دانلود مقاله ISI انگلیسی شماره 22826
ترجمه فارسی عنوان مقاله

گداختن ترکیبی شبیه سازی شده و ابتکارات مبتنی بر MIP-برای مشکل تعیین اندازه دسته تولید و برنامه ریزی تصادفی در سیستم تولید چند مرحله ای توانا شده

عنوان انگلیسی
Hybrid simulated annealing and MIP-based heuristics for stochastic lot-sizing and scheduling problem in capacitated multi-stage production system
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
22826 2013 14 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Applied Mathematical Modelling, Volume 37, Issue 7, 1 April 2013, Pages 5134–5147

ترجمه کلمات کلیدی
تعیین اندازه دسته تولید تصادفی و برنامه ریزی - راه اندازی وابسته به توالی - اکتشافی بر اساس - روش تاگوچی -
کلمات کلیدی انگلیسی
Stochastic lot-sizing and scheduling, Flow shop, Sequence-dependent setup, MIP-based heuristic, Hybrid meta-heuristic, Taguchi method,
پیش نمایش مقاله
پیش نمایش مقاله  گداختن ترکیبی شبیه سازی شده و ابتکارات مبتنی بر MIP-برای مشکل تعیین اندازه دسته تولید و برنامه ریزی تصادفی در سیستم تولید چند مرحله ای توانا شده

This paper addresses lot sizing and scheduling problem of a flow shop system with capacity constraints, sequence-dependent setups, uncertain processing times and uncertain multi-product and multi-period demand. The evolution of the uncertain parameters is modeled by means of probability distributions and chance-constrained programming (CCP) theory. A new mixed-integer programming (MIP) model with big bucket time approach is proposed to formulate the problem. Due to the complexity of problem, two MIP-based heuristics with rolling horizon framework named non-permutation heuristic (NPH) and permutation heuristic (PH) have been performed to solve this model. Also, a hybrid meta-heuristic based on a combination of simulated annealing, firefly algorithm and proposed heuristic for scheduling is developed to solve the problem. Additionally, Taguchi method is conducted to calibrate the parameters of the meta-heuristic and select the optimal levels of the algorithm’s performance influential factors. Computational results on a set of randomly generated instances show the efficiency of the hybrid meta-heuristic against exact solution algorithm and heuristics.