راشد صحراییان

در این مقاله سعی شده است با ادغام شبیه سازی و الگوریتم ژنتیک رویکردی پیشنهاد شود که بتوان از آن در هر مسئله تولید کارگاهی که قابلیت مدل شدن با شبیه سازی را داشته باشد استفاده کرد. در رویکرد پیشنهادی برای درنظرگیری محدودیت هایمسئله از مدل شبیه سازی و برای بهینه سازی از الگوریتم ژنتیک استفاده می شود. بدین منظور ماتریسی به عنوان رابط تعریف می شود که هم زمان نقش بردار کنترلی برای مدل شبیه سازی و نمایش ماتریسی جواب برای الگوریتم ژنتیک را ایفا می کند. در این روش با استفاده از الگوریتم ژنتیک تغییراتی درماتریس اعمال می شود و سپس ماتریس وارد مدل شبیه سازی شده و تابع هدف تعریف شده در مسئله به عنوان تابع برازش برای الگوریتم ژنتیک گزارش می شود و این روند تا رسیدن به شرایط اتمام الگوریتم ادامه پیدا می کند. روش پیشنهادی بر مسائل معیار تولید کارگاهی سنتی و با تابع هدف زمان اتمام آخرین کار آزمایش می شود و نتایج حاصل با نتایج روش برنامه ریزی عدد صحیح مختلط مقایسه می شود. سپس اولویت دهی مناسب برای مینیمم کردن تابع هدف چندگانه، در یک سیستم تولید کارگاهی پویای دارای خرابی و دوباره کاری به دست می آید. نتایج به دست آمده نشان می دهد روش بهینه سازی براساس شبیه سازی از توانایی بالایی برای مدل سازی و یافتن جواب مناسب در اکثر مسائل تولید کارگاهی برخوردار است.

در این مقاله، مسأله زمان بندی ماشین های موازی پردازشگر دسته ای با هدف حداقل کردن حداکثر زمان تکمیل کارها بررسی می شود. نوآوری این پژوهش، به کارگیری زمان های پردازش و در دسترس بودن کارها به صورت احتمالی است. در تحقیقات پیشین اثبات شده است که مسأله مورد بررسی دارای پیچیدگی سخت است. بنابراین، از روش های ابتکاری برای حل مسأله استفاده می شود. مسأله مورد مطالعه، دو مرحله تصمیم گیری دارد. در مرحله اول ابتدا کارها به دسته هایی طبقه بندی می شوند و در مرحله بعد، دسته های به دست آمده به ماشین های موازی تخصیص می یابند. در این مقاله، از دو روش ابتکاری برای ایجاد دسته ها و از سه روش ابتکاری برای ترتیب دهی توالی دسته ها استفاده خواهد شد. به علت احتمالی بودن زمان های پردازش و در دسترس بودن کارها، با استفاده از رویکرد شبیه سازی، 10000 نمونه مسأله به صورت تصادفی تولید می شود. 6 حالت ترکیبی روش های ابتکاری با حل نمونه مسائل به دست آمده از شبیه سازی مقایسه می شوند. نتایج به دست آمده نشان می دهد که ترکیب روش های ابتکاری MBF در فاز اول و روش ERT-LPT در فاز دوم از کارایی بهتری در رسیدن به جواب های مناسب برخوردار است.

در این مقاله یک مدل غیر قطعی زنجیره تأمین حلقه بسته ، توسعه داده شده است. هدف اول این مدل، حداکثر سازی سود کل زنجیره می باشد. تابع هدف دوم، حداقل سازی استفاده از مواد خام است. به عبارت دیگر هدف دوم حداکثر کردن میزان بازیافت می باشد؛ که یکی از دلایل پیدایش سیستم های حلقه بسته نیز همین امر بود. بهینه سازی در مدل مذکور توسط الگوریتم ژنتیک صورت گرفته و توسط روش ε-Constraint به یافتن خط بهینه پارتو پرداخته شده است. در انتها نیز یک مثال عددی با این رویکرد حل شده و نتیجه آن با روشهای قبل مقایسه شده است. همچنین عملکرد مدل در ایعاد مختلف مورد بررسی قرار گرفته است. نتایج نشان می دهند که رویکرد مذکور از کارایی خوبی برخوردار می باشد؛ و قادر است اطلاعات خوبی جهت تصمیمات استراتژیک، در اختیار تصمیم گیرنده قرار دهد.