برنامه‌ريزي و زمان‌بندي پيشرفته با در نظر گرفتن اثر يادگيري در سيستم‌هاي ساخت كارگاهي انعطاف‌پذير

Advanced planning and scheduling with a learning effect in the flexible job shop manufacturing system

برنامه‌ريزي و زمان‌بندي پيشرفته، نوعي فرآيند مديريت توليد است كه در آن منابع و ظرفيت‌هاي توليدي به طور بهينه به تقاضاهاي مشتريان تخصيص داده مي‌شود. اين رويكرد به طور خاص در محيط‌هايي كه روش‌هاي برنامه‌ريزي ساده نمي‌توانند جوابگوي شرايط پيچيده باشند كاربرد دارد. يك فرض رايج در مساله برنامه‌ريزي و زمان‌بندي پيشرفته اين است كه زمان پردازش يك محصول ثابت و مستقل از جايگاهش در توالي توليد است؛ اما در بسياري از موارد عملي، عملكرد اپراتور به طور پيوسته با گذشت زمان بهبود و زمان پردازش كارها كاهش مي‌يابد كه اين پديده به عنوان اثر يادگيري شناخته مي‌شود. در اين مقاله، يك چارچوب بهينه‌سازي توسعه‌يافته براي مساله برنامه‌ريزي و زمان‌بندي پيشرفته در محيط توليد انعطاف‌پذير با در نظر گرفتن اثر يادگيري ارايه شده است تا توانايي بيشتري در بيان شرايط واقعي محيط‌هاي توليدي فراهم و عوامل انساني را در امر زمان‌بندي دخيل كند. هم‌چنين به دليل پيچيدگي محاسباتي بالاي مدل پيشنهادي، يك الگوريتم حل ژنتيك چند مرحله‌اي نيز پيشنهاد شده است. نتايج عددي نشان مي‌دهد كه الگوريتم حل پيشنهادي، توانايي رسيدن به جواب‌هاي بهينه/ نزديك بهينه را در زمان هاي محاسباتي بسيار كمتر از روش‌هاي دقيق دارد.

Advancedplanning andschedulingisaproduction managementprocess in which the resources and production capacities are optimally assigned to the customers’ demands. Thisapproachcan particularly be applicable in the complex environments. A common assumption in the advancedplanning andschedulingproblems is that the processing time of a given product is constant and independent of its position in the production sequence. However, in the real-world situations, an operator’s skill may continuously be improved when the production time is passing which is known as the learning effect phenomenon. Inthis article, with regard to the learning effect, an extended multi-product optimization framework for the advancedplanning andscheduling problem of a typical flexible production environment is developed to provide a more ability to address the actual situations. Due to the high computational complexity of the proposed model, a multi-stage genetic solution algorithm is also presented. Numerical results confirm that the proposed algorithm can obtain the optimum/near optimum solutions in much less computational times compared to the exact solutions.