توصيفگر ها :
پذيرش و زمان‌بندي سفارش‌ها , زمان‌بندي كاراي انرژي , ديركرد وزني سفارش‌ها , تعرفه مصرف انرژي , محيط كارگاه جرياني , مدل عدد صحيح مختلط , الگوريتم ابتكاري و فراابتكاري
چكيده فارسي :
با توجه به اين‌كه امروزه بيش‌تر شركت‌هاي توليدي با محدوديت ظرفيت توليد مواجه هستند و قادر به پاسخ‌گويي تمامي سفارش‌هاي مشتريان در موعد تحويل خود نيستند، بنابراين پذيرش تمامي سفارش‌ها به‌دليل وجود هزينه‌هاي ديركرد لزوماً باعث افزايش سودآوري در شركت نمي‌گردد و رد تعدادي از سفارش‌ها مي‌تواند سودآوري شركت را افزايش دهد. لذا در اين پژوهش به بررسي مسئله پذيرش و زمان‌بندي سفارش‌ها (OAS ) پرداخته مي‌شود تا بتوان از طريق امكان رد سفارش‌ها حداكثر سود ممكن را به دست آورد. از طرف ديگر به دليل كمبود انرژي، كاهش ميزان مصرف انرژي براي تمامي شركت‌هاي توليدي امري مهم تلقي مي‌گردد چراكه نيمي از كل انرژي مصرفي در جهان مربوط به صنايع توليدي است. يكي از روش‌هاي كم هزينه براي كاهش مصرف انرژي مسئله مربوط به زمان‌بندي كاراي انرژي (EES ) است چراكه نياز به سرمايه‌گذاري زيادي ندارد و تنها با تغيير در روند توليد مي‌توان مقدار مصرف انرژي را كاهش داد. حال از آنجايي كه تاكنون در هيچ مطالعه‌اي به بررسي مسئله رد و پذيرش سفارش‌ها همراه با درنظر گيري هزينه مصرف انرژي در محيط كارگاه جرياني (FS ) پرداخته نشده است، در اين پژوهش به بررسي مسئله پذيرش و رد سفارش‌ها با هدف بيشينه سازي سود با در نظر گرفتن جريمه ديركرد وزني سفارش‌ها و هزينه انرژي در محيط كارگاه جرياني پرداخته مي‌شود. ابتدا براي حل مسئله دو مدل عدد صحيح مختلط خطي پيش‌نيازي و موقعيت محور ارائه شده است. نتايج به دست آمده از اين دو مدل ارائه شده نشان مي‌دهد كه با محدوديت زماني 3600 ثانيه، مدل موقعيت محور بعد از اعمال اصول غلبه و نامعادلات معتبر بهتر از مدل پيش‌نيازي عمل مي‌كند به طوري‌كه مدل موقعيت‌محور قادر است تا ابعاد 15 سفارش و پنج ماشين و 18 سفارش و سه ماشين را به صورت بهينه براي تمامي نمونه‌ها حل كند. در حالي‌كه مدل پيش‌نيازي نتها مي‌تواند تا ابعاد 10 سفارش و 10 ماشين به جواب بهينه برسد. در ادامه براي حل مسئله در ابعاد متوسط و بزرگ يك الگوريتم ابتكاري بر پايه حد بالاي زمان تكميل سفارش‌ها و يك الگوريتم فراابتكاري جست‌و‌جوي همسايگي متغير (VNS ) ارائه شده كه عملكرد اين دو الگوريتم تا ابعاد 300 سفارش و 10 ماشين مقايسه شده است. نتايج به دست آمده حاصل از اين دو الگوريتم نشان مي‌دهد كه الگوريتم فراابتكاري VNS قادر است به جواب‌هايي با كيفيت بهتر دست يابد به طوري‌كه الگوريتم فراابتكاري VNSدر ابعاد متوسط و بزرگ مي‌تواند به طور ميانگين جواب‌هاي الگوريتم ابتكاري ارائه شده را 1.87 درصد بهبود دهد.
چكيده انگليسي :
Today, most manufacturing companies cannot meet all customer orders due to limitations in production capacity within the due date. Therefore, accepting all orders due to tardiness costs does not necessarily increase profitability, and rejecting some orders can increase the company's profitability. Thus, in this study, the order acceptance and scheduling problem (OAS) is investigated to maximize profit through the possibility of rejecting orders. On the other hand, due to the lack of energy, reducing energy consumption is important for all manufacturing companies because half of the total energy consumed worldwide is related to manufacturing industries. One of the low-cost methods to reduce energy consumption is related to energy efficient scheduling (EES) because it does not require much investment, and energy consumption can be reduced only by changing the production process. Now, since no study has investigated the problem of accepting and rejecting orders along with considering the cost of energy consumption in the flow workshop (FS) environment, in this research, the problem of accepting and rejecting orders to maximize profit by taking into account the weighted tardiness penalty of orders and energy cost in the flow shop environment investigate. First, to solve the problem, two mixed-integer linear programming models, precedence and position based, are presented. The results obtained from these two presented models show that with a time limit of 3600 seconds, the position based model performs better than the precedence based model after applying superiority rules and valid inequalities so that the position based model can optimally solve until the sizes of 15 orders and five machines and 18 orders and three machines for all samples. In contrast, the precedence based model can only optimally solve up to the sizes of 10 orders and 10 machines. In the following, to solve the problem in medium and large instances, a heuristic algorithm based on the upper limit of order completion time and a meta-heuristic algorithm of variable neighborhood search (VNS) are presented, and the performance of these two algorithms is compared up to the sizes of 300 orders and 10 machines. The results obtained from these two algorithms show that the VNS meta-heuristic algorithm can achieve better quality solutions so that the VNS meta-heuristic algorithm in medium and large dimensions can improve the solutions of the heuristic algorithm by 1.87% on average.
