چکیده:
امروزه یکی از ضروریات رویارویی با تغییرات مستمر در بازار مصرفی، استفاده از طرح جانمایی پویای تسهیلات است. مسئله جانمایی پویای تسهیلات[1] (DFLP)، مسئلهای بهینهسازی است که در جستجوی مناسبترین موقعیت تسهیلات تولیدی برای افقی چنددورهای است، بهگونهای که مجموع کل هزینههای طرح جانمایی کمینه گردد. این پژوهش، برای نخستین بار، رویکرد شبیهسازی و الگوریتم فراابتکاری بهینهسازی ازدحام ذرات[2] (PSO) را برای حل DFLP ترکیب کرده و با اعمال اصلاحاتی در الگوریتم ازدحام ذرات در فضای صفر و یک[3] (BPSO)، الگوریتمی جدید به نام الگوریتم بهینهسازی ازدحام ذرات گمارش شده[4] (APSOA) را ارائه دادهاست، که نتیجه آن اثربخشی بیشتر PSO در حل DFLP است. نتایج بهدستآمده حاصل از آزمون APSOA روی مسائل مختلف DFLP با اندازههای کوچک، متوسط و بزرگ، حکایت از عملکرد بسیار خوب آن دارد. جانمایی تسهیلات، مسئله جانمایی پویای تسهیلات (DFLP)، الگوریتم بهینهسازی ازدحام ذرات گمارش شده (APSOA)، شبیهسازی.
Today، one of the requirements to deal with continuous changes in the consumption market is to use dynamic facility layout design. Dynamic facility layout problem (DFLP) is an optimization problem، which searches for the most appropriate location for manufacturing facilities at a multi-period horizon، so that the total cost of the layout should be minimized. This study، for the first time، combined simulation approach and particle swarm optimization (PSO) algorithm to solve DFLP optimally and through imposing some modifications on binary particle swarm optimization (BPSO)، provided a new algorithm called Assigned Particle Swarm Optimization (APSOA)، which resulted in more effective solutions for DFLP. Results of testing APSOA on various sample sizes (small، medium، large) showed a good performance of this algorithm.
خلاصه ماشینی:
"برای استفاده PSO در فضای گسسته ، مقدار سرعت بدست آمده از رابطه (٨)، در رابطه زیر قرار میگیرد و به احتمالی بین ٠ و ١ تبدیل می شود(کندی و ابرهارت، ١٩٩٧): سپس هر بعد به دست آمده از رابطه (٩) طبق رابطه (١٠) یک بعد (یا یک بیت ١) از بردار موقعیت A عددی تصادفی در بازه [٠,١] است ) (لازینیکا، ٢٠٠٩): در این تحقیق تعداد ذرات جمعیت نخستین ، M، ٢٠ ذره است .
شروع شبیهسازی DFLP و تولید ١٠٠٠ جواب تصادفی و vit=min(vmax, max(vmin,vit)) انتخاب ٢٠ جواب برتر بر اساس مقدار تابع هدف Sig(vt) = (1+e(-vt))-1 i i ورود ٢٠ جواب حاصل از شبیهسازی به الگوریتم PSO به عنوان ذرات جمعیت آغازین روتوشلیدگمجاوراشب مپیوشجنهtاiدx بشاده تعیین مقدار پارامترهای c١، c٢،w ،vmax ونیز اختصاص آری یک بردار سرعت تصادفی به هر ذره در بازه [vmin,vmax] fitness(xi)<pbesti pi=x تعیین pg و gbest از بین اعضای جمعیت آغازین خیر fitness(xi)<gbest i=1 خیر آری vit=w.
vit-1+c1r1(pit-1-xit-1)+c2r2(pg-xit-1) آر i=i ی i>N Pg=x خیر آری iter<itermax iter=iter+1 خیر Solution=gbest توقف شکل (٣): فلوچارت الگوریتم پیشنهادی یافته های پژوهش در حل مسائل DFLP، محققان از دادههای یکسانی استفاده میکنند که اولین بار توسط بالاکریشنان و چنگ (٢٠٠٠) ارائه شدند.
جهت انجام تحقیقات آتی مسیرهای پژوهشی زیر به محققان علاقمند پیشنهاد میگردد: دخالت دادن فاصله مکان اولیه و مکان جدید ماشین در محاسبات هزینه جابه جایی تسهیلات، برای واقعی ترشدن مدل، استفاده از PSO در حل DFLP با محدودیت بودجه ، حل DFLP را با درنظرگرفتن ارزش زمانی پول در یک اقتصاد تورمی، استفاده از رویکرد برنامه ریزی چندهدفه برای تحقق همزمان چند هدف (کمی یا کیفی )، تحلیل حساسیت بین ابعاد مختلف مسئله و الگوریتم های موردنظر، استفاده از PSO در حل DFLP با تسهیلات غیرهم اندازه و استفاده از رویکردهای فراابتکاری ترکیبی."