الگوريتم‌هاي فراابتكاري براي مسئله زمان‌بندي جريان كارگاهي مونتاژ دو مرحله‌اي با در نظر گرفتن زمان‌هاي آماده‌سازي ماشين ها

Meta-heuristic algorithms for two-stage assembly flow shop scheduling problem with considering setup times of machines

در اين مقاله، مساله زمان بندي خط توليد جريان كارگاهي مونتاژ دو مرحله‌اي با در نظر گرفتن زمان‌هاي آماده سازي مستقل از توالي و با هدف كمينه‌سازي مجموع زمان تكميل كل سفارشات مطالعه مي‌شود. در اين مسئله چند سفارش براي يك نوع محصول وجود دارد. هر محصول سفارش‌داده‌شده از چند قطعه متفاوت تشكيل شده است. در ابتدا، قطعات در يك محيط جريان كارگاهي با وجود چند ماشين (ايستگاه) مختلف توليد مي‌شوند و سپس در يك ايستگاه مونتاژ تبديل به محصول نهايي مي‌شوند. اين مقاله سه الگوريتم فراابتكاري جستجوي همسايگي متغير موازي، ايمني مصنوعي و شبيه‌سازي تبريد را براي حل اين مسئله ارائه داده است. روش طراحي آزمايشات تاگوچي جهت تنظيم پارامترها و عملگرهاي الگوريتم هاي ارائه شده به كار گرفته شده است. همچنين با استفاده از آزمايش‌هاي عددي، عملكرد الگوريتم هاي پيشنهادي ارزيابي شده است. نتايج نشان مي‌دهد الگوريتم جستجوي همسايگي متغير موازي پيشنهاد شده از الگوريتم هاي ديگر براي حل اين مساله بهتر عمل مي‌كند.

This paper deals with the problem of two-stage assembly flow shop scheduling with considering sequence-independent setup times. The objective is to minimize total completion times of all orders. In this problem, there are several orders for one type of product. Each ordered product is formed of several different parts. At first, the parts are manufactured in a flow shop stage with some different machines and then they are assembled into a final product on a single machine. This paper presents three meta-heuristic algorithms, namely Parallel Variable Neighborhood Search (PVNS), Artificial Immune Algorithm (AIA) and Simulated Annealing (SA), for solving under studied problem. The Taguchi experimental design method as an optimization technique is employed to tune different parameters and operators of presented algorithms. Also, Numerical experiments are used to evaluate the performance of the proposed algorithms. The results show that the PVNS algorithm performs better than the other algorithms.