ارائه مدل ریاضی جدید milp جهت بهینه‌سازی خطوط مونتاژ مختلط با رویکرد فراابتکاری روش abc-pso

مسئله متعادل‌سازی خطوط مونتاژ از جمله مسائل بهینه‌سازی است که توسط محققین مختلف بسیاری مورد مطالعه قرارگرفته است. با این‌وجود و پس از شش دهه تحقیق و توسعه، وجود شکافی عمیق بین مطالعات دانشگاهی انجام‌شده در این زمینه با کاربردهای عملی مسئله متعادل‌سازی خط مونتاژ در محیط واقعی صنعت محسوس می‌باشد. به‌همین دلیل این تحقیق با هدف ایجاد تعادل در خطوط مونتاژ مختلط در جهت کاهش هزینه نیروی‌انسانی و کاهش تعداد ایستگاه‌های کاری انجام شده است. برای حل مساله از مجموعه داده شامل 7 ایستگاه کاری و 70 وظیفه و زمان حل 500 ثانیه و زمان انجام هر فعالیت شامل 260 فعالیت مشخص، با روابط پیش نیازی تعیین شده دو رویکرد کلی به کار گرفته می شود، ابتدا مساله با روش دقیق از طریق نرم افزار گمز مدل حل شده است. سپس یک بار دیگر مساله با الگوریتم فراابتکاری زنبورعسل تغییر یافته در نرم افزار متلب حل شده است و در نهایت با استفاده از روش جدید و تلفیقی الگوریتم زنبورعسل هیبریدی با روش pso نیز حل شده است و در آخر مقادیر بدست آمده تابع هدف هر دو روش باهم مقایسه شده است و نتایج نشان می دهد که الگوریتم زنبورعسل هیبریدی در همان مراحل اولیه بهینه سازی به جواب بهینه رسیده است و مقدار تابع هدف آن به مینیمم مقدار خود رسیده است و کمترین مقدار تخطی قیود را نیز بدست آورده است و نشان از کاهش هزینه و کاهش ایستگاه‌های کاری به 3 ایستگاه دارد.

The new MILP mathematical model for optimization of complex assembly lines with the ABC-PSO method

The problem of balancing assembly lines is one of the optimization problems that have been studied by many researchers. However, after six decades of research and development, there is a profound gap between academic studies in this area and the practical applications of the assembly line balancing problem in the real industry environment. For this reason, this study aimed to balance the complex assembly lines in order to reduce the cost of manpower and reduce the number of workstations. To solve the problem from the dataset consisting of 7 workstations and 70 tasks and the time to solve 500 seconds and the time of performing each activity including 260 specific activities, two general approaches are used to determine the prerequisite relationships. Gams model software is resolved. Then the problem is solved once again with the modified honeycomb algorithm in MATLAB software and finally solved by the new hybrid honeycomb algorithm with PSO method and finally the obtained values of the objective function of both methods are combined. Have been compared and the results show that the hybrid honeycomb algorithm is optimized at the same early stages of optimization and its objective function value reaches its minimum value and also obtained the least amount of constraint violation and shows cost and cost reductions. Reduces workstations to 3.