برنامه‌‌ریزی تولید استوار ادغامی برای مدیران ریسک‌گریز در شرایط عدم‌قطعیت

در محیط‌های تولیدی مواجهه با عدم‌قطعیت و داده‌های متغیر که باعث ایجاد پارامترهای تصادفی می شود، غیرعادی نیست. عدم توجه به این تغییرات، باعث می‌شود که برنامه‌ریزی انجام شده تطابق کافی با واقعیت نداشته و ضررهای فراوانی را در محیط‌های تولیدی ایجاد نماید. با توجه به اهمیت موضوع، در این مقاله از رویکرد بهینه‌سازی استوار جهت مقابله با عدم‌قطعیت در پارامترهای برنامه‌ریزی تولید ادغامی استفاده می‌کنیم. در مدل استوار، فرض می‌شود که عدم‌قطعیت پارامترهای غیرقطعی به‌صورت پیوسته و بازه‌ای بوده و یک رویکرد جدید در حالت ریسک‌گریزی مدیران برای بهینه‌سازی استوار ارائه می‌شود. جهت بررسی نتایج مدل، مثال‌هایی در ابعاد کوچک و بزرگ تولید شده و با استفاده از نرم‌افزار گمز و روش آزادسازی لاگرانژ به حل و تحلیل آن‌ها پرداخته شده است. نتایج حاصل از اجرای مدل‌های استوار پیشنهادی در این مقاله نسبت به مدل اولیه نشان می‌دهد که نتایج در مقابل عدم‌قطعیت از پایداری بیشتری برخوردار هستند و باعث کاهش چشمگیر ریسک خواهند شد.

Robust Aggregate Production Planning for RiskAverse Managers in Uncertainty Conditions

It is usual for a production environment to encounter uncertainty and variable data that causes generating random parameters. Failure to pay attention to these changes will make the scheduling not adequately match the reality and cause many losses in production environments. Considering the importance of the issue, in this article we use the Robust Optimization Approach to deal with uncertainty in the aggregate production planning parameters. In this paper, in a robust model, it is assumed that the uncertainty of nondeterministic parameters is continuous and a completely new and innovative approach is proposed for Robust Optimization for riskaverse managers and then, an optimization strategy is used to examine the uncertainty. In order to investigate the model results, examples have been made in small and large sizes and the problem has been solved and analyzed using the GAMS software and Lagrange relaxation method. The results of the implementation of the proposed robust models in this paper, compared to the basic model, show that the results have more stability against uncertainty and this causes a significant reduction in risk.