مسئله برنامه‌ریزی تولید انبوه دوهدفه با اثر یادگیری و خرابی ماشین: مدل‌سازی و راه‌حل

چکیده

کلمات کلیدی

1.    مقدمه

2.    مرور منابع

3.    مدل بهینه‌سازی چندهدفه 

1.3. مدل بهینه‌سازی دوهدفه برای APP

1.1.3. متغیرهای تصمیم

2.1.3.    پارامتر‌ها

2.3.    مدل پیشنهادی

1.2.3.    اولین تابع هدف 

2.2.3. تابع هدف دوم

3.2.3.    محدودیت‌ها

4.2.3.    اعتبارسنجی مدل

4.    الگوریتم ژنتیک زیرجامعه پیشنهادی (SPGA)

1.4.    بازنمایی

جدول 1. حل مسائل مختلف با استفاده از نرم‌افزار LINGO.

2.4.    محاسبه متغیرهای تولید، مقاطعه‌کاری فرعی، استخدام و تعلیق 

1.2.4.    مقدار تولید محصولات مرحله دوم 

شکل 1. شبه رمز عمومی SPGA پیشنهادی.

شکل 2. بازنمایی کروموزوم

3.4. مرحله اول: رویکرد زیرجامعه 

شکل 3. نمایش کراس‌اور ریاضی.

شکل 4. نمایش جهش ریاضی.

شکل 5. نمایش مبادله جهش.

1.3.4. تقاطع

2.3.4. جهش

شکل 6. اتاقک‌های جاویژه در راستای جبهه غیرغالب محلی ( Mansouri, 2005 ).

4.4. مرحله دوم: بهبود راه‌حل‌های پاراتو

1.4.4. دسته‌بندی غیرغالب

شکل 7. رابطه بین مرحله اول و مرحله دوم.

شکل 8. شبه رمز MOGAW.

شکل 9. شبه رمز NSGA-II.

جدول 2. تنظیم پارامتر.

جدول 3. ارزیابی راه‌حل غیرغالب برای الگوریتم‌های گروه‌بندی شده برحسب اندازه مسئله و نوع شاخص.

2.4.4. WMOGA

3.4.4. NSGA-II

5.    پژوهش محاسباتی

1.5. معیارهای عملکرد 

شکل 10. قیاس‌پذیری SPGA در مقایسه با NSGA-II و MOGAW در سنجه‌های زمان CPU، MID, SSC و ALC.

2.5. تنظیم پارامتر 

3.5. تحلیل تطبیقی

جدول 4. تحلیل واریانس برای سنجه زمان CPU.

جدول 5. تحلیل واریانس برای سنجه فضابندی.

جدول 6. تحلیل واریانس برای سنجه MID.

جدول 7. تحلیل واریانس برای سنجه ALC.

6.    نتیجه‌گیری و بسط‌های آتی

ضمیمه A. مجموعه مسئله‌های تصادفی تولیدی استفاده شده در آزمایش‌ها

جدول A1، جدول A2، جدول A3.

تاثیرات یادگیری کارگران و خرابی ماشین در مسئله برنامه‌ریزی تولید انبوه (APP) هنوز در منابع بررسی نشده‌اند. این عامل‌ها بر عملکرد تمام نظام‌های تولید جهان واقعی تاثیرگذار و نیازمند توجه است. در این مقاله، مدل بهینه‌سازی دوهدفه برای مسئله APP با اثر یادگیری نیروی کار و خرابی ماشین ایجاد می‌شود. اولین هدف این مدل حداکثرسازی سود با بهبود یادگیری و کاهش هزینه شکست سیستم است. تابع هدف دوم حداقل‌سازیِ هزینه‌های مرتبط با تعمیرها و خرابی است که بستگی به میزان خرابی ماشین‌ها در دوره‌های تولید دارد. هدف این مقاله رسیدن به سطوح مناسب میزان تولید در زمان مقرر و اضافه‌کار، سطوح کمبود و موجودی مواد، سطوح اخراج و استخدام کارگران و مقادیر محصولات تحت مقاطعه‌کاری فرعی است. برای نشان دادن روایی فرمولاسیون ریاضی پیشنهادی، مدل چندهدفه تبدیل به مدل تک‌هدفه با استفاده از روش برنامه‌ریزی هدف فازی شد، که برطبق آن، آزمایش‌های محاسباتی بر مجموعه نمونه‌های کوچک تصادفی حل شده توسط نرم‌افزار LINGO اجرا شد. همانطور که مسئله NP سخت نشان داد، الگوریتم ژنتیک زیرجامعه (SPGA) برای حل مسائل بزرگ پیشنهاد شد. علاوه بر این، از دو متااکتشاف دیگر تحت عنوان الگوریتم ژنتیک چندهدفه حاصل‌جمع وزن‌دار (WMOGA) و الگوریتم ژنتیک II دسته‌بندی غیرغالب (NSGA-II) برای حل مجموعه مسئله‌های محک استفاده شد تا نتایج به دست آمده اعتبارسنجی شوند و عملکرد SPGA ارزیابی شود. برای میزان‌سازی پارامترها، روش تاگوچی پیشنهاد می‌شود تا به راه‌حل‌های با کیفیت برسیم. در نهایت، عملکرد الگوریتم‌های پیشنهادی به لحاظ آماری با یکدیگر مقایسه شدند. نتایج محاسباتی نشان می‌دهد عملکرد SPGA در مقایسه با الگوریتم‌های دیگر در قالب برخی معیارهای بهینه‌سازی چندهدفه بهتر است. © 2017 شرکت مسئولیت محدود الزویر. تمام حقوق محفوظ است.

برنامه‌ریزی تولید انبوه (APP) فعالیتی عملیاتی است که طرح انبوه برای فرایندهای تولید در بازه زمانی متوسط فراهم می‌کند. هدف APP تنظیم سطوح کلی محصول برای مواجهه با نوسان و تقاضاهای غیرحتمی و عرضه محصولات است. این برنامه‌ریزی ارائه‌دهنده مقدار تولید بهینه و زمان تولید کالاها، قطعه‌ها، مواد و سایر منابع برای حداقل‌سازی هزینه عملیاتی سازمانی است. در APP، تعداد اقلام برون‌سپاری شده‌، میزان اضافه‌کار، تعداد کارگران استخدام و اخراج شده در هر دوره، و سطح موجودی مواد نگهداری شده در انبار و متراکم برای هر دوره تعیین می‌شود. ورودهای لازم ابتدایی برای APP متشکل از اطلاعاتی ناظر بر منابع و تسهیلات در دسترس، پیش‌بینی تقاضا برای دوره برنامه‌ریزی، و هزینه منابع و بدیل‌های متفاوت است. هزینه‌ها شامل نگهداری موجودی مواد، سفارش‌دهی و هزینه تولید به واسطه بدیل‌های تولید مختلف نظیر مقاطعه‌کاری فرعی، سفارش‌های معوق و اضافه‌کار است. سیاست‌های سازمانی ناظر بر سودمندی بدیل‌های بالا نیز ضروری هستند. یادگیری کارگران و همچنین خرابی ماشین اثری معنی‌دار دارد که چگونه تولید انبوه برنامه‌ریزی شده است. این عامل‌ها بر عملکرد تمام سیستم‌های تولید جهان واقعی تاثیرگذار و نیازمند توجه هستند. با این حال، تاکنون آنها در مدل‌های موجود در منابع ارائه نشده‌اند. به این دلیل است که مدل دوهدفه APP در این مقاله پیشنهاد می‌شود تا هم‌زمان تاثیرات یادگیری نیروی کار و خرابی ماشین ملاحظه شود.