توصيفگر ها :
برنامه‌ريزي توليد , سيستم‌هاي تركيبي MTS-MTO , موعد تحويل منعطف و تضمين‌شده , برنامه‌ريزي تصادفي چندمرحله‌اي , تقاضاي تصادفي
چكيده فارسي :
در سيستم‌هاي توليد تركيبي MTS-MTO به دليل ويژگي‌هاي متفاوت محصولات ازجمله الگوي تقاضا، هزينه نگهداري، زمان توليد، زمان تحويل و ساير ويژگي‌ها، از استراتژي‌هاي ساخت براي انبار و ساخت مطابق سفارش به‌صورت هم‌زمان استفاده مي‌شود. درواقع براي دستيابي به شاخص‌هاي كليدي عملكرد، نقاط قوت و ضعف اين دو استراتژي باهم تركيب مي‌شوند. مسائل تعيين استراتژي توليد هر محصول، اندازه دسته محصولات MTS، پذيرش يا رد سفارشات و زمان‌بندي محصولات ازجمله مسائل كليدي در سيستم‌هاي توليد تركيبي MTS-MTO به‌شمار مي‌روند. براي انعطاف‌پذيري توليدكنندگان در زمان تدارك و تضمين تحويل سفارشات، موعد تحويل به‌صورت پنجره زماني و جريمه تأخير براي اتمام بعد از پنجره تحويل در نظر گرفته‌شده است. اكثر مطالعات صورت گرفته در زمينة برنامه‌ريزي توليد به مسائل قطعي مي‌پردازند؛ اما در واقعيت، امكان پيش‌بيني داده‌ها به‌طور دقيق تقريباً امكان‌پذير نيست. درنتيجه استفاده از روش‌هاي مواجهه با عدم قطعيت مطلوبيت دارد. زماني كه توزيع تصادفي پارامتر غيرقطعي مشخص است رويكرد برنامه‌ريزي تصادفي يكي از رويكردهاي كارا در اين شرايط است. برنامه‌ريزي تصادفي هدف مورد انتظار را درصورتي‌كه محدوديت‌ها براي همه‌ي حالات غيرقطعي شدني باشند؛ بهينه مي‌كند. در اين پژوهش برنامه‌ريزي توليد با تقاضاي تصادفي و زمان تدارك منعطف در سيستم‌هاي توليد تركيبي MTS-MTO موردبررسي قرار مي‌گيرد. ابتدا بر اساس فرضيات، يك مدل رياضي در شرايط قطعي ارائه‌شده و سپس با توجه به تصادفي بودن تقاضا يك مدل تصادفي چندمرحله‌اي توسعه داده‌شده است. با افزايش دوره‌هاي برنامه‌ريزي، تعداد سناريوها به‌صورت نمايي افزايش مي‌يابند؛ بنابراين يك الگوريتم تجزيه مبتني بر سناريو براي مسئله ارائه‌شده است. نتايج محاسباتي نشان داده است كه با افزايش تعداد سناريوها، اين الگوريتم درحالي‌كه زمان حل مسئله را كاهش مي‌دهد، كيفيت جواب را نيز بهبود مي‌دهد. متوسط ارزش نسبي راه‌حل تصادفي نشان‌دهنده افزايش سودآوري حاصل از برنامه‌ريزي تصادفي نسبت به مدل ارزش متوسط است و همچنين راه‌حل تصادفي چندمرحله‌اي نشان‌دهنده افزايش سودآوري حاصل از برنامه‌ريزي تصادفي چندمرحله‌اي نسبت به دومرحله‌اي است.
چكيده انگليسي :
In hybrid MTS-MTO production systems, due to the different characteristics of products, including demand pattern, holding cost, production time, due date, and other characteristics, make-to-stock and make-to-order strategies are used simultaneously. In fact, to achieve key performance indicators, the strengths and weaknesses of these two strategies are combined together. Determining the production strategy of each product, lot sizing, order acceptance or rejection, and scheduling are important in hybrid MTS-MTO production systems. For the flexibility of the manufacturers in the lead time and to guarantee the delivery of the orders, the due date is considered as a time window, and the tardiness penalty is considered for completion after the delivery window. Most of the studies in production planning deal with deterministic problems. But in reality, it is almost impossible to predict the data accurately. As a result, it is desirable to use methods of dealing with uncertainty. When the distribution of the non-deterministic parameter is known, the stochastic programming method is effective. Stochastic programming optimizes the expected objective if the constraints are feasible for all uncertain states. In this research, production planning with stochastic demand and flexible lead time are investigated in hybrid MTS-MTO production systems. First, based on assumptions, a mathematical model is presented in deterministic conditions, and then, according to the stochastic demand, a multi-stage stochastic model is developed. With the increase in planning periods, the number of scenarios increases exponentially. Therefore, a scenario-based decomposition algorithm is presented for the problem. The computational results have shown that with the increase in the number of scenarios, this algorithm has significantly reduced the solution time and improved the quality of the solutions. The average relative value of the stochastic solution indicates the increase in profitability from stochastic programming compared to Expected Value model, and also the average relative value of multi-stage stochastic solution indicates the increase in profitability from multi-stage stochastic programming compared to two-stage.
