بهينه‌سازي كلوني مورچگان براي مسأله زمان‌بندي يكپارچۀ توليد و توزيع در زنجيرۀ تأمين: كمينه‌سازي مجموع وزني تأخير كارها و هزينۀ ارسال

An ant colony optimization for an Integrated Production and Distribution Scheduling Model in Supply Chains: Minimizing Total Weighted Tardiness and Delivery Cost

در اين مقاله مسأله يكپارچۀ زمان‌بندي توليد و توزيع سفارش‌ها در حالت تك‌مشتري براي سيستم توليدي «توليد براي سفارش» در يك زنجيرۀ تأمين بررسي شده است. يك توليدكننده n سفارش از يك مشتري دريافت مي‌كند. سفارشات لازم است توسط يك ماشين پردازش و در قالب دسته‌هايي به مشتري ارسال شود. ارسال دسته‌ايِ سفارش‌ها منجر به كاهش هزينه‌هاي ارسال مي‌شود؛ اما ممكن است موجب افزايش تأخير بعضي از سفارش‌ها شود. هدف تعيين توالي پردازش كارها و تعيين دسته‌بندي آنها براي ارسال است؛ به‌طوري كه مجموع وزني تأخير كارها و هزينه‌هاي ارسال كمينه شود. مسئله به‌طور قوي NP-hard است. در اين مقاله، مدل خطي مختلط به‌همراه روش‌هاي بهينه سازي كلوني مورچگان و سيستم مورچه نخبه‌گرا براي حل مسأله گفته‌شده ارائه شده است. به‌منظور بررسي كارايي اين دو روش، تست‌هاي محاسباتي با رويكرد طراحي آزمايش‌ها به‌صورت كامل انجام شده است و تحليل نتايج با به‌كارگيري تكنيك آناليز واريانس صورت گرفته است. نتايج تست محاسباتي، كارايي روش ACS را نشان مي‌دهد. همچنين وضعيت عملكرد روش ACS براي گروه‌هاي مختلف و پارامترهاي مسئله، تجزيه و تحليل شده است.

In this paper, integrated production and batch delivery scheduling problem for make to order production system and one customer in supply chain has been addressed. One manufacture received n orders from one customer. Orders must be processed by single machine and sent in batches to customer. Sending several jobs as a batch leads to less transportation cost but may increase the cost of tardiness jobs. The objective is determining the production and delivery scheduling so that the related costs is minimized. The problem is strongly NP-hard. In this paper, one new math programming model including Mixed Integer Programming (MIP) model, Ant Colony System (ACS) and Elastic Ant System (EAS) are presented for solving it. In order to evaluate the efficiency of these two methods computational tests based on full factorial experimental design has been conducted. Computational test is performed for evaluation of these methods. The obtained results show that the heuristic algorithm is efficient which has been verified by using. Analysis of variance (ANOVA) technique. The results showed that the ACS is the most efficient method.