چکیده:
این مقاله به معرفی یک مدل ریاضی چندهدفه جهت تخصیص افزونگی در سیستمهای تولیدی می پردازد. در بسیاری از خطوط تولید و مونتاژ در صنعت، توابع توزیع ورود قطعات، مدت زمانهای پردازش، مدت زمان تابازمانی ماشینها و مدت زمانهای تعمیر از توابع توزیع عمومی تبعیت میکنند. روش پیشنهادی این مقاله با استفاده از رویکرد تلفیقی شبیهسازی کامپیوتری و متدولوژی سطح پاسخ، قابلیت درنظرگیری پارامترهای زمانی مبتنی بر توابع توزیع عمومی در خطوط تولید را داراست. در مدل ریاضی این مقاله سه هدف حداکثرکردن نرخ تولید، حداقلکردن هزینهها و حداکثرکردن کیفیت محصولات درنظرگرفته شدهاست. جهت حل مدل ریاضی چندهدفه پیشنهادی، از دو الگوریتم فراابتکاری تکاملی الگوریتم ژنتیک با مرتبسازی نامغلوب و بهینهسازی ازدحام ذرات چندهدفه استفاده شدهاست. نتابج محاسباتی مؤثربودن دو الگوریتم فوق در تولید جوابهای نامغلوب برای مسئله تخصیص افزونگی در سیستمهای تولیدی نامطمئن را نشان میدهد. بهعلاوه، نتایج حاصل از مقایسه این دو الگوریتم نشاندهنده کیفیت بالاتر جوابهای الگوریتم ژنتیک با مرتبسازی نامغلوب در این مسئله است.
This paper presents a multi-objective mathematical model for redundancy allocation in production systems. In many of the production and assembly lines، process times، time between failures and repaired times are generally distributed. The proposed method of this paper is able to consider time dependent parameters as general distribution functions by using the hybrid approach of simulation and response surface methodology. The objectives of the mathematical model are maximizing production rate، minimizing total cost and maximizing quality. In order to solve the proposed mathematical model، non-dominated sorting genetic algorithm and multiple objective particle swarm optimization are used. Numerical results indicate the effectiveness of both algorithms for generating non-dominated solutions. Moreover، comparative results indicate the superiority of the Non-dominated sorting genetic algorithm.
خلاصه ماشینی:
"از آنجاییکه xij تعداد ماشین نوع j که باید در ایسـتگاه i وجود داشته باشد (شامل ماشین های قدیمی و جدید) و lij تعـداد ماشـین موجـود (قـدیمی) نوع j در ایستگاه i تعریف شدهاست ، بنابراین تعداد ماشـین هـای جدیـد در ایسـتگاه i توسـط (lij xij) محاسبه شده که با ضرب این عبارت در aij ، هزینه نصب و راهاندازی ماشین هـا محاسبه میشود.
Deb و Agrawal یک عمل گر تقاطع به نام عمـل گـر SBX جهـت ترکیـب دو کرومـوزوم 1- Deb 2- Tan 3- Non-Dominated Sorting Genetic Algorithm - NSGA-II 4- Multiple Objective Particle Swarm Optimization – MOPSO (کروموزومهای والد) و ایجاد دو کروموزوم جدید (کروموزومهای فرزند) ارائه کردنـد کـه این روش در این مقاله به عنوان عمل گر تقاطع اسـتفاده شـدهاسـت (دب و اگـراوال١، ١٩٩٥).
از طـرف دیگـر بـا توجـه بـه حجم بسیار زیاد محاسبات مسئله (طراحی آزمایشات، شبیه سازی هر یک از آزمـایش هـا، سـاخت متامدل، ساخت مدل ریاضی بهینه سازی، حل مدل با استفاده از الگوریتم های فراابتکاری)، مقایسـه دو الگوریتم NSGA-II و MOPSO در این مطالعه فقط بر روی یک مسـئله انجـامشـده و نتـایج مقایسه ای صرفا در مورد یک مسئله خاص ارائه شدهاست ، بنابراین درحالحاضر نتایج ایـن تحقیـق جهت برتـری مطلـق یـک الگـوریتم قابـل تعمـیم نبـوده و جهـت بررسـی برتـری مطلـق یکـی از الگوریتم ها نیاز به حل مسائل بیشـتر و اسـتفاده از آزمـونهـای آمـاری مناسـب اسـت کـه پیشـنهاد میشود این امر در تحقیقات آتی موردمطالعه قرارگیرد."