Two Strategies Based on Meta-Heuristic Algorithms for Parallel Row Ordering Problem (PROP)

آرایش مناسب تسهیلات موضوعی کلیدی در مدیریت است که بهره‌وری و سوددهی سیستم‌های تولید را تحت تأثیر قرارمی‌دهد. مسئلة مرتب‌سازی در ردیف‌های موازی حالت خاصی از مسئلة چیدمان تسهیلات و شامل یافتن بهترین مکان جای‌گیری n تسهیل است، به‌نحوی که تسهیلات مشابه (تسهیلاتی با برخی ویژگی‌های مشترک) در یک ردیف و تسهیلات غیرمشابه در ردیفی موازی قراربگیرد. از آنجا که این مسئله مسئلة NP-hard جدیدی است، تنها یک مدل برنامه‌ریزی خطی مختلط برای فرموله‌سازی آن ارائه شده است؛ بنابراین، برای حل مثال‌هایی با ابعاد بزرگ، به‌کارگیری الگوریتم‌های ابتکاری و فراابتکاری مفید خواهد بود. در این مقاله دو راهبرد برای حل مثال‌های متوسط و بزرگ این مسئله بر پایة الگوریتم ژنتیکی و الگوریتم شبیه‌سازی تبرید تدریجی مبتنی بر جمعیت ارائه می‌شود. همچنین، مثال‌های مختلفی از این مسئله در دو گروه، از متون پژوهشی انتخاب و با استفاده از الگوریتم‌های پیشنهادی به‌منظور ارزیابی بر اساس تابع هدف و زمان محاسبات حل شد. بر اساس نتایج به‌دست‌آمده در گروه نخست، دو الگوریتم غالباً عملکرد مشابهی داشت و در گروه دوم الگوریتم شبیه‌سازی تبرید تدریجی مبتنی بر جمعیت با افزایش اندازة مسائل عملکرد بهتری از خود نشان داده است.

Proper arrangement of facility layout is a key issue in management that influences efficiency and the profitability of the manufacturing systems. Parallel Row Ordering Problem (PROP) is a special case of facility layout problem and consists of looking for the best location of n facilities while similar facilities (facilities which has some characteristics in common) should be arranged in a row and dissimilar facilities should be arranged in a parallel row. As PROP is a new introduced NP-hard problem, only a mixed integer programming model is developed to formulate this problem. So to solve large scale instances of this problem, heuristic and meta-heuristic algorithms can be useful. In this paper, two strategies based on genetic algorithm (GA) and a novel population based simulated annealing algorithm (PSA) to solve medium and large instances of PROP are proposed. Also several test problems of PROP in two groups with different sizes that have been extracted from the literature are solved to evaluate the proposed algorithms in terms of objective function value and computational time. According to the results, in the first group of instances, both algorithms almost have equal performances, and in the second group PSA shows better performance by increasing the size of test problems.