OPTIMIZING U-SHAPED MIXED ASSEMBLY LINES WITH A META- HEURISTIC GRASSHOPPER OPTIMIZATION ALGORITHM

Subject Areas : Air Pollution

Neda Mozaffari ¹ , Hasan Mehrmanesh ² , Mahmoud Mohammadi ³

1 - PhD Student, Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran.
2 - Assistant Professor, Department of Industrial Management, Central Tehran Branch, Azad University, Tehran, Iran (Correspondence Officer)
3 - Assistant Professor, Department of Industrial Management, Central Tehran Branch, Azad University, Tehran, Iran

Received: 2020-10-20 Accepted : 2021-01-07 Published : 2021-05-22

Keywords: MILP Method, balancing assembly lines, complex assembly lines, bee meta-heuristic algorithm,

Abstract :

Failure to achieve a balanced production system means not fully utilizing the capabilities of the production system, and because of the high cost of production systems, balancing these systems is one of the most important concerns of production managers. Is. 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. There are two general approaches to problem solving, To evaluate the problem under different conditions two problems of medium and large size are solved. First, an intermediate problem is solved by the exact method through the Gaussian software (GAMS) and the Salon Baron (BARON). Then again the intermediate problem is solved with the grasshopper meta-algorithm and their results are compared with the precise method and by this the accuracy and accuracy of the meta-metric method is measured so that it can be used to solve the large size problem. Finally, the values equal to the Grasshopper Algorithm Target Function and the Gaussian Target Function software show that the algorithm performs well, resulting in a large problem solved by the Grasshopper Metabolic Algorithm, resulting in cost savings and reduced workstations.

References:

1. آقاجانی، حسنعلی، صمدی میارکلانی، حمزه، صمدی میارکلانی، حسین، لطفی، حسین. (1394). رویکرد شبیه‌سازی برای بهبود خط مونتاژ شرکت دیزل سنگین ایران. مجله مدیریت صنعتی، دوره 6، شماره4، صص635-664.


2. تقوی‌فرد، محمد تقی. (1390). یک مدل ریاضی جدید جهت حل مسئله بالانس خطوط مونتاژ چند محصولی. مجله مدیریت صنعتی، دوره3، شماره6، صص1-16.


3. حسنی، علی اکبر. (1397). الگوریتم چندهدفۀ فرا ابتکاری ترکیبی برای مسأله زمان‌بندی جریان کارگاهی جایگشتی وارد شونده با در نظر گرفتن نگهداری و تعمیرات پیشگیرانه در شرایط عدم قطعیت. مجله مدیریت تولید و عملیات، دوره 9، پیاپی17، شماره2، صص1-22.


4. حسینی ملک‌آبادی، رسول. (1395). مروری بر مسائل بهینه‌سازی غیر‌صحیح. دانشگاه اصفهان، ریاضی و جامعه، جلد 1.


5. -خاتمی فیروزآبادی، سیدمحمدعلی، وفادارنیکجو، امین. (1391). رویکرد الگوریتم فرا ابتکاری کلونی زنبور عسل مصنوعی برای تعیین مکان بهینه سوئیچ­ها در شبکه ارتباطی تلفن همراه. فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی سال دهم، شماره 27، صص39-62.


6. کمپانی، محمود سعید، عظیمی، پرهام، عظیمی. (1394). توسعه یک مدل جدید دوهدفه و حل آن به‌وسیله بهینه­سازی از طریق شبیه­سازی جهت تخصیص بهینه نیروی­انسانی و تجهیزات موازی به ایستگاه­ها در یک خط تولید. مجله پژوهشی مطالعات مدیریت صنعتی، سال پانزدهم.


7. محمدی زنجیرانی، داریوش، جوکار، سعیده، اسماعیلیان، مجید. (1395). رویکرد یکپارچه زمانبندی و برنامه­ریزی فرایند بر مبنای تلفیق پایگاه دانش فازی و روش­های فراابتکاری. فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی، سال چهاردهم، شماره 34.


8. محمودی‌راد، علی، نیرومند، صادق، صانعی، مسعود. (1395). مساله بالانس خط مونتاژ چندهدفه فازی: روش برنامه­ریزی ریاضی فازی. پژوهش‌های نوین در ریاضی.


9. نوری داریان، مهسا، طالعی زاده، عطاالله. (1397). توسعه مدل تولید اقتصادی در زنجیره‌های تامین سه سطحی یکپارچه و غیر یکپارچه با در نظر گرفتن سیاست یکپارچه بهینه کنترل موجودی. نشریه تخصصی مهندسی صنایع، دوره52، شماره1، صص125-137.


10. وحدانی، بهنام، طاهروردی، محمدحسین. (1398). ارائه یک مدل برنامه‌ریزی چند­هدفه برای مسئله مکان­یابی موجودی مسیریابی در یک شبکه تامین چندسطحی با در نظر گرفتن حداکثر پوشش تقاضا. فصلنامه علمی پژوهشی مطالعات مدیریت صنعتی دانشگاه علامه طباطبایی، سال هفدهم، شماره52، صص239-286.


11. Aase, G.R., Schniederjans, M.J. & Olson, J.R. (2003). U-OPT:An Analysis of Exact U-shaped Line Balancing Procedures. International Journal of Production Research, 41(17), 4185-4210.


12. Adithan, M. (2007). Process Planning and Cost Estimation. Publishing for One World New Age. .Computers industrial Engineering.165-173.


13. Akpinar, S., Elmi, A., & Bektaş, T. (2017). Combinatorial Benders Cuts for Assembly Line Balancing Problems With Setups. European Journal of Operational Research, 259(2), 527-537.


14. Anthony, K. A. (2016). Effect of Capacity Planning On Performance in Nigeria Brewing Industry: Southeast Perspective. Imperial Journal of Interdisciplinary Research, 3(1).


15. Battaïa, O., & Dolgui, A. (2013). A Taxonomy of Line Balancing Problems and Their Solution approaches. International Journal of Production Economics, 142(2), 259-277.


16. Bukchin, Y., & Raviv, T. (2017). Constraint programming for Solving Various Assembly Line Balancing problems. Omega.


17. Defersha,F.M.,Chen,,M. (2008). A Liner Programing Embedded Genetic Algorithm for an Integrated Cell Formation and Lot Sizing Considering Product Quality, European Journal of Operational Research 187,44-69.


18. Ding, H., Reißig, G., Groß, D., & Stursberg, O. (2011, August). Mixed-integer Programming for Optimal Path Planning of Robotic Manipulators. In Automation Science and Engineering (CASE), 2011 IEEE Conference on (pp. 133-138). IEEE.


19. Fleszar, K. (2017). A New MILP Model for the Accessibility Windows Assembly Line Balancing Problem Level 2 (AWALBP-L2). European Journal of Operational Research, 259(1), 169-174.


20. Genab, K., Stau, S., Moslehpor, S., Wu, (2019). Company Performance Improrement by Quality Based Intelligent-ERP. journal of Decision Science Letters, 8و151-162.


21. Humyun, R., Chakratbortty, R.K., Ryan, M.G. (2020). Memetic Algorirhm for Solving Resource Constrained Project Scheduling Problems,Journal of Automation in Construction 11.


22. Hwang, R.K., Katayama, H. & Gen, M. (2008). U-shaped Assembly Line Balancing Problem with Genetic Algorithm. International Journal of Production Research, 46(16), 4637-4649.


23. Keckl, S., Kern, W., Abou-Haydar, A., & Westkämper, E. (2016). An Analytical Framework for Handling Production time Variety at Workstations of Mixed-Model Assembly Lines. Procedia CIRP, 41, 201-206.


24. Li, Z., Kucukkoc, I., & Tang, Q. (2017). New MILP Model and Station-Oriented ant Colony Optimization Algorithm for Balancing U-type Assembly Lines. Computers & Industrial Engineering, 112, 107-121.


25. Makssoud, F., Battaïa, O., Dolgui, A., Mpofu, K., & Olabanji, O. (2015). Re-Balancing Problem for Assembly lines: New Mathematical Model and Exact Solution Method. Assembly Automation, 35(1), 16-21.


26. Matti Koivisto. (2017). Modelling, Simulation and Optimization of the Materials Flow of a Multi-product Assembling Plant. Procedia Manufacturing, Volume 8, Pages 59-66.


27. Popović, Ž., Brbaklić, B., & Knežević, S. (2017). A Mixed Integer Linear Programming Based Approach for Optimal Placement of Different Types of Automation Devices in Distribution Networks. Electric Power Systems Research, 148, 136-146.


28. Rabbani, M., Moghaddam, M. & Manavizadeh, N. (2012). Balancing of Mixed-Model Two-Sided Assembly Lnes with Multiple U-shaped layout. International Journal of Advanced Manufacturing Technology 59(9-12) , 1191-1210.


29. Samiaria A.S. Vialarinhop.M (2004). A Genetic Algorithm Based Approach to the Mixed Model Assembly Line Balancing Problem of Type .computers&industrial engineering .47:391-407.


30. Sharma, V., Gidwani, B.O., Meena, M.L. (2019) .Implementation Model for Cellular Manufacturing System Using AHP and ANP Approach. International Journal Emerald Publishing Limited 1463-5771.


31. Tapkan, P., Ozbakir, L., & Baykasoglu, A. (2012). Modeling and Solving Constrained Two-Sided Assembly Line Balancing Problem via Bee Algorithms. Applied Soft Computing, 12(11), 3343-3355.


32. Urban, T.L. & Chiang, W.-C. (2006).An Optimal Piecewise-Linear Program for the U-line Balancing Problem With Stochastic Task times. European Journal of Operational Research, 168(3), 771-782.


33. Wang, Y.F; Zhang, Y.F; & Fuh, J.Y.H. (2010). A PSO-based Multiobjective Optimization approach to the Integration of Process Planning and Scheduling. IEEE International Conference on Control and Automation, Xiamen, China, June 9-11.


34. Wengxiang, G., Minghao, Y., Chunying, W. (2012).Self Adaptive Artificial Bee Colony for Global Numerical Optimization. Journal: IERI Procedia, Volume 1, Pages 59–65.


35. Zhang, W., & Gen, M. (2011). An Efficient Multi objective Genetic Algorithm for Mixed-Model Assembly Line Balancing Problem Considering Demand Ratio-Based Cycle time. Journal of Intelligent Manufacturing, 22(3), 367-378.