مدلسازي و حل يك مساله برنامه ريزي توليد بازگشتي به منظور تعيين ظرفيت بهينه ايستگاه هاي بازسازي در چارچوب صف

production planning problem to determine the optimal capacity of A recursive remanufacturing stations in queuing theory framework

در اين تحقيق، يك مدل دو هدفه برنامه ريزي توليد بازگشتي در چارچوب صف با تركيبي از مدلهاي صف M/ M / 1 / K و 1/ M / M ارائه مي شود كه توسط آن مي توان ظرفيت بهينه هر ايستگاه بازسازي داخل كارخانه را به نحوي تعيين كرد كه متوسط مدت زمان انتظار محصولات معيوب در ايستگاههاي بازسازي كمينه شده و متوسط بهره وري ايستگاهها نيز بيشينه گردد. مدل پيشنهادي از دسته مسائل برنامه ريزي غير خطي عدد صحيح است كه به دليل پيچيدگي مساله در ابعاد بزرگ از الگوريتم هاي فرا ابتكاري، شامل الگوريتم ژنتيك مرتب سازي نامغلوب ( NSGA - II ) و نيز الگوريتم ژنتيك رتبه بندي نا مغلوب (NRGA) ، به منظور حل مسائل در اندازه هاي واقعي با زمان محاسباتي قابل قبول استفاده شده است. از آنجائيكه خروجي الگوريتم هاي فرا ابتكاري به شدت وابسته به پارامتر هاي ورودي الگوريتم هاست از متدولوژي رويه هاي پاسخ و طراحي آزمايشات استفاده شده است. در نهايت كارايي و قابليت مدل هاي پيشنهادي و روش هاي حل، با استفاده از مسائل آزمايشي طراحي شده در ابعاد مختلف مورد تجزيه و تحليل قرار گرفته است

We present a multi-objective recursive production planning model using a queuing network theory with considering M/M/1/K and MM/1 queuing models, to obtain the optimal capacity for each of the remanufacturing stations within the company. In fact, average waiting time minimizing and average efficiency maximizing are goales in the model. As the model is shown strongly NP-hard, multi-objective meta-heuristic algorithms including Non-dominated Sorting Genetic Algorithm (NSGA-II), and Non-dominated Ranking Genetic Algorithm (NRGA) are proposed to solve the model. Since the solutionquality of all meta-heuristic algorithms severely depends on their parameters, design of experiments and response surface methodologies (RSM) have been utilized to calibrate the parameters of algorithms. Finally, computational results obtained by implementing the algorithms on several problems of the different sizes demonstrate the performances of the proposed methodologies