حل يك مدل رياضي جهت طراحي چيدمان تسهيلات با اندازه نابرابر و زمان‏بندي گروهي بصورت همزمان در سيستم هاي توليد سلولي پويا با استفاده از الگوريتم فراابتكاري

Solving a Mathematical Model to Simultaneous Design the unequal-area facilities Layout and Group Scheduling in Dynamic Cellular Manufacturing Systems by a Meta-heuristic Algorithm

از آنجايي كه اكثر تحقيقات در زمينه توليد سلولي بدون در نظر گرفتن مرحله زمان‏بندي گروهي انجام گرفته شده‏است. اين تحقيق به ارائه يك مدل يكپارچه از سيستم توليد سلولي پويا مي‏پردازد. مدل ارائه شده تركيبي از تشكيل سلول، چيدمان گروهي و زمان‏بندي گروهي به صورت همزمان مي‏باشد. در اين تحقيق يك مدل رياضي عدد صحيح غير خطي مختلط(MINLP) براي يكپارچه‏سازي سه مساله تشكيل سلول، چيدمان درون و بيرون سلولي و زمان‏بندي گروهي در سيستم توليد سلولي پويا ارائه مي‏شود. تابع هدف اين مدل از جنس هزينه و شامل هفت قسمت با هدف مينيمم كردن هزينه‏هاي ماشيني(مانند: هزينه‏هاي عملياتي) هزينه‏‎هاي حمل‏ونقل درون و بيرون سلولي، هزينه مدت زمان كل ساخت ، هزينه جريمه ديركردها، هزينه خريد ماشين جديد و هزينه بالاسري ماشين‏ها مي‏باشد. در ادامه مدل خطي شده و سپس يك الگوريتم ژنتيك براي حل ارائه مي‏شود. در آخر به ارائه مثال و حل آن با نرم افزار گمز و بررسي نتايج براي مراحل چيدمان سلولي و چيدمان گروهي ماشين‏آلات و زمان‏بندي گروهي مي‏پردازيم و و سپس با تغيير زمان به بررسي دوباره نتايج ارائه شده و صحت مدل مي‏پردازيم. در آخر به بررسي نتايج الگوريتم ژنتيك كه در متلب كدنويسي شده مي‏پردازيم.

Since most researches on cellular Manufacturing has taken place without regard to the Group Scheduling process. This research presents an integrated model of Dynamic Cellular Manufacturing System. The proposed model combines cell formation, group layout and Group Scheduling Simultaneous. In this research, an integrated mixed-integer nonlinear programming (MINLP) model presented to integrate three problems cell formation, intra-cell and inter-cell layout and Group Scheduling in a Dynamic Cellular Manufacturing System. The objective function of this model is cost-effective and consists of seven parts by goal minimizing machine costs (such as operating costs), intra-cell and inter-cell transport costs, makespan cost, tardiness penalty cost, purchase a new car costs and overhead cost of machines. The model is then linearized and then a genetic algorithm is proposed for solving. Finally, we present the example and solve it with the GAMS software, and examine the results for the layout of the cell and the group layout of the machines and group scheduling. Then, by changing the time, we re-evaluate the results and verify the model. Finally, we will review the results of the genetic algorithm that is being coded in MATLAB