زمانبندی تولید کارگاهی انعطاف پذیر جغرافیایی- منطقه ای پایدار احتمالی با استفاده از مدل ریاضی الگوریتم تلفیقی فراابتکاری

در این تحقیق، یک الگوریتم کارا جهت تعیین توالی و زمانبندی تولید در سیستم های تولید کار کارگاهی، به منظور بهبود کارآیی و اثربخشی زمانبندی منطبق و سازگار با شرایط جغرافیایی - منطقه ای پایدار صنعت نفت، ارایه شده است. در این بررسی سازگاری و انطباق تئوری با شرایط جغرافیایی - منطقه ای پایدار صنعت از طریق در نظر گرفتن مقادیر احتمالی برای پارامتر زمان انجام فرآیند صورت پذیرفته است. مساله به صورت کمینه کردن شناوری زمان پردازش و نیز میزان هزینه عملیاتی و بیکاری ماشین ها، با هدف حداکثر کردن بهره گیری از امکانات تولید، مدل سازی شده است. در میان مسایل تعیین توالی عملیات، زمانبندی در سیستم های تولید کار کارگاهی در شرایط چند کار یا چند ماشین با محدودیت های مختلف از پیچیدگی خاصی برخوردار می باشد. علاوه براین پیچیدگی ذاتی سیستم های تولید کار کارگاهی، ورود شرایط عدم قطعیت، بکارگیری روش های حل احتمالی، تصادفی و فازی را در مدل های زمانبندی گسترش داده است.در این مقاله، زمانبندی تولید کار کارگاهی در شرایطی که انجام عملیات‌ها دارای زمان‌های احتمالی هستند، مورد بررسی قرار گرفته است. یک مدل ریاضی به همراه رویه حل آن، برای تعیین زمانبندی سیستم‌های تولید کار کارگاهی با هدف از بین بردن این نقاط ضعف و درنظر گرفتن شرایط تولیدی بصورت احتمالی و همچنین کاهش هزینه‌های چندگانه تولیدی ارایه شده است. برای بدست آوردن یک جواب مناسب در یک زمان توجیه‌پذیر، یک رویه حل تلفیقی بر اساس مدل شبکه عصبی به منظور ایجاد جواب موجه اولیه و الگوریتم annealing simulatedبه منظور بهبود عملکرد و کیفیت جواب اولیه و ایجاد جواب بهینه/ نزدیک به بهینه ارایه شده است. برای ارزیابی این روش، چند مساله زمانبندی تولید کار کارگاهی متفاوت حل شده و جواب‌های بدست آمده با نرم‌افزار لینگو به عنوان حد پایین مقایسه شده است. نتایج محاسباتی دو روش نشان ‌دهنده عملکرد مناسب الگوریتم پیشنهادی تحت شرایطی است که مقدار پارامترهای ورودی افزایش می‌یابد یا به ‌عبارت دیگر مساله بزرگ می‌باشد. به منظور افزایش انعطاف‌پذیری در کاربرد الگوریتم فوق در شرایط واقعی صنعت، اعداد احتمالی براساس سه در این تحقیق، یک الگوریتم کارا جهت تعیین توالی و زمانبندی تولید در سیستم های تولید کار کارگاهی، به منظور بهبود کارآیی و اثربخشی زمانبندی منطبق و سازگار با شرایط جغرافیایی - منظقهای پایدار صنعت نفت، ارایه شده است. در این بررسی سازگاری و انطباق تئوری با شرایط جغرافیایی - منطقه ای پایدار صنعت از طریق در نظر گرفتن مقادیر احتمالی برای پارامتر زمان انجام فرآیند صورت پذیرفته است. مساله به صورت کمینه کردن شناوری زمان پردازش و نیز میزان هزینه عملیاتی و بیکاری ماشین ها، با هدف حداکثر کردن بهره گیری از امکانات تولید، مدل سازی شده است. در میان مسایل تعیین توالی عملیات، زمانبندی در سیستم های تولید کار کارگاهی در شرایط چند کار یا چند ماشین با محدودیت های مختلف از پیچیدگی خاصی برخوردار می باشد. علاوه براین پیچیدگی ذاتی سیستم های تولید کار کارگاهی، ورود شرایط عدم قطعیت، بکارگیری روش های حل احتمالی، تصادفی و فازی را در مدل های زمانبندی گسترش داده است.توزیع نرمال/ یکنواخت و نمایی از زمان انجام پردازش، به صورت تصادفی تولید می‌شوند. در عین حال مدل فوق توسط نرم‌افزارlingo6 برنامه‌نویسی شده ‌است. در انتها مقایسه نتایج حاصل از حل مثال‌های نمونه، بهبودهای موثری را در جواب‌های بدست آمده از روش ابتکاری نشان می‌دهد

Production Schedule of Flexible Geographical Workshop - Possible Stable Areas Using the Mathematical Model of the Integrated Transformational Algorithm

In this paper, the production schedule of workshop work in the conditions where the operations have probable times has been studied. A mathematical model with a solution procedure has been proposed to determine the scheduling of workshop production systems with the aim of eliminating these weaknesses and considering possible production conditions as well as reducing multiple production costs. To obtain a suitable answer in a justifiable time, an integrated solution procedure based on the neural network model to generate the initial justified answer and the Annealing Simulated algorithm to improve the performance and quality of the initial answer and to create the optimal / nearoptimal solution are presented. To evaluate this method, several different workshop production scheduling problems have been solved and the obtained answers have been compared with Lingo software as a low limit. The computational results of the two methods show the proper performance of the proposed algorithm under conditions where the value of input parameters increases or in other words is a big problem. In order to increase the flexibility in applying the above algorithm in real industry conditions, probabilistic numbers based on three normal / uniform distributions and exponential of processing time are generated randomly. At the same time, the above model is programmed by lingo6 software. Finally, the comparison of the results obtained by solving the sample examples shows effective improvements in the answers obtained from the innovative method