ارایه الگوریتم‌های کارآمد برای زمان‌بندی تولید به‌هنگام در شرایط پردازش انباشته

در این مقاله مساله زمان بندی تولید به هنگام در یک ماشین پردازنده انباشته مورد بررسی قرار می گیرد. ماشین های پردازنده انباشته قادرند به طور هم زمان بیش از یک کار را پردازش کنند و کاربردهای فراوانی در صنایع تولید نیمه هادی دارند. در راستای تامین اهداف تولید به هنگام، معیار عملکرد در نظر گرفته شده، کمینه کردن توام هزینه زودهنگامی و دیرهنگامی کارهاست که یک معیار مورد پسند برای تولیدکننده و مشتری است. با توجه به nphard بودن مساله مفروض، هدف یافتن جواب نزدیک به بهینه برای مساله در اندازه های صنعتی با استفاده از الگوریتم های فراابتکاری است. دو الگوریتم برای مساله ارایه می شود. الگوریتم نخست، الگوریتم ژنتیک ترکیبی و الگوریتم دوم مبتنی بر الگوریتم جستجوی تطبیقی تصادفی حریصانه است. در هر دو الگوریتم از یک الگوریتم برنامه ریزی پویا برای زمان بندی انباشته ها استفاده می شود. نتایج آزمایشات محاسباتی نشان دهنده کارایی الگوریتم های پیشنهادی برای مسایل با ابعاد بزرگ است به نحوی که متوسط خطای الگوریتم ژنتیک ترکیبی برابر 6/82% و این مقدار برای الگوریتم جستجوی تطبیقی تصادفی حریصانه برابر 11/64% است. همچنین کارایی الگوریتم های پیشنهادی برای مسایل با کارهای با اندازه کوچک قابل توجه تر از مسایل با کارهای دارای اندازه بزرگ است.

Efficient Algorithms for JustInTime Scheduling on a Batch Processing Machine

Justintime scheduling problem on a single batch processing machine is investigated in this research. Batch processing machines can process more than one job simultaneously and are widely used in semiconductor industries. Due to the requirements of justintime strategy, the minimization of total earliness and tardiness penalties is considered as the criterion. It is an acceptable criterion for both manufacturer and customer. Since the research problem is proven to be NPhard, the main objective of this research is to develop metaheuristic algorithms for finding efficient upper bounds for industry sized instances. Two algorithms are proposed for the research problem: a Hybrid Genetic Algorithm (HGA), and a Greedy Randomized Adaptive Search Procedure (GRASP). A dynamic programming approach is developed to sequence the batches in these algorithms. The computational results, based on available test problems in the literature, demonstrate that the proposed algorithms are effective, especially for large sized instances. The average percentage error of HGA is 6.82% and the corresponding value for GRASP is 11.64%. The results also show that the performance of the proposed algorithms is more considerable when the job sizes are small.