتم ژنتیک توسعه یافته، به طور دینامیک در طول اجرای الگوریتم و فرایند بهینه سازی تغییر می نماید و این مساله منجر به کاهش احتمالی همگرایی زودرس و افتادم در نقاط بهینه محلی می گردد. نتایج حاصل برای سه سطح انعطاف پذیری جزئی، متوسط و کامل به ترتیب نشان دهنده 4/9%، 5/33% و 4/60% بهبود در میانگین جوابهای به دست آمده می باشد.

کلیدواژه ها:

ماشین های موازی ، الگوریتم ژنتیک ، تنظیم دینامیک پارامترهای کنترلی

نویسندگان

محمد عباسیان

دانشگاه تربیت مدرس و مدرس دانشگاه امام علی (ع)

نسیم نهاوندی

دانشگاه تربیت مدرس

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • عباسیان، م.، ^زمان‌بندی کار کارگاهی چند هدفی انعطاف‌پذیر با ماشین‌های ...
  • Pinedo M., 4Planning and Scheduling in M anufacturing and Services?, ...
  • Goldberg, D.E., ،Genetic Algorithm in Search: Optimization and Machine Learning?, ...
  • Xia, W. and Wu, Z.، 0An effective hybrid optimization approach ...
  • Scrich, C.A., Armentano, V.A. and Laguna, M.، Tardiness minimization _ ...
  • Su, L.H., Chang, P.C. and Lee, E.S.، 0A Heuristic for ...
  • Riane, F., Artiba, A. and Elmaghraby, S.E., ،A hybrid three-stage ...
  • Nowicki, E. and Smutniciki, C., ،The flow shop with parallel ...
  • Kyparisis G. J. and Koulamas C., 40A note on weighted ...
  • Low, C., ،Simulated annealing heuristic for flow shop scheduling problem ...
  • Kyparisis, G.J. and Koulamas, C., ،Flexible flow shop scheduling with ...
  • Tkindt, V. and Billaut J.C., ،، Multicriteria scheduling theory, models ...
  • Baker K.R., ،، Introduction to sequencing and scheduling?, John Wiley ...
  • Tay, J.C. and Ho, N.B., ،Evolving dispatching rules using genetic ...
  • Park, B.J., Choi, H.R. and Kim, H.S., 40A hybrid genetic ...
  • Lee, Y.H., Jeong, C.S. and Moon, C., ،0Advanced planning and ...
  • Gao J., Gen M. and Sun L., 4Scheduling jobs and ...
  • Dagli, C.H. and _ ittisthanchai, S., ،Genetic neuro -schedular: a ...
  • Kurz, M.E. and Askin, R.G., 4Scheduling flexible flow lines with ...
  • Kurz, M.E. and Askin, R.G., «Comparing scheduling rules for flexible ...
  • Zhang H. and Gen M., ،، M ul tistage-based genetic ...
  • Torabi S. A., Karimi B. and F atemi-Ghomi S. M. ...
  • Tay J. C. and Wibowo D., ،An Effective Chromosome Rep ...
  • Stadtler, H. and Kilger, Ch., «Supply chain management and advanced ...
  • Schaffer J.D., ،Multi- objective optimization with vector evaluated genetic algorithm?, ...
  • Neppalli, V.R., Chen, CL. and Cupta, J.N.D., ،Genetic Algorithms for ...
  • نمایش کامل مراجع