کمینه‌کردن مجموع وزنی دیرکرد در محیط کارگاه جریانی منعطف با ماشین‌های پردازش دسته‌ای

زمان‌بندی در محیط‌های تولیدی به‌عنوان یک ابزار رقابتی در جهت بهبود کارایی و پاسخ به نیاز مشتریان به‌کار می‌رود. در این مقاله یک مسئله‌ زمان‌بندی در محیط کارگاه جریانی منعطف سه مرحله‌ای با در نظر گرفتن انسداد و پردازش دسته‌ای بررسی می‌شود. این مسئله با الهام از خط شارژ و بسته‌بندی یک تولید کننده بزرگ باتری خودرو طراحی شده است. در این محیط، مرحله اول و سوم شامل یک ماشین پردازشگر تکی و مرحله دوم شامل m ماشین موازی پردازش دسته‌ای یکسان است. هدف، کمینه ‌کردن مجموع دیرکرد وزنی سفارشات دریافتی است. با توجه به عدم مشاهده بررسی این مسئله در ادبیات موضوع، ابتدا یک مدل برنامه‌ریزی ریاضی برای آن ارائه شده است. همچنین با توجه به hard-np بودن مسئله، یک الگوریتم فراابتکاری جستجوی همسایگی متغیر و یک الگوریتم فراابتکاری ممتیک برای حل آن توسعه داده شده است. نتایج محاسباتی نشان می‌دهد الگوریتم جستجوی همسایگی متغیر قادر است مسائل تا ابعاد 1200 سفارش و 15 ماشین را با میانگین خطای حدود 9.1 درصد نسبت به بهترین جواب به‌دست آمده از بین دو روش، حل کند. الگوریتم ممتیک قادر است مسائل تا ابعاد 1200 سفارش و 15 ماشین را با میانگین خطای حدود 8.7 درصد نسبت به بهترین جواب به‌دست آمده از بین دو روش، حل کند. در کل نتایج محاسباتی نشان از کارایی بهتر الگوریتم جستجوی همسایگی متغیر نسبت به الگوریتم ممتیک دارد.

Minimizing Total Weighted Tardiness in a Flexible Flowshop Environment Considering Batch Processing Machines

Scheduling in production environments is used as a competitive tool to improve efficiency and respond to customer requests. In this paper, a scheduling problem is investigated in a threestage flexible flowshop environment with the consideration of blocking and batch processing. This problem has been inspired by the charging and packaging line of a large battery manufacturer. In this environment, the first and third stages involve a single processor machine, and the second one consists of m identical parallel batch processing machines. The objective is to minimize the total weighted tardiness of the received orders.Given the lack of consideration of this problem in the literature, first, a mathematical programming model is presented for the problem. Also, due to the NPhardness of the problem, a variable neighborhood search algorithm and a memetic algorithm are developed to solve it. The computational results show that the variable neighborhood search algorithm can solve instances up to 1200 orders and 15 machines with an average deviation of about 1.9%, relative to the best solution of the two algorithms, and the memetic algorithm can solve instances up to 1200 orders and 15 machines with an average deviation of about 7.8%, as compared e to the best solution of the two algorithms. In general, computational results show the better performance of the variable neighborhood search algorithm in comparison to the memetic algorithm.