برنامه ريزي توليد چندمرحله اي در زنجيره تأمين حلقه بسته همراه با راه اندازي هاي وابسته به توالي و انتقال راه‌ اندازي

Multi-Stage Production Planning with Sequence-Dependent Setups and Setup Carry Over In Closed-Loop Supply Chain

در اين مقاله مسأله­ ي برنامه­ ريزي توليد چند مرحله ­اي، چند محصولي، چند پريودي با راه اندازي‌هاي وابسته به توالي در زنجيره تأمين حلقه بسته مطالعه ميشود. فرآيندهاي توليد و توليد مجدد هر محصول به ­طور متوالي درنظرگرفته شده ­اند و اگر ماشين براي پردازش محصول مورد نظر آماده باشد، هر دو فرآيند قابل اجرا هستند. براي فرمول ­بندي مسأله يك مدل برنامه ­ريزي عدد صحيح مختلط ارايه شده و به ­منظور حل مدل مذكور چهار الگوريتم ابتكاري با استفاده از رويكرد افق متحرك و يك الگوريتم ژنتيك توسعه داده شده است. دو روش ابتكاري اول برمبناي مدل­ اصلي توسعه­ ي يافته اند، اما به ­منظور حل مسأله در ابعاد بزرگ، دو روش ابتكاري ديگر و الگوريتم ژنتيك، مبتني بر مدل ساده­ سازي شده مي­ باشند كه از حذف توالي هاي غيرترتيبي فضاي جواب مدل­ اصلي حاصل شده است. جهت تنظيم پارامترهاي الگوريتم ژنتيك ارايه شده، روش تاگوچي به كارگرفته شده است. نتايج عددي نشان دهنده ي كارايي الگوريتم فراابتكاري ارايه شده نسبت به الگوريتمهاي ابتكاري مبتني بر برنامه ريزي عددصحيح مختلط هستند.

This paper studies multi-stage, multi-product, multi-period production planning problem with sequence dependent setups in closed-loop supply chain. Manufacturing and remanufacturing processes of each product are regarded consequently, and both of them could be performed if machine is ready for processing corresponding product. To formulate the problem, a mixed-integer programming (MIP) model is presented and four heuristic algorithms using rolling horizon and a genetic algorithm are developed to solve the model. First two heuristic algorithms are developed based on the original model, but to solve the large instances the other two heuristics and the genetic algorithm are based on the simplified model, which is obtained by elimination of non-permutation sequences of original model solution space. To calibrate the parameters of the proposed genetic algorithm, Taguchi method is applied. The numerical results indicate the efficiency of the proposed meta-heuristic algorithm against MIP-based heuristic algorithms.