چکیده:
در این مقاله سعی شده است با ادغام شبیهسازی و الگوریتم ژنتیک رویکردی پیشنهاد شود که بتوان از آن در هر مسئلۀ تولید کارگاهی که قابلیت مدلشدن با شبیهسازی را داشته باشد استفاده کرد. در رویکرد پیشنهادی برای درنظرگیری محدودیتهایمسئله از مدل شبیهسازی و برای بهینهسازی از الگوریتم ژنتیک استفاده میشود. بدین منظور ماتریسی بهعنوان رابط تعریف میشود که همزمان نقش بردار کنترلی برای مدل شبیهسازی و نمایش ماتریسی جواب برای الگوریتم ژنتیک را ایفا میکند. در این روش با استفاده از الگوریتم ژنتیک تغییراتی درماتریس اعمال میشود و سپس ماتریس وارد مدل شبیهسازیشده و تابع هدف تعریفشده در مسئله بهعنوان تابع برازش برای الگوریتم ژنتیک گزارش میشود و این روند تا رسیدن به شرایط اتمام الگوریتم ادامه پیدا میکند.
روش پیشنهادی بر مسائل معیار تولید کارگاهی سنتی و با تابع هدف زمان اتمام آخرین کار آزمایش میشود و نتایج حاصل با نتایج روش برنامهریزی عدد صحیح مختلط مقایسه میشود. سپس اولویتدهی مناسب برای مینیممکردن تابع هدف چندگانه، در یک سیستم تولید کارگاهی پویای دارای خرابی و دوبارهکاری به دست میآید. نتایج بهدستآمده نشان میدهد روش بهینهسازی براساس شبیهسازی از توانایی بالایی برای مدلسازی و یافتن جواب مناسب در اکثر مسائل تولید کارگاهی برخوردار است.
خلاصه ماشینی:
جدول(1): مدلهای ترکیبی بهکارگرفتهشده در مسائل تولید کارگاهی (رجوع شود به تصویر صفحه) در این صورت درنظرگیری فرضهای محدودکننده در مسئله که از مشکلات مدلهای تحلیلی است از بین میرود و از طرف دیگر میتوان جواب مناسب برای آن را با استفاده از روش الگوریتم ژنتیک به دست آورد.
11 Manne 12 Mixed Integer Programming 13 Liao 14 Balasubramanian 15Tang 16Gao 17 Chen 18Pezzella 19First In First Out 20Shortest Processing 21 Longest Processing Time 22Earliest Due Date 23 Vinod 24 Chan 25Dominic 26Baykasoğlu 27Nolan 28 Sargent 29Holthaus [30]Klemmt 31 Gholami 32 Kulkarni 33 Rangsaritratsamee 34 Due Date 35 Total Work Continent 36 Paul 37 Fitness Function 38 Toolbox 39 Simevents 40 Simulink 41 Time based entity Generator 42 Artificial Bee Colony 43 Teaching- Learning Optimization 44 Smaller the better 45 OR Library 46 Disjunctive graph مراجع Adibi, M.
"Integrating Simulation and Optimization to Schedule a DynamicJob shop problem", Proceedings of 9th International Conference on Industrial Engineering, Tehran, Iran Asadzadeh, L.
"An agent-based parallel approach for the job shop scheduling problem with genetic algorithms".
"A hybrid genetic and variable neighborhood descent algorithm for flexible job shop scheduling problems".
"Integrating simulation and genetic algorithm to schedule a dynamic flexible job shop".
"Optimization of job shop scheduling problems using teaching-learning-based optimization algorithm".
Iterative simulation and optimization approach for job shop scheduling.
Operational scheduling of traditional and flexible manufacturing systems using genetic algorithms, artificial neural networks and simulation, Ph. D Thesis, University of Bradford Paul, R.
"A genetic algorithm for the flexible job-shop scheduling problem".
"Data mining based job dispatching using hybrid simulation-optimization approach for shop scheduling problem".
"A hybrid algorithm for flexible job-shop scheduling problem".