پروژه مدلسازی و حل مسئله زمانبندی جریان کارگاهی با زمان های تنظیم وابسته به توالی. doc

اختصاصی از نیک فایل پروژه مدلسازی و حل مسئله زمانبندی جریان کارگاهی با زمان های تنظیم وابسته به توالی. doc دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word

قابل ویرایش 91 صفحه

مقدمه:

برنامه ریزی1 عبارتست از تصمیم گیری برای آینده و برنامه ریزی تولید به معنی تعیین استراتژی تولید به جهت نحوه تخصیص خطوط تولیدی برای پاسخگویی به سفارشات می باشد. از برجسته ترین موارد در تهیه برنامه زمانی تولید جهت خطوط تولیدی، تعیین اندازه انباشته و توالی سفارشات و نحوه تخصیص منابع در طول زمان است [1].

  ما همواره در مکالمات روزمره خود از اصطلاح زمانبندی2 استفاده می کنیم، هر چند که ممکن است همیشه تعریف مناسبی از آن در ذهن نداشته باشیم. در حقیقت مفهوم آشنایی که ما عموما از آن استفاده می کنیم فهرستی از برنامه هاست و نه زمانبندی. مستندات و برنامه های ملموس همچون برنامه کلاسی، برنامه حرکت اتوبوس و غیره. یک برنامه معمولا به ما می گوید کی وقایع اتفاق می افتد. جواب به سئوالاتی که با کی شروع می شوند، معمولا اطلاعاتی در مورد زمان به ما می دهد. حرکت اتوبوس از ساعت 6 شروع می شود و تا ساعت 20 ادامه دارد. شام در ساعت 21 سرو خواهد شد و مواردی از این دست. در برخی موارد نیز پاسخ ها به توالی وقایع اشاره می کند. اتوبوس پس از روشن شدن هوا حرکت می کند و شام پس از نظافت سالن سرو می شود. بنابراین سئوالاتی که با کی شروع می شوند، با اطلاعاتی در مورد زمان و یا توالی وقایع، که از برنامه بدست می آید پاسخ داده می شوند. فرآیند ایجاد برنامه، تحت عنوان زمانبندی شناخته می شود. هر چند که عموما برنامه ها ملموس و ساده به نظر می رسند، اما فرآیند ایجاد آنها بدون درک عمیقی از زمانبندی، پیچیده است. تهیه شام یک مسئله زمانبندی روزمره است که نیازمند انجام دادن کسری از فعالیتها است. مسائل زمانبندی در صنعت نیز ساختار مشابهی دارند. آنها شامل مجموعه ای از فعالیتها و مجموعه ای از منابع موجود جهت انجام آن فعالیتها است. همچنین در صنعت برخی از تصمیمات تحت عنوان تصمیمات برنامه ریزی شناخته می شوند. فرآیند برنامه ریزی، منابع لازم جهت تولید و مجموعه فعالیتهای مورد نیاز جهت زمانبندی را تعیین می کند. در فرآیند زمانبندی، ما نیازمند تعیین نوع و مقدار هر منبع هستیم و نتیجتا می توانیم زمان شدنی اتمام کارها را مشخص کنیم [2]. زمانبندی، فرآیند تخصیص منابع محدود به فعالیت ها در طول زمان، جهت بهینه سازی یک و یا چند تابع هدف است. منابع شامل نیروی انسانی، ماشین آلات، مواد، تجهیزات کمکی و غیره می باشند.

فهرست مطالب:

فصل 1

کلیات

1-1- مقدمه

1-2- محدوده تحقیق و اهداف آن

1-3- مرور ادبیات

فصل 2

مدلسازی و حل جنبه ای جدید از مسئله زمانبندی جریان کارگاهی جایگشتی

2-1- مقدمه

2-2- مدلسازی مسئله

2-3- الگوریتم ابتکاری جهت حل مسئله

2-4- نتایج محاسباتی

2-4-1- موارد تستی

2-4-2- کارآمدی روشهای ابتکاری

2-5- نتیجه گیری

فصل 3

حل مسائل زمانبندی جریان کارگاهی جایگشتی با بکارگیری روشهای فراابتکاری ترکیبی

3-1- مقدمه

3-2- الگوریتم ژنتیک

3-3- مدل ریاضی

3-4- الگوریتم ژنتیک ترکیبی

3-4-1- جوابهای اولیه

3-4-2- بهبود

3-4-3- ارزیابی

3-4-4- انتخاب

3-4-5- عملگرهای ژنتیکی

3-4-5-1- درجه عبور5

3-4-5-2- جهش ابتکاری

3-4-5-3- جهش وارونه

3-5- نتایج محاسباتی

3-6- بهینه سازی جامعه مورچگان

3-7- الگوریتم بهینه سازی جامعه مورچگان ترکیبی

3-7-1- تشخیص اولیه

3-7-2- قانون انتقال1

3-7-3- جستجوی محلی

3-7-4- به روز رسانی فرومون ها

3-7-5- معیار توقف

3-8- نتایج محاسباتی

3-9- الگوریتم الکترومغناطیس

3-10- الگوریتم الکترومغناطیس ترکیبی

3-11- نتایج محاسباتی

3-12- نتیجه گیری

فصل 4

مسئله فروشنده دوره گرد

4-1- مقدمه

4-2- تعریف مسئله

4-3- کاربرد و ارتباط با مسائل زمانبندی

4-4- مدل ریاضی

4-5- روش حل

4-6- نتایج محاسباتی

جدول 4-2 تست t جهت بررسی معنادار بودن اختلافات

4-7 نتیجه گیری

فصل 5

نتیجه گیری و پیشنهادات برای مطالعات و پژوهش های آتی

5-1- نتیجه گیری

5-2- پیشنهادها

6- منابع

فهرست اشکال

شکل1-1 پنجره زمانی گسسته (در هر پریود زمانی تنها یک محصول تولید می شود)

شکل 1-2 جریان کارگاهی

شکل 1-3 سیستم خط تولید خالص

شکل 1-4 سیستم خط تولید عمومی

شکل 1-5 سیستم کار کارگاهی

شکل 1-6 هر ماشین می تواند یک کارگاه مستقل باشد

شکل 2-1 دو دیاگراف ساده جهت مسئله با سه سفارش

شکل 2-2 فرآیند حذف کمانهای زائد از D1 و D2

شکل 2-3 منحنی همگرایی برای LSU100 با استفاده از جواب اولیه

شکل 2-4 منحنی همگرایی برای SSU100 با استفاده از جواب اولیه

شکل 2-5 منحنی همگرایی برای LSU100 بدون استفاده از جواب اولیه

شکل 2-6 منحنی همگرایی برای SSU100 بدون استفاده از جواب اولیه

شکل 3-3 عملگر عبور

شکل 3-4 عملگر جهش ابتکاری

شکل 3-5 عملگر جهش وارونه

شکل 3-6 منحنی همگرایی جهت نمایش تاثیر تعداد تکرارها در HGA در کیفیت جواب نهایی

شکل 3-7 اختلاف میان روش ابتکاری و بهترین روش میان همه روشها برای هر الگوریتم در هر مسئله

شکل 3-8 منحنی همگرایی جهت کلاس 28 و با جود فرآیند جستجوی محلی

شکل 3-9 منحنی همگرایی جهت کلاس 28 و بدون جود فرآیند جستجوی محلی

شکل 3-10 اختلاف میان روش ابتکاری و بهترین روش میان همه روشها برای هر الگوریتم در هر مسئله

شکل 3-11 منحنی همگرایی جهت کلاس 28 و با جود فرآیند جستجوی محلی

شکل 3-12 منحنی همگرایی جهت کلاس 28 و بدون وجود فرآیند جستجوی محلی

شکل 3-1 نمودار الگوریتم ژنتیک ترکیبی

شکل 3-2: روندISP

فهرست جداول:

جدول 2-1 مقدار PRE جهت ارزیابی روشها (زمانها به ثانیه می باشد)

جدول 2-2 کاهش زمان حل در روش MM با لحاظ کردن جواب اولیه HSA به عنوان جواب اولیه

جدول2-3 تست t جهت ارزیابی معنادار بودن اختلافات

جدول 3-1 مقایسه میان HGA و H3

جدول 3-2 ارزش PM برای مطالعه مقایسه ای بین روشها (زمانها به ثانیه می باشد)

جدول 3-3 مطالعه مقایسه ای بین HACO و HGA

جدول 3-4 ارزش PM برای مطالعه مقایسه ای بین روشها (زمانها به ثانیه می باشد)

منابع ومأخذ:

1. Arnoldoو C. Hax, Dan Candea, 1984. Production and Inventory Management, 2th. New York.
2. Kenneth R. Baker, 1996. Elements of sequencing and scheduling, 3th. University of Toronto bookstores.
3. Deepu Philip, 2005. Scheduling Reentrant Flexible Job Shops With Sequence Dependent Setup Times, MS Thesis, Montana State University.
4. Gupta D., Magnusson T., 2005. The capacitated lot-sizing and scheduling problem with sequence-dependent setup costs and setup times, Computers & Operations Research 32, 727-747.
5. Paulo M. França, Gupta J.N.D. Alexandre S., Mendes, Pablo Moscato, Klaas J. Veltink, 2005. Evolutionary algorithms for scheduling a flowshop manufacturing cell with sequence dependent family setups, Computers & Industrial Engineering 48(3), 491-506.
6. Schaller E. Gupta J. N. D. Vakharia J., 2000. Scheduling a flowshop manufacturing cell with sequence dependent family setup times, European Journal of Operational Research 125(2), 324-339.
7. Johnson S.M., 1954. Optimal two- and three-stage production schedules with setup times included. Naval Research Logistics Quarterly 1, 61–68.
8. Handbook of Industrial Engineering, 2th Edition., 1992. Salvendy G, editor.Ostwald P.F.
9. Allahverdi A. Gupta J.N.D. Aldowaisan T., 1999. A review of scheduling research involving setup considerations, OMEGA, International Journal of Management Science 27, 219–239.
10. Ruiz R. Maroto C., 2004. A comprehensive review and evaluation of permutation flowshop heuristics. European Journal of Operational Research [to appear].
11. Pinedo M., 1995. Scheduling: Theory, Algorithms, and Systems. 4th. Prentice Hall, NJ.
12. Eren T. Güner E., 2006. A bicriteria scheduling with sequence-dependent setup times, Applied Mathematics and Computation 179(1), 378-385.
13. Cheng T.C.E. Gupta J.N.D. Wang G., 2000. A review of flowshop scheduling research with setup times. Production and Operations Management 9, 262–282.
14. Garey M.R. Johnson D.S. Sethi R., 1976. The complexity of flowshop and job-shop scheduling, Mathematics of Operations Research 1(2), 117–129.
15. Campbell H.G. Dudek R.A. Smith M.L., 1970. A heuristic algorithm for the n job, m machine sequencing problem. Management Science 16(10), B630–B637.
16. Nawaz M. Enscore Jr E.E. Ham I., 1983. A heuristic algorithm for the m-machine, n-job flowshop sequencing problem. OMEGA, The International Journal of Management Science 11(1), 91–95.
17. Osman I.H. Potts C.N., 1989. Simulated annealing for permutation flowshop scheduling. OMEGA, The International Journal of Management Science 17(6), 551–557.
18. Widmer M. Hertz A., 1989. A new heuristic method for the flowshop sequencing problem. European Journal of Operational Research 41, 186–193.
19. Reeves C.R., 1995. A genetic algorithm for flowshop sequencing. Computers & Operations Research 22(1), 5–13.
20. Stafford Jr E.E. Tseng F.T., 1990. On the Srikar–Ghosh MILP model for the N×M SDST flowshop problem. International Journal of Production Research 28(10), 1817–1830.
21. Ríos-Mercado R.Z. Bard J.F., 1998. Computational experience with a branch-and-cut algorithm for flowshop scheduling with setups. Computers & Operations Research 25(5), 351–366.
22. Tseng F.T. Stafford Jr E.E., 2001. Two MILP models for the N×M SDST flowshop sequencing problem. International Journal of Production Research 39(8), 1777–1809.
23. Ríos-Mercado R.Z. Bard J.F., 1999a. A branch-and-bound algorithm for permutation flowshops with sequence-dependent setup times. IIE Transactions 31, 721–731.
24. Ríos-Mercado R.Z. Bard J.F., 1999b. An enhanced TSP-based heuristic for makespan minimization in a flowshop with setup times. Journal of Heuristics 5, 53–70.
25. Bryan A., Norman, 1999. Scheduling flowshops with finite buffers and sequence-dependent setup times, Computers & Industrial Engineering 36(1), 163-177.
26. Ruiz-Torres A.J. Centeno G., 2008. Minimizing the number of late jobs for the permutation flowshop problem with secondary resources. Computers & Operations Research 35, 1227-1249.
27. Wang X. Cheng T.C., 2007. An approximation scheme for two-machine flowshop scheduling with setup times and an availability constraint. Computers & Operations Research 34, 2894-2901.
28. Schaller J. Gupta J.N.D. Vakharia A.J., 2000. Scheduling a flowline manufacturing cell with sequence dependent family setup times. European Journal of Operational Research 125, 324–339.
29. Ruiz, R. Maroto C. Alcaraz J., 2005. Solving the flowshop scheduling problem with sequence dependent setup times using advanced metaheuristics, European Journal of Operational Research 165(1) 34-54.
30. Ruiz R. Stutzle T., 2008. An iterated greedy heuristic for the sequence dependent setup times flowshop with makespan and weighted tardiness objectives. European Journal of Operational Research 187, 1143-1159.
31. Ekşioğlu B. Ekşioğlu S.D. Jain P., 2008. A tabu search algorithm for the flowshop scheduling problem with changing neighborhoods. Computers & Industrial Engineering 54, 1-11.
32. Allahverdi A. Ng C.T. Cheng T.C.E. Kovalyov M.Y., 2008. A survey of scheduling problems with setup times or costs, European Journal of Operational Research 187, 985-1032.
33. Logendran R. Salmasi N. Sriskandarajah C., 2006. Two-machine group scheduling problems in discrete parts manufacturing with sequence-dependent setups, Computers & Operations Research 33(1) 158-180.
34. Stafford F. Tseng T., 2002. Two models for a family of flowshop sequencing problems, European Journal of Operational Research 142(2), 282-293.
35. Tang L. Huang L., 2005. Optimal and near-optimal algorithms to rolling batch scheduling for seamless steel tube production, International Journal of Production Economics 105, 357–371.
36. Gupta S.R. Smith J.S., 2006. Algorithms for single machine total tardiness scheduling with sequence dependent setups. European Journal of Operational Research 175, 722-739.
37. Parthasarathy S. Rajendran C., 1997. An experimental evaluation of heuristics for scheduling in a real-life flowshop with sequence-dependent setup times of jobs, International Journal of Production Economics 49(3), 255-263.
38. Gupta N.D., 1975. A search algorithm for the generalized flowshop scheduling problem, Computer and Operation Research 2, 83-90.
39. Kenneth E. Mcgraw, Maged M. Dessouky, 2001. Sequence dependent batch chemical scheduling with earliness and tardiness penalties. International journal of production research 39(14), 3085-3107.
40. Merce C. and Fontan G., 2003. MIP-based heuristics for capaciated lotsizing problems, int. J. Production Economic 85, 97-111.
41. Osman I.H. Kelly J.P., 1996. Meta-heuristics: Theory and Applications. 3th. Kluwer Academic Publishers, Boston.
42. Das S.R. Canel C., 2005. An algorithm for scheduling batches of parts in a multi-cell flexible manufacturing system. International Journal of Production Economics 97, 247-262.
43. Ho W. Ji P., 2003. Component scheduling for chip shooter machines: a hybrid genetic algorithm approach, Computers and Operations Research 30, 2175–2189.
44. Ho W. Ji P., 2004. A hybrid genetic algorithm for component sequencing and feeder arrangement. Journal of Intelligent Manufacturing 15, 307–315.
45. Goldberg D.E., 1989. Genetic Algorithms in Search, Optimization and Machine Learning. 2th. Addison-Wesley, New York.
46. Gen M. Cheng R., 1997. Genetic Algorithms and Engineering Design. 2th. Wiley, New York.
47. Laha D. Chakraborty U.K., 2007. An efficient stochastic hybrid heuristic for flowshop scheduling, Engineering Applications of Artificial Intelligence 20, 851–856.
48. Blum, C., 2005. Ant colony optimization: Introduction and recent trends. Physics of Life Reviews 2, 353–373.
49. Dorigo, M. Di Caro G. Gambardella L.M., 1999. Ant algorithms for discrete optimization. Artificial Life 5(2), 137–72.
50. Dorigo M. Stützle T., 2004. Ant Colony optimization. 2th. Cambridge, MA: MIT Press.
51. Liao C. Juan H., 2007. An ant colony optimization for single-machine tardiness scheduling with sequence-dependent setups. Computers & Operations Research 34, 1899–1909.
52. Shyua S.J. Linb B.M.T. Yin P.Y., 2004. Application of ant colony optimization for no-wait flowshop scheduling problem to minimize the total completion time. Computers & Industrial Engineering 47, 181–193.
53. Rajendran C. Ziegler H., 2004. Ant-colony algorithms for permutation flowshop scheduling to minimize makespan/total flowtime of jobs. European Journal of Operational Research 155, 426–438.
54. Birbil S.I. Fang S.C., 2003. An Electromagnetism-like Mechanism for Global Optimization. Journal of Global Optimization 25, 263–282.
55. Debels D. De Reyck B. Leus R. Vanhoucke M., 2006. A hybrid scatter search/electromagnetism meta-heuristic for project scheduling. European Journal of Operational Research 169, 638–653.
56. Chang PC, Chen SS, Fan CY, In press. A Hybrid Electromagnetism-Like Algorithm for Single Machine Scheduling Problem, Expert Systems with Applications, doi: 10.1016/j.eswa. 2007.11.050.
57. Birbil S.I. Feyzioglu O., 2003. A global optimization method for solving fuzzy relation equations. Lecture Notes in Artificial Intelligence 2715, 718-724.
58. Oda Y., 2002. An asymmetric analog of van der Veen conditions and the traveling salesman problem [II]. European Journal of Operational Research 138, 43-62.
59. Deıneko V.G. Hoffmann M. Okamoto Y. Woeginger J., 2006. The traveling salesman problem with few inner points. Operations Research Letters 34, 106-110.
60. Baki M.F., 2006. A new asymmetric pyramidally solvable class of the traveling salesman problem. Operations Research Letters 34, 613-620.
61. Lawler E. Lenstra J. Rinnooy Kan A. Shmoys D., 1985. The traveling salesman problem: a guided tour of combinatorial optimization. 3th. New York: Wiley.
62. Lin S. Kernighan B., 1973. An effective heuristic algorithm for the traveling salesman problem. Operations Research 21, 498–516.
63. Or I., 1976. Traveling salesman-type combinatorial problems and their relation to the logistics of regional bloodbanking. Ph.D. Thesis, Evanston, IL: North western University.
64. Tsubakitani S. Evans J., 1998. Optimizing tabu list size for the traveling salesman problem. Computers and Operations Research 25, 91–97.
65. Schmitt L. Amini M., 1998. Performance characteristics of alternative genetic algorithmic approaches to the traveling salesman problem using path representation: an empirical study. European Journal of Operational Research 108, 551–570.
66. Righini G. Trubian M., 2004. A note on the approximation of the asymmetric traveling salesman problem. European Journal of Operational Research 153, 255-265.
67. Mak V. Boland N., 2007. Polyhedral results and exact algorithms for the asymmetric traveling salesman problem with replenishment arcs. Discrete Applied Mathematics 155, 2093 – 2110.
68. Choi C. Kim S. Kim H., 2003. A genetic algorithm with a mixedregion search for the asymmetric traveling salesman problem. Computers & Operations Research 30, 773–786.