مقايسه سه روش فراابتكاري براي كمينه نمودن زمان چرخه در مسئله زمانبندي جريان كارگاهي مختلط دوره‌اي با در نظر گرفتن اثر يادگيري

Comparison between Three Metaheuristic Algorithms for Minimizing Cycle Time in Cyclic Hybrid Flow Shop Scheduling with Learning Effect

زمانبندي كار‌ها در صنايعي كه روند حركت كار‌ها بر روي ماشين‌ها به صورت دوره‌اي مي‌باشد، همچون صنايعي كه محصولات آنها فاسد شدني نظير صنايع غذايي و يا داراي طول عمر همانند مواد شيميايي، راديواكتيو و غيره هستند، از اهميت زيادي برخوردار است، زيرا كه اين صنايع به دليل محدوديت‌هاي زماني و يا رقابت با ساير شركت‌ها سعي در كمينه نمودن بازه زماني انجام كار‌ها دارند. از آنجا كه غالباً محيط توليدي اين صنايع به صورت توليد جريان كارگاهي مختلط دوره‌اي مي‌باشد و اثر يادگيري اپراتور در سرعت توليد مشهود است، اين پژوهش در نظر دارد كه زمان چرخه بر روي هر ماشين را با وجود اثر يادگيري به ‌كمك چينش فعاليت‌ها كمينه نمايد. براي اين منظور در روند اين پژوهش، ابتدا تحقيقات پيشين در اين حوزه مورد مطالعه قرار گرفت. سپس مدل رياضي اين مسأله نوشته و به دليل آنكه ماهيت كمينه نمودن زمان انجام كار‌ها در محيط توليد جريان كارگاهي مختلط دوره‌اي، جزء مسائل سخت (NPHard) مي‌باشد، براي حل اين مسأله از سه روش فراابتكاري الگوريتم ژنتيك، الگوريتم شبيه‌سازي تبريد و الگوريتم شبيه‌سازي تبريد مبتني بر جمعيت استفاده شد. نتايج نشان مي‌دهند كه الگوريتم شبيه‌سازي تبريد مبتني بر جمعيت به دليل ساختار جمعيتي آن، به‌طور ميانگين نسبت به دو الگوريتم ديگر كارايي بهتري دارد.

Jobs scheduling in industries with cyclic procedure on machines, such as perishable products (food industries) or products with a limited lifetime (chemicals, radio actives, etc), is very important. Due to time limitation or competition with other companies, these industries try to minimize thecycle time of jobs processing. Since most productive environments of the industries are cyclic hybrid flow shop and operator’s learning effect is obvious in speed of productions, the aim of this study is to minimize cycle time of each machine with learning effect by consequence of jobs. After proposing a mathematical model and since the cyclic hybrid flow shop environment is NPhard, three metaheuristics, i.e., genetic algorithm, simulated annealing algorithm and population based simulated annealing algorithm, have been proposed for solving this problem. Results show that on average, population based simulated annealing algorithm due to its populationbased structure has a better performance in comparison to other algorithms.