مدلسازی، حل دقیق و مقایسه الگوریتمی مسئله چیدمان تسهیلات یکردیفه با دادههای فازی-تصادفی و محدودیت احتمال محور
محورهای موضوعی : فصلنامه مدیریت زنجیره ارزشیگانه ملک محمدی 1 , جواد نعمتیان 2
1 - دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، دانشگاه تبریز، تبریز، ایران
2 - استاد، گروه مهندسی صنایع، دانشگاه تبریز، تبریز، ایران
کلید واژه: فازی, تصادفی, چیدمان تسهیلات یک ردیفه, محدودیت احتمال محور, الگوریتم ژنتیک, الگوریتم شبیه سازی تبرید,
چکیده مقاله :
در این پژوهش، به حل مسئله چیدمان تسهیلات یکردیفه (SRFLP) با در نظر گرفتن عدمقطعیت در دادههای جریان بین تسهیلات پرداخته شده است. برخلاف مدلهای کلاسیک که دادهها را قطعی در نظر میگیرند، در این مطالعه جریانها بهصورت ترکیبی از دادههای فازی مثلثی و متغیرهای تصادفی نرمال مدلسازی شدهاند. بهمنظور تبدیل مدل فازی-تصادفی به فرم قابل حل، از روش مقدار مورد انتظار برای دادههای فازی و برنامهریزی محدود به شانس (CCP) برای بخش تصادفی استفاده شده است. قید CCP بهگونهای تعریف شده است که مجموع جریانهای ورودی به یک تسهیل بحرانی با احتمال مشخص از آستانهای معین تجاوز نکند. مدل نهایی به دو روش حل شده است: حل دقیق با استفاده از نرمافزار LINGO در ابعاد محدود، و الگوریتمهای فراابتکاری ژنتیک (GA) و تبرید شبیهسازیشده (SA). نتایج نشان داد که الگوریتمهای پیشنهادی قادر به تولید پاسخهای شدنی و کمهزینهتر نسبت به حل دقیق بودهاند. همچنین مقایسه با مدل قطعی بدون عدمقطعیت نشان داد که استفاده از مدل فازی-تصادفی ضمن افزایش واقعگرایی، در برخی شرایط میتواند به بهینهسازی بهتر نیز منجر شود. در پایان، پیشنهادهایی برای توسعه مدل در ابعاد کاربردی و نظری ارائه شده است.
In this study, the single-row facility layout problem (SRFLP) is solved considering uncertainty in the flow data between facilities. Unlike classical models that consider the data as deterministic, in this study the flows are modeled as a combination of triangular fuzzy data and normal random variables. In order to transform the fuzzy-random model into a solvable form, the expected value method for fuzzy data and constrained chance programming (CCP) for the random part are used. The CCP constraint is defined such that the sum of the flows entering a critical facility with a given probability does not exceed a certain threshold. The final model is solved in two ways: exact solution using the LINGO software in finite dimensions, and genetic metaheuristic algorithms (GA) and simulated annealing (SA). The results showed that the proposed algorithms were able to produce feasible and less costly solutions than the exact solution. Also, comparison with the deterministic model without uncertainty showed that using the fuzzy-random model, while increasing realism, can also lead to better optimization in some situations. Finally, suggestions for developing the model in practical and theoretical dimensions are presented.
1. Nematian, J., A robust single row facility layout problem with fuzzy random variables. The International Journal of Advanced Manufacturing Technology, 2014. 72(1): p. 255-267.
2. Meskar, M. and K. Eshghi, An algorithm for solving generalized single row facility layout problem. American Journal of Operations Research, 2020. 10(6): p. 299-320.
3. Keller, B. and U. Buscher, Single row layout models. European Journal of Operational Research, 2015. 245(3): p. 629-644.
4. Pammer, T. and M. Sinnl, A matheuristic for solving the single row facility layout problem. arXiv preprint arXiv:2506.09793, 2025.
5. Lee, T. and G. Moslemipour. Intelligent design of a flexible cell layout with maximum stability in a stochastic dynamic situation. in International Conference on Intelligent Robotics, Automation, and Manufacturing. 2012. Springer.
6. Ghadirpour, S.M., et al., Stochastic programming models for dynamic facility layout problem in flexible manufacturing systems. Advances in Industrial Engineering, 2020. 54(3): p. 267-291.
