ارائه مدل حل مسئله برنامه ریزی زمانبندی کار کارگاهی چند مسیره سبز با هدف بهینه کردن زمان اتمام کارها و مصرف انرژی با الگوریتم فراابتکاری وال
محورهای موضوعی : مدیریت صنعتی
1 - گروه مهندسی صنایع، واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ايران
2 - گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد ساوه
کلید واژه: الگوریتم بهینه سازی وال, برنامهریزی کارکارگاهی, آلودگی محیط زیست, میزان مصرف انرژی,
چکیده مقاله :
مسئله مورد مطالعه در این پژوهش، بسط گستردهتری از مسئله کارکارگاهی چند مسیره می‌باشد که دارای ویژگی بررسی میزان مصرف انرژی می‌باشد. بدین ترتیب هدف تعیین توالی عملیات و تخصیص کار به ماشینها بگونه‌ای است تا مجموع وزنی زمان تحویل کارها و همچنین میزان صرف انرژی کارها کمینه گردد. باید توجه داشت لحاظ فرض مذکور اگرچه موجب پیچیدگی بیشتر مسئله می‌گردد ولی شرایط را به محیطهای تولیدی واقعی نزدیکتر می‌سازد. با توجه به پیچیدگی مسئله فوق و عدم امکان حل مسئله بصورت ریاضی، استفاده از الگوریتم های فراابتکاری مورد توجه قرارگرفت. در این پژوهش به حل مسئله مدل غیرخطی با الگوریتم فراابتکاری مبتنی بر الگوریتم بهینه سازی گروه ذرات و الگوریتم وال پرداخته شده است. برای بررسی کارایی الگوریتمهای بیان شده یکی از 30 مسئله معروف مورد بررسی قرار گرفته و کارایی هریک از الگوریتمهای بیان شده مقایسه است و به این نتیجه رسیدیم که به کمک الگوریتم وال ، نسبت به الگوریتم ازدحام ذرات زمان اتمام کلیه کارها در این مسئله کوتاهتر خواهد شد.
The sequence of work operations on production machines plays a crucial role in managing the volume of jobs in process and ensuring the timely fulfillment of customer demand. One of the most common production models is the workshop model. This research focuses on an extension of the multi-path job shop problem, specifically examining energy consumption, which is directly linked to environmental pollution. The objective is to determine the sequence of operations and assign jobs to machines in a way that minimizes the weighted sums of delivery time and energy consumption. It is important to note that while this assumption complicates the problem, it also aligns more closely with real-world production environments. Given the complexity of this issue and the time required to solve it exactly, this study emphasizes the use of meta-heuristic algorithms. We discuss the solution of the nonlinear model using two meta-heuristic algorithms: the Particle Swarm Optimization (PSO) algorithm and the Wall algorithm. To evaluate the effectiveness of these algorithms, we examined one of the 30 well-known benchmark problems. Our findings indicate that the Wall algorithm reduced the total time to complete all tasks by 18% compared to the Particle Swarm Optimization algorithm. The proposed Wall algorithm demonstrates superior capability in solving these complex problems. Moreover, in terms of CPU time, both algorithms produced satisfactory results within an acceptable timeframe.
Abedini, A., Li, W., Badurdeen, F., & Jawahir, I. (2020). A metric-based framework for sustainable production scheduling. Journal of Manufacturing Systems, 54, 174-185.
Aggoune, R. (2004). Minimizing the makespan for the flow shop scheduling problem with availability constraints. European Journal of Operational Research, 153(3), 534-543.
Amiri, M. F., & Behnamian, J. (2020). Multi-objective green flowshop scheduling problem under uncertainty: Estimation of distribution algorithm. Journal of cleaner production, 251, 119734.
Breit, J. (2006). A polynomial-time approximation scheme for the two-machine flow shop scheduling problem with an availability constraint. Computers & Operations Research, 33(8), 2143-2153.
Girish, B., & Jawahar, N. (2009). Scheduling job shop associated with multiple routings with genetic and ant colony heuristics. International journal of production research, 47(14), 3891-3917.
Golmakani, H. R., & Birjandi, A. R. (2014). Multiple route job shop scheduling using particle swarm optimisation approach. International Journal of Procurement Management, 7(2), 119-144.
Golmakani, H. R., & Namazi, A. (2014). An artificial immune algorithm for multiple-route job shop scheduling problem with preventive maintenance constraints. International Journal of Operational Research, 19(4), 457-478.
Jabbarizadeh, F., Zandieh, M., & Talebi, D. (2009). Hybrid flexible flowshops with sequence-dependent setup times and machine availability constraints. Computers & Industrial Engineering, 57(3), 949-957.
Kubzin, M. A., & Strusevich, V. A. (2006). Planning machine maintenance in two-machine shop scheduling. Operations Research, 54(4), 789-800.
Mirjalili, S., & Lewis, A. (2016). The whale optimization algorithm. Advances in engineering software, 95, 51-67.
Moradi, E., Fatemi Ghomi, S., & Zandieh, M. (2010). An efficient architecture for scheduling flexible job-shop with machine availability constraints. The International Journal of Advanced Manufacturing Technology, 51, 325-339.
Nabovati, H. (2021). A Developed Cuckoo Search Algorithm for Solving a new Model of the Machine and Vehicle Scheduling. Journal of Strategic Management in Industrial Systems, 16(56), 48 to 56.
Nabovati, H., Haleh, H., & Vahdani, B. (2020). Multi-objective invasive weeds optimisation algorithm for solving simultaneous scheduling of machines and multi-mode automated guided vehicles. European Journal of Industrial Engineering, 14(2), 165-188. doi:10.1504/ejie.2020.105696
Naderi, B., Zandieh, M., & Aminnayeri, M. (2011). Incorporating periodic preventive maintenance into flexible flowshop scheduling problems. Applied Soft Computing, 11(2), 2094-2101.
Naderi, B., Zandieh, M., & Fatemi Ghomi, S. (2009). Scheduling sequence-dependent setup time job shops with preventive maintenance. The International Journal of Advanced Manufacturing Technology, 43, 170-181.
Ruiz, R., García-Díaz, J. C., & Maroto, C. (2007). Considering scheduling and preventive maintenance in the flowshop sequencing problem. Computers & Operations Research, 34(11), 3314-3330.
Saddikuti, V., & Pesaru, V. (2019). NSGA based algorithm for energy efficient scheduling in cellular manufacturing. Procedia Manufacturing, 39, 1002-1009.
Yang, D.-L., Hsu, C.-J., & Kuo, W.-H. (2008). A two-machine flowshop scheduling problem with a separated maintenance constraint. Computers & Operations Research, 35(3), 876-883.
Zribi, N., El Kamel, A., & Borne, P. (2008). Minimizing the makespan for the MPM job-shop with availability constraints. International Journal of Production Economics, 112(1), 151-160.