MULTI-OBJECTIVE ROUTING AND SCHEDULING IN FLEXIBLE MANUFACTURING SYSTEMS UNDER UNCERTAINTY

كارايي مديريت سيستم هاي حمل ونقل نقش مهمي در كارايي برنامه ريزي و عمليات سيستم هاي توليد انعطاف پذير دارد. ارابه هاي خود راهنما (AGV) بخشي از تكنيك هاي توسعه يافته و متنوع شده در فضاي حمل ونقل مواد است كه امروزه كاربرد هاي زيادي دارند و بعنوان واسط بين عمليات و تجهيزات ذخيره سازي و مسيرهاي كنترل شده بوسيله سيستم هاي كامپيوتري هوشمند استفاده مي شوند. در اين مطالعه يك مدل برنامه ريزي رياضي دو هدفه جهت يكپارچگي زمانبندي جريان كارگاهي و مسيريابي AGVها در سيستم توليدي انعطاف پذير ارايه شده است، هميشه در مسايل واقعي پارامترهايي همچون تقاضا، زمان تحويل و زمان هاي عمليات قطعي نيستند. بنابراين براي حل مشكل واقعي ، در مدل پيشنهادي ما پارامترهاي مذكور به صورت فازي لحاظ شده اند. متعاقبا، بمنظور حل مدل رياضي فازي يكي از اثربخش ترين تكنيك ها در پيشينه استفاده شده است. براي حل مسيله مورد مطالعه از دو الگوريتم فراابتكاري ، الگوريتم هاي ژنتيك با مرتب سازي نا مغلوب يا NSGA-? و همچنين الگوريتم بهينه سازي اجتماع ذرات چند هدفه MOPSO استفاده شده است كه صحت مدل هاي رياضي و كارايي الگوريتم ها با مثال هاي عددي ارزيابي شده اند.

The efficiency of transportation system management plays an important role in the planning and operation efficiency of flexible manufacturing systems. Automated Guided Vehicles (AGV) are part of diversified and advanced techniques in the field of material transportation which have many applications today and act as an intermediary between operating and storage equipment and are routed and controlled by an intelligent computer system. In this study, a two-objective mathematical programming model is presented to integrate flow shop scheduling and routing AVGs in a flexible manufacturing system. In real-life problems parameters like demand, due dates and processing times are always uncertain. Therefore, in order to solve a realistic problem, foregoing parameters are considered as fuzzy in our proposed model. Subsequently, to solve fuzzy mathematical programming model, one of the most effective technique in the literature is used. To solve the problem studied, two meta-heuristic algorithms of Non-dominated Sorting Genetic Algorithm-II (NSGAII) and multi-objective particle swarm optimization (MOPSO) are offered that the accuracy of mathematical models and efficiency of algorithms provided are assessed through numerical examples.