بررسي مسئله زمان بندي كارگاه جريان با فرض اثر يادگيري، محدوديت دسترسي و ملاحظات مصرف انرژي

Flowshop scheduling problem with availability constraints, learning effects and energy consumption considerations

در اين تحقيق به بررسي مسئله ي كارگاه جريان جايگشتي با فرض اثر يادگيري، محدوديت دسترسي ماشين آلات و ملاحظات مصرف انرژي پرداخته مي شود. هدف، كمينه سازي هزينه ي كل سيستم است كه شامل هزينه هاي انرژي و بالاسري ماشين آلات مي باشد. محدوديت دسترسي ماشين آلات بيانگر اين واقعيت است كه ماشين ها به طور پيوسته در افق برنامه ريزي در دسترس نمي باشند و به دليل عملياتي نظير نگهداري و تعميرات پيشگيرانه، بازه هايي به عنوان بازه هاي عدم دسترسي ماشين آلات در نظر گرفته مي شوند. بنابر فرض در نظر گرفته شده در اين تحقيق، زمان پردازش هر عمليات روي هر ماشين وابسته به موقعيت كار مربوطه روي آن ماشين مي باشد. ماشين ها داراي سرعت هاي قابل كنترل هستند كه با افزايش يا كاهش اين سرعت ها زمان پردازش متناظر آنها تغيير مي كند. يك مدل رياضي براي مسئله مذكور ارائه مي شود كه هدف آن يافتن توالي بهينهي كارها و انتخاب سرعت مناسب براي پردازش هر عمليات روي هر ماشين، جهت كمينه سازي هزينه هاي سيستم مي باشد. به دليل پيچيدگي محاسباتي بالاي مسئله ي مورد بررسي، از دو الگوريتم فراابتكاري ژنتيك (GA) و شبيه سازي تبريد (SA) براي حل آن استفاده شده است. سه دسته مسائل با ابعاد كوچك، متوسط و بزرگ براي بررسي عملكرد الگوريتم ها ايجاد شده است كه نتايج به دست آمده، عملكرد مناسب هر دو الگوريتم و البته برتري الگوريتم ژنتيك در مقايسه با الگوريتم شبيه سازي تبريد را براي تمامي ابعاد مسئله نشان مي دهد. در نهايت با توجه به فاكتور نسبت هزينه هاي بالاسري به هزينه هاي انرژي، جداولي جهت پيشنهاد ميزان استفاده ي هر يك از سرعتها براي بهينه سازي مصرف انرژي سيستم ارائه مي گردد.

In this paper, we investigate the permutation flowshop scheduling problem with availability constraints, learning effects and energy consumption considerations. The objective is the minimization of the total costs including energy and overhead costs. Availability constraints refer to the fact that the machines are not continuously available during the planning horizon and there will be some unavailability periods due to preventive maintenance, and the learning effects will affect the processing time of jobs depending on their position in the sequence. In this research, we assume that the machine speed is controllable and it will linearly effect the processing times. A mathematical model is presented to solve the problem, in which the purpose is to find the optimal sequence and to assign the best speed to each job on each machine in order to minimize the total costs. Since the mentioned problem is strongly NP-hard, two meta-heuristic algorithms: Genetic Algorithm and Simulated Annealing are proposed to obtain near optimum solutions in reasonable time. Various problems are used to examine the performance of the algorithms. Computational experiments show that genetic algorithm outperforms simulated annealing for all problem sizes. Finally, the usage percentage of each speed is specified to optimize energy costs of the system