امیرمحمد گل محمدی

اساس کارکرد سیستم های تولید سلولی بر پایه تعریف و شناسایی نوعی شباهت در میان قطعاتی است که باید در یک دوره برنامه ریزی تولید شوند. تشکیل سلول و طراحی چیدمان از مراحل مهم اجرای این نوع از سیستم های تولیدی اند. در این مقاله یک مدل برنامه ریزی ریاضی غیرخطی جدید برای مسئله تشکیل سلول ارائه شده است که در آن با بهره گیری از مفهوم فاصله متعامد، چیدمان ماشین آلات در یک فضای پیوسته تعیین می شود. در مدل ارائه شده، با استفاده از مزایای در نظر گرفتن جانمایی سلولی در تابع هدف، هزینه های جابه جایی درون و بین سلولی قطعات دقیق محاسبه می شود. با توجه به پیچیدگی های مسئله، مدل ریاضی ارائه شده ازنظر پیچپدگی در زمره مسائل سخت قرار می گیرد که برای حل آن از الگوریتم ژنتیک و ازدحام ذرات استفاده شده است. به منظور نشان دادن کارآیی مدل و الگوریتم های حل ارائه شده، از اطلاعات تولیدی یک مسئله واقعی استفاده شده و 30 نمونه مسئله دیگر در ابعاد مختلف ارائه شده است که نتایج حاصل بیانگر عملکرد بهتر الگوریتم ژنتیک در مقایسه با الگوریتم ازدحام ذرات در کیفیت جواب های حاصل شده است.

هدف: ارائه یک مدل برنامه ریزی ریاضی که هدف اصلی آن کاهش هزینه های سیستم از طریق مکان یابی مناسب انبارهای مورد نیاز و همچنین مسیریابی وسایل نقلیه به منظور حمل کالاهای تولیدی به این انبارها با درنظر گرفتن زمان سفر است. روش شناسی پژوهش: با توجه به ماهیت مسئله مکان یابی – مسیریابی میزان سوخت مصرفی و استهلاک وسایل حمل و نقل رابطه مستقیمی با میزان مسافت طی شده توسط آن ها دارد. مدل ارائه شده در این مقاله در صدد کمینه کردن عدم توازن مسافت طی شده توسط وسایل نقلیه می باشد. همچنین برای نزدیکی هرچه بیشتر مدل ارائه شده به شرایط دنیای واقعی، با به کارگیری مفهوم پنجره ی زمانی حداکثر زمان مجاز برای توزیع محصولات نیز در نظر گرفته شده است. یافته ها : برای حل مدل ارائه شده از الگوریتم های فرا ابتکاری MOICA ، NSGA - II و PAES استفاده شده است. برای نشان دادن کارایی روش های حل، نمونه مسائل مختلفی در اندازه های متفاوت ارائه و از طریق آن ها حل شده و نتایج خروجی از آن ها بر اساس معیارهای QM ، MID و SM مقایسه شده است. نتایج حاصله بیانگر برتری الگوریتم MOICA ارائه شده در ابعاد بالاست. اصالت/ارزش افزوده علمی: توازن در میزان مسافت طی شده توسط وسایل حمل و نقل با توجه به درنظرگرفتن پنجره زمانی می تواند باعث نزدیکی مدل به دنیای واقعی شود و تخمین دقیق تری از هزینه ها را ارائه دهد.