مدل بهينه سازي استوار براي برنامه ريزي توليد ادغامي چند كارخانه اي محصولات فاسد شدني تحت شرايط عدم قطعيت با در نظر گرفتن سياست تعويق

A robust optimization model for multi-site aggregate production planning of perishable products under conditions of uncertainty with postponement policy

در اين پژوهش، برنامه ريزي توليد ادغامي چند كارخانه اي براي توليد محصولات فاسد شدني مانند هديه هاي سال نو، تقويم ها و سررسيد ها با استفاده از سياست تعويق در شرايط عدم قطعيت، تعيين مي شود. فرايند توليد اين محصولات با اعمال مفهوم تعويق، به دو مرحله ي توليد محصول نهايي و نيمه ساخته تقسيم مي گردد. بنابراين سه فعاليت توليدي شامل توليد مستقيم، توليد محصول نيمه ساخته و مونتاژ نهايي وجود دارد. همچنين، يك مدل بهينه سازي استوار جهت حل برنامه ريزي توليد ادغامي اين محصولات، گسترش داده مي شود. مجموعه اي از داده هاي واقعي شركت توليد كننده انواع سالنامه در تهران به نام شركت " سالنامه نيك" جهت اعتبار سنجي و نشان دادن كارايي مدل، مورد استفاده قرار مي گيرند. نتايج محاسباتي، به خوبي نشان مي دهند كه مدل اين مقاله مي تواند براي مسائل واقعي برنامه ريزي توليد ادغامي كارخانه هاي توليدي مشابه در شرايط عدم قطعيت پارامترها، كاربرد مناسبي داشته باشد.

In this paper, multi-site aggregate production planning for the production of perishable products such as gifts of New Year, calendars and maturities by postponement policy in uncertainty conditions is determined. The production process for these products is proposed to be divided into two phases including the production of final and semi-finished products with applying the concept of postponement. So, there are three production activities, including direct production, the production of semi-finished products and final assembly. Also, a robust optimization model to solve aggregate production planning problem for these products is developed. Finally, a set of real data from a calendar producing company in Tehran called “NIK Calendar” are used to validate and show the efficiency of the proposed model. Results show that the proposed model of this paper can use for similar factories which are active in the field of aggregate production planning with considering uncertainty in the parameters