برنامه‌ريزي حمل‌و‌نقل براي كارخانه كشتي‌سازي با استفاده از برنامه‌ريزي تصادفي

Transportation Scheduling for Shipyard Using Stochastic Programming

وسايل نقليه ويژه‌اي كه حمل‌كننده‌ها ناميده مي‌شوند، براي حمل بلوك‌هاي سنگين از يك كارخانه به كارخانه ديگر در صنايع كشتي‌سازي استفاده مي‌شود. با توجه به محدوديت تعداد حمل‌كننده‌ها، برنامه‌ريزي حمل‌و‌نقل براي حفظ كل برنامه توليد بلوك‌ها مهم است. اين مقاله يك مسئله زمان‌بندي حمل‌و‌نقل بلوك تحت محدوديت تحويل را در‌ برمي‌گيرد تا تعيين كند چه زماني و با چه وسيله نقليه‌اي، هر بلوك از كارخانه منبع به كارخانه مقصد تحويل داده مي‌شود. هدف از اين مسئله اين است كه با كاهش سطح ريسك و افزايش سطح اطمينان، زمان جريمه كه مي‌تواند باعث تأخير در كل برنامه‌ توليد بلوك شود حداقل شود. يك مدل رياضي براي راه‌حل بهينه در نظر گرفته‌شده و مسئله در حالت‌هاي قطعي و برنامه‌ريزي تصادفي موردبررسي قرار گرفته است. برنامه‌ريزي تصادفي از روش‌هايي است كه در موضوع برنامه‌ريزي حمل‌و‌نقل استفاده مي‌شود اين روش به مدل‌سازي دسته‌اي از مسائل بهينه‌سازي مي‌پردازد كه برخي داده‌هاي مسئله غير‌قطعي فرض مي‌شوند. درنهايت نتايج اجراي برنامه با استفاده از اين روش نشان مي‌دهد كه اگر داده‌ها قطعي باشد هزينه كمتر از حالتي است كه داده‌ها تصادفي باشد.

Special vehicles called transporters are used to deliver heavy blocks from one plant to another in shipyards. Because of the limitation on the number of transporters, the scheduling of transporters is important for maintaining the overall production schedule of the blocks. This paper considers a scheduling problem of block transportation under a delivery restriction to determine when and by which transporter each block is delivered from its source plant to its destination plant. The objective of the problem is to minimize the penalty times that can cause delays in the overall block production schedule by reducing the level of risk and increasing the level of confidence. A mathematical model is derived for the optimal solution and problem in certain and stochastic states have been investigated. Stochastic programming is one of the methods used in the field of Transport planning. This method deals with the modeling of a set of optimization problems that some data are assumed to be uncertain. Finally, the results of the program implementation using this method show that if the data are certain, the cost is less than that of the data be stochastic.