زمان بندی تولید

هدف این مقاله، بررسی زمان بندی وسایل نقلیه در یک زنجیره تأمین چند محصولی با در نظر گرفتن رابطه متقابل بین بخش حمل ونقل و بخش تولید است. سطح یکپارچگی در نظر گرفته شده در زنجیره تأمین، شامل شرکت سازنده محصولاتِ نهایی و تأمین کنندگان رده اول است که یک ناوگان حمل ونقل آنها را به یکدیگر مرتبط می کند. هدف، نحوه تخصیص سفارش ها به تأمین کنندگان و تعیین توالی ساخت آنها در هر تأمین کننده به همراه تخصیص سفارش ها به وسایل نقلیه و تعیین توالی حمل آنها است؛ به قسمی که مجموع زمان تحویل سفارش ها حداقل شود. این مسأله تاکنون در ادبیات موضوع بررسی نشده است. ابتدا مدل ریاضی مسأله، ارائه می شود. پس از نشان دادن NP-Hard بودن مسأله، برای حل آن یک الگوریتم ترکیبی - تلفیقی جدید از دو الگوریتم ژنتیک و شبیه سازی تبرید - با نام شبیه سازی تبرید جمعیتی (PSA) ارائه می شود. برای اعتبارسنجی الگوریتم PSA نتایج آن با نتایج الگوریتم شبیه سازی تبرید و توسعه الگوریتم DGA مقایسه می شود .این دو الگوریتم، نزدیک ترین مسأله در ادبیات موضوع به مسأله بررسی شده در این مقاله هستند. افزون بر این با ریلکس کردن برخی فرضیات، نتایج الگوریتم PSA با نتایج الگویتم DGA مقایسه می شود. نتایج مقایسه ها نشان دهنده برتری عملکرد الگوریتم PSA در همه مقایسه ها است. همچنین مقایسه نتایج الگوریتم PSA برای مسائل با ابعاد کوچک، نشان دهنده کارایی مناسب آن است.

در طول دهه های اخیر مسئله زمان بندی سیستم جریان کارگاهی با مفروضات مختلفی بررسی شده است. یکی از حالاتی که توجه بسیاری از پژوهشگران را به خود جلب کرده است، در نظرگیری مفهوم یادگیری است. در شرایط واقعی محیط های کاری، اثر یادگیری تنها به موقعیت کارها محدود نمی شود؛ به عبارت دیگر تجربه کارگران نیز در طول روند عملیات باید در نظر گرفته شود. از طرف دیگر عوامل زیادی سبب در دسترس نبودن ماشین آلات و تجهیزات در افق برنامه ریزی می شود. این پژوهش یک مسئله جریان کارگاهی با محدودیت دسترسی ماشین و اثر یادگیری مبتنی بر یک مدل ترکیبی را موردمطالعه قرار می دهد. این مدل یادگیری به طور همزمان مبتنی بر موقعیت کارها و همچنین مجموع لگاریتمی زمان پردازش کارها است. در ابتدا یک مدل برنامه ریزی مختلط عدد صحیح برای مسئله ارائه و سپس به دلیل پیچیدگی بالای مدل، از دو الگوریتم فرا ابتکاری شبیه سازی تبرید (SA) و شبیه سازی تبرید مبتنی بر نظریه ابر (CSA)، برای یافتن جواب های نزدیک به بهینه استفاده شده است. تحلیل نتایج حاکی از آن است که عملکرد الگوریتم CSA به طور معنا داری بالاتر از عملکرد الگوریتم SA است.

هدف: در این پژوهش مسئله یکپارچه زمان بندی زنجیره تأمین با تعیین واگذاری موعد تحویل، زمان بندی سفارش ها روی یک ماشین در یک سیستم تولیدی و ارسال به صورت دسته ای، واگذاری به چندین وسیله حمل ونقل ناهمگن با توجه به ظرفیت و در نهایت، تحویل سفارش ها به مشتریان در پنجره زمانی با هدف کمینه کردن کل هزینه های توزیع سفارش ها و هزینه های ثابت و متغیر سوخت و انتشار کربن وسیله نقلیه و کل زمان دیرکرد سفارش های مشتریان است. روش: مدل برنامه ریزی مسئله بیان شده یک مدل ریاضی عدد صحیح غیرخطی مختلط بوده و برای حل آن از الگوریتم های فرابتکاری چندهدفه MOPSO و NSGA-II بهره گرفته شده است. به منظور مقایسه دقیق تر نتایج حاصل از معیارهای عملکردی، از تحلیل آماری t زوجی در سطح اطمینان 95 درصد و 05/0  استفاده شد. یافته ها: نتایج حل حاصل از الگوریتم ها و تحلیل آماری در سطح اطمینان 95، نشان دهنده عملکرد مناسب الگوریتم NSGA-II است، از این رو الگوریتم NSGA-II، برای مدل پیشنهادی، کارایی مناسب تری دارد. نتیجه گیری: این پژوهش به کاهش هزینه های تولید، توزیع، نگهداری موجودی و مصرف سوخت منجر می شود. همچنین می توان به کمک این مسئله، موجودی محصولات و هزینه های نگهداری را کاهش داد.

    در سیستم های تولیدی و صنعتی، برنامه ریزی ادغامی تولید و عملیات و تعمیرات از اهمیت بسیار زیادی برخوردار است. از این رو در این پژوهش یک برنامه ریزی ادغامی چندهدفه با قابلیت بهینه سازی برای زمان بندی تولید و نگهداری و تعمیرات با ملحوظ دانستن محدودیت دسترسی به منابع تولیدی در شرایط عدم قطعیت ارائه شده است. برای این منظور، یک مدل ریاضی برنامه ریزی مختلط عدد صحیح در راستای برنامه ریزی تولید و نگهداری و تعمیرات در شرکت مارون مدل سازی گردید. بر طبق نتایج حاصل شده، ماکزیمم سود حاصل شده پس از کسر هزینه ها برابر با 12690 میلیون دلار، کمترین ریسک ناشی از تولید محصول برابر با 3462 و کمترین مدت زمان اجرای نگهداری و تعمیرات برابر با 14172 ساعت محاسبه شده است. سرانجام، نتایج ارزیابی مدل سازی انجام شده نشان داد که استقرار نتایج حاصل از حل دقیق و فراابتکاری ارائه شده در این مقاله بیش از 7 درصد در تولیدات شرکت بهبود ایجاد می کند.