يك روش تلفيقي جديد جهت تخصيص افزونگي در سيستم هاي توليدي با استفاده از NSGA-II و MOPSO اصلاح شده

A New Hybrid Method for Redundancy Allocation in Production Systems using Modified NSGA-II and MOPSO Algorithm

اين مقاله به معرفي يك مدل رياضي چند‌هدفه جهت تخصيص افزونگي در سيستم‌هاي توليدي مي پردازد. در بسياري از خطوط توليد و مونتاژ در صنعت، توابع توزيع ورود قطعات، مدت زمان‌هاي پردازش، مدت زمان تابازماني ماشين‌ها و مدت زمانهاي تعمير از توابع توزيع عمومي تبعيت ميكنند. روش پيشنهادي اين مقاله با استفاده از رويكرد تلفيقي شبيهسازي كامپيوتري و متدولوژي سطح پاسخ، قابليت درنظرگيري پارامترهاي زماني مبتني بر توابع توزيع عمومي در خطوط توليد را داراست. در مدل رياضي اين مقاله سه هدف حداكثركردن نرخ توليد، حداقل‌كردن هزينه‌ها و حداكثر‌كردن كيفيت محصولات در‌نظر‌گرفته شده‌است. جهت حل مدل رياضي چند‌هدفه پيشنهادي، از دو الگوريتم فراابتكاري تكاملي الگوريتم ژنتيك با مرتب‌سازي نامغلوب و بهينه‌سازي ازدحام ذرات چند‌هدفه استفاده شده‌است. نتابج محاسباتي موثر‌بودن دو الگوريتم فوق در توليد جواب‌هاي نامغلوب براي مسيله تخصيص افزونگي در سيستم‌هاي توليدي نامطمين را نشان مي‌دهد. به‌علاوه، نتايج حاصل از مقايسه اين دو الگوريتم نشان‌دهنده كيفيت بالاتر جواب‌هاي الگوريتم ژنتيك با مرتب‌سازي نامغلوب در اين مسيله است.

This paper presents a multi-objective mathematical model for redundancy allocation in production systems. In many of the production and assembly lines, process times, time between failures and repaired times are generally distributed. The proposed method of this paper is able to consider time dependent parameters as general distribution functions by using the hybrid approach of simulation and response surface methodology. The objectives of the mathematical model are maximizing production rate, minimizing total cost and maximizing quality. In order to solve the proposed mathematical model, non-dominated sorting genetic algorithm and multiple objective particle swarm optimization are used. Numerical results indicate the effectiveness of both algorithms for generating non-dominated solutions. Moreover, comparative results indicate the superiority of the Non-dominated sorting genetic algorithm.