دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات60
تعداد شماره‌ها2,040
تعداد مقالات16,469
تعداد مشاهده مقاله43,651,529
تعداد دریافت فایل اصل مقاله24,822,222
مسیب مطلق, مائده, عظیمی, پرهام, امیری, مقصود. (1402). بهینه‌سازی خطوط تولید چند محصولی با رویکرد شبیه‌سازی و برنامه‌ریزی چند هدفه. سامانه مدیریت نشریات علمی, 21(68), 75-120. doi: 10.22054/jims.2019.30723.2015
مائده مسیب مطلق; پرهام عظیمی; مقصود امیری. "بهینه‌سازی خطوط تولید چند محصولی با رویکرد شبیه‌سازی و برنامه‌ریزی چند هدفه". سامانه مدیریت نشریات علمی, 21, 68, 1402, 75-120. doi: 10.22054/jims.2019.30723.2015
مسیب مطلق, مائده, عظیمی, پرهام, امیری, مقصود. (1402). 'بهینه‌سازی خطوط تولید چند محصولی با رویکرد شبیه‌سازی و برنامه‌ریزی چند هدفه', سامانه مدیریت نشریات علمی, 21(68), pp. 75-120. doi: 10.22054/jims.2019.30723.2015
مسیب مطلق, مائده, عظیمی, پرهام, امیری, مقصود. بهینه‌سازی خطوط تولید چند محصولی با رویکرد شبیه‌سازی و برنامه‌ریزی چند هدفه. سامانه مدیریت نشریات علمی, 1402; 21(68): 75-120. doi: 10.22054/jims.2019.30723.2015

بهینه‌سازی خطوط تولید چند محصولی با رویکرد شبیه‌سازی و برنامه‌ریزی چند هدفه

مطالعات مدیریت صنعتی
مقاله 3، دوره 21، شماره 68، فروردین 1402، صفحه 75-120    اصل مقاله (1.98 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jims.2019.30723.2015
نویسندگان
مائده مسیب مطلق* 1؛ پرهام عظیمی2؛ مقصود امیری3
1کارشناس ارشد مدیریت صنعتی، دانشکده مدیریت و حسابداری ، دانشگاه علامه طباطبایی، تهران، ایران
2دانشیار دانشکده مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
3استاد دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
چکیده
این مطالعه، به بررسی خطوط تولید چند محصولی نامطمئن با چیدمان ترکیبی (سری-موازی) با احتمال خرابی ماشین‌آلات در هر ایستگاه کاری می‌پردازد. هدف از این پژوهش، توسعه یک مدل ریاضی چند‌هدفه شامل بیشینه‌سازی نرخ تولید و کمینه‌سازی هزینه‌های ناشی از کاهش زمان پردازش ایستگاه‌های کاری و هم‌چنین حجم کل بافرها، با توجه به مقادیر بهینه میانگین زمان پردازش هر محصول در هر ایستگاه و حجم بافر میان ایستگاه های کاری می‌باشد. بدین منظور جهت پیکره‌بندی ساختار مدل ریاضی از تکنیک‌هایی نظیر شبیه‌سازی، طراحی آزمایشات و رویه سطح پاسخ و جهت حل آن از الگوریتم‌های فرا ابتکاری ژنتیک مرتب‌سازی نامغلوب(NSGA-II) و ژنتیک رتبه‌بندی نامغلوب(NRGA) استفاده شده است. اعتبار مدل ریاضی چند هدفه و کاربرد متدولوژی پیشنهادی حل مدل، در یک مطالعه موردی بررسی گردیده‌است. درنهایت، عملکرد الگوریتم‌های به‌ کارگرفته‌شده در تحقیق حاضر مورد ارزیابی قرار گرفته‌است. نتایج نشان می دهد مدل ریاضی چند هدفه پیشنهادی جهت بهینه سازی خطوط تولید نامطمئن معتبر بوده و توانایی دستیابی به نقاط بهینه (نزدیک به بهینه) در سایر مسائل مشابه با ابعاد بزرگ تر و پیچیدگی بیشتر را دارا می باشد.
کلیدواژه‌ها
خطوط تولید نامطمئن؛ بهینه‌سازی چند هدفه؛ شبیه‌سازی؛ طراحی آزمایشات؛ متدولوژی سطح پاسخ
مراجع
  1. Abdul‐Kader, W., Ganjavi, O., & Baki, F. (2011). A nonlinear model for optimizing the performance of a multi‐product production line. International Transactions in Operational Research, 18(5), 561-577.
  2. Alon, G., Kroese, D. P., Raviv, T., & Rubinstein, R. Y. (2005). Application of the cross-entropy method to the buffer allocation problem in a simulation-based environment. Annals of Operations Research, 134(1), 137-151.
  3. Altiparmak, F., Dengiz, B., & Bulgak, A. A. (2007). Buffer allocation and performance modeling in asynchronous assembly system operations: An artificial neural network metamodeling approach. Applied Soft Computing, 7(3), 946-956.
  4. Amiri, M., & Mohtashami, A. (2012). Buffer allocation in unreliable production lines based on design of experiments, simulation, and genetic algorithm. The International Journal of Advanced Manufacturing Technology, 62(1-4), 371-383.
  5. Aydilek, H., & Allahverdi, A. (2013). A polynomial time heuristic for the two-machine flowshop scheduling problem with setup times and random processing times. Applied Mathematical Modelling, 37(12), 7164-7173.
  6. Banks, J., Carson II, J. S., Automation, B., Nelson, B. L., & Nicol, D. M. (2005) Discrete-Event System Simulation FOURTH EDITION.
  7. Bekker, J. (2013). Multi-objective buffer space allocation with the cross-entropy method. International Journal of Simulation Modelling, 12(1), 50–61.
  8. Chehade, H., Yalaoui, F., Amodeo, L., & Dugardin, F. (2010, October). Buffers sizing in assembly lines using a Lorenz multiobjective ant colony optimization algorithm. In Machine and Web Intelligence (ICMWI), 2010 International Conference on (pp. 283-287). IEEE.
  9. Chung, C. A. (2000). Simulation modeling handbook: a practical approach.
  10. Deb, K. (2001). Multi-objective optimization using evolutionary algorithms (Vol. 16). John Wiley & Sons.
  11. Demir, L., Tunalı, S., Eliiyi, D. T., & Løkketangen, A. (2013). Two approaches for solving the buffer allocation problem in unreliable production lines. Computers & Operations Research, 40(10), 2556-2563.
  12. Diamantidis, A.C., Papadopoulos, C.T. (2009). Exact analysis of a two-station onebuffer flow line with parallel unreliable machines. European Journal of Operational Research 197, 572–580.
  13. Fallah-Jamshidi, S., Amiri, M., & Karimi, N. (2010). Nonlinear continuous multi-response problems: a novel two-phase hybrid genetic based metaheuristic. Applied Soft Computing, 10(4), 1274-1283.
  14. Ferreira, S. C., Bruns, R. E., Ferreira, H. S., Matos, G. D., David, J. M., Brandao, G. C., da Silva, E.P., Portugal L.A., Dos Reis P.S., Souza A.S., & Dos Santos, W. N. L. (2007). Box-Behnken design: an alternative for the optimization of analytical methods. Analytica chimica acta, 597(2), 179-186.
  15. Gurel, S., & Akturk, M. S. (2007). Optimal allocation and processing time decisions on non-identical parallel CNC machines: ϵ-constraint approach. European Journal of Operational Research, 183(2), 591-607.
  16. Han, M. S., & Park, D. J. (2002). Optimal buffer allocation of serial production lines with quality inspection machines. Computers & Industrial Engineering, 42(1), 75-89.
  17. Hsieh, S. J. T. (2002). Hybrid analytic and simulation models for assembly line design and production planning. Simulation Modelling Practice and Theory, 10(1-2), 87-108.
  18. Hsieh, P. H., Yang, S. J., & Yang, D. L. (2015). Decision support for unrelated parallel machine scheduling with discrete controllable processing times. Applied Soft Computing, 30, 475-483.
  19. Huang, M. G., Chang, P. L., & Chou, Y. C. (2002). Buffer allocation in flow-shop-type production systems with general arrival and service patterns. Computers & Operations Research, 29(2), 103-121.
  20. Karimi, N., Zandieh, M., & Karamooz, H. R. (2010). Bi-objective group scheduling in hybrid flexible flowshop: a multi-phase approach. Expert Systems with Applications, 37(6), 4024-4032.
  21. Kim, S., & Lee, H. J. (2001). Allocation of buffer capacity to minimize average work-in-process. Production Planning & Control, 12(7), 706-716.
  22. Kolb, O., & Göttlich, S. (2015). A continuous buffer allocation model using stochastic processes. European Journal of Operational Research, 242(3), 865-874.
  23. Kose, S. Y., & Kilincci, O. (2015). Hybrid approach for buffer allocation in open serial production lines. Computers & Operations Research, 60, 67-78.
  24. Llerena, A. Malavasi, B. (2013). Hypothesis Test of a New Line Balancing Approach with Dynamic Allocation of Assembly Operation. University of Skovde, Bachelor Degree Projection.
  25. Lu, C., Xiao, S., Li, X., & Gao, L. (2016). An effective multi-objective discrete grey wolf optimizer for a real-world scheduling problem in welding production. Advances in Engineering Software, 99, 161-176.
  26. MacGregor Smith, J., & Cruz, F. R. B. (2005). The buffer allocation problem for general finite buffer queueing networks. Iie Transactions, 37(4), 343-365.
  27. Massim, Y., Yalaoui, F., Amodeo, L., Châtelet, É., & Zeblah, A. (2010). Efficient combined immune-decomposition algorithm for optimal buffer allocation in production lines for throughput and profit maximization. Computers & Operations Research, 37(4), 611-620.
  28. Mohammadi, S., Monfared, M. A. S., & Bashiri, M. (2017). An improved evolutionary algorithm for handling many-objective optimization problems. Applied Soft Computing, 52, 1239-1252.
  29. Mohtashami, A. (2014). A new hybrid method for buffer sizing and machine allocation in unreliable production and assembly lines with general distribution time-dependent parameters. The International Journal of Advanced Manufacturing Technology, 74(9-12), 1577-1593.
  30. Mor, B., & Mosheiov, G. (2014). Batch scheduling of identical jobs with controllable processing times. Computers & Operations Research, 41, 115-124.
  31. Nahas, N., Ait-Kadi, D., & Nourelfath, M. (2006). A new approach for buffer allocation in unreliable production lines. International journal of production economics, 103(2), 873-881.
  32. Oesterle, J., Bauernhansl, T., & Amodeo, L. (2016). Hybrid multi-objective optimization method for solving simultaneously the line balancing, equipment and buffer sizing problems for hybrid assembly systems. Procedia CIRP, 57, 416-421.
  33. Raman, N. A., & Jamaludin, E. K. R. (2008). Implementation of Toyota Production System (TPS) in the production line of a local automotive parts manufacturer. In Proceedings of International Conference on Mechanical, Manufacturing Engineering.
  34. Sabuncuoglu, I., Erel, E., & Gocgun, Y. (2006). Analysis of serial production lines: characterisation study and a new heuristic procedure for optimal buffer allocation. International Journal of Production Research, 44(13), 2499-2523.
  35. Scott, J. R. (1995). Fault tolerant design using single and multi-criteria genetic algorithms. Master's thesis, Department of Aeronautics and Astronautics, Massachusetts Institute of Technology.
  36. Shi, C., & Gershwin, S. B. (2009). An efficient buffer design algorithm for production line profit maximization. International Journal of Production Economics, 122(2), 725-740.
  37. Smith, J. M., Cruz, F. R., & Van Woensel, T. (2010). Topological network design of general, finite, multi-server queueing networks. European Journal of Operational Research, 201(2), 427-441.
  38. So, K. C. (1997). Optimal buffer allocation strategy for minimizing work-in-process inventory in unpaced production lines. IIE transactions, 29(1), 81-88.
  39. Tiacci, L. (2015). Simultaneous balancing and buffer allocation decisions for the design of mixed-model assembly lines with parallel workstations and stochastic task times. International Journal of Production Economics, 162, 201-215.
  40. Troitiño Malavasi, B. M., & Muñoz Llerena, A. (2013). Hypothesis test of a new line balancing approach with dynamic allocation of assembly operations.
  41. Tsadiras, A. K., Papadopoulos, C. T., & O’Kelly, M. E. (2013). An artificial neural network based decision support system for solving the buffer allocation problem in reliable production lines. Computers & industrial engineering, 66(4), 1150-1162.
  42. Uruk, Z., Gultekin, H., & Akturk, M. S. (2013). Two-machine flowshop scheduling with flexible operations and controllable processing times. Computers & Operations Research, 40(2), 639-653.
  43. Yamashita, H., & Altiok, T. (1998). Buffer capacity allocation for a desired throughput in production lines. IIE transactions, 30(10), 883-892.
  44. Zandieh, M., Joreir-Ahmadi, M. N., & Fadaei-Rafsanjani, A. (2017). Buffer allocation problem and preventive maintenance planning in non-homogenous unreliable production lines. The International Journal of Advanced Manufacturing Technology, 91(5-8), 2581-2593.
  45. Zitzler, E. (1999). Evolutionary algorithms for multiobjective optimization: Methods and applications.
آمار
تعداد مشاهده مقاله: 604
تعداد دریافت فایل اصل مقاله: 509


login