توسعه الگوريتم بهينه‌سازي انبوه ذرات جهت حل مدل يكپارچه برنامه ريزي توليد و سيستم توليد سلولي پويا

An Extended Particle Swarm Optimization Algorithm to Solve Integrated Model for Production Planning and Dynamic Cellular Manufacturing System

سيستم توليد سلولي، يكي از مهم‌ترين كاربردهاي تكنولوژي گروهي است. مسيله تشكيل سلول و برنامه‌ريزي توليد، دو گام مهم در پياده‌سازي اين سيستم هستند. در اين مقاله يك مدل جديد براي مسيله يكپارچه تشكيل سلول پويا و برنامه‌ريزي توليد با هدف حداقل‌سازي هزينه‌هاي كلي شامل هزينه‌هاي ماشين، حمل و نقل بين سلولي و درون سلولي، استقرار مجدد، مصرف ابزار، نگهداري موجودي و كمبود و برون‌سپاري قطعات با شرط در دسترس بودن ابزار، ارايه مي‌شود. با توجه به NP-Hard بودن مدل پيشنهادي، يك الگوريتم بهينه‌سازي انبوه ذرات توسعه‌يافته براي حل مسيله طراحي مي‌شود. در الگوريتم پيشنهادي، با استفاده از اطلاعات بهينه محلي و مقداردهي دوباره، بدترين ذرات پراكندگي جواب‌ها افزايش يافته و از همگرايي زودرس جلوگيري مي‌شود. مقايسه نتايج الگوريتم پيشنهادي با نتايج حاصل از نرم‌افزار LINGO 8.0 در مسايل كوچك و با الگوريتم بهينه‌سازي انبوه ذرات استاندارد در مسايل با ابعاد مختلف، كارآمدي آن را نشان مي‌دهد.

Cellular manufacturing system is one of the most important applications of group technology. Design of this system involves many structural and operational issues, in which the cell formation and production planning are two important steps. In this paper, a new mathematical model is proposed for integration of cell formation and production planning problems with the aim of minimizing the overall costs such as machine, inter-cell and intra-cell movements, reconfiguration, tool consumption inventory holding, backorders and partial subcontracting based on tooling available in dynamic condition. Since the cell formation problem is NP-hard, an extended particle swarm optimization is presented. In the proposed algorithm, we use the local best for updating the particle position and re-initialize the worst particles positions to increase diversity and prevent premature convergence. Comparison of the proposed algorithm with LINGO 8.0 software in small size problem and with the standard particle swarm optimization in large size problem shows the efficiency of the presented approach.