دانلود ترجمه مقاله کاربرد الگوریتم پارتو در زمانبندی سفارشات و برنامه ریزی تولید

1. مقدمه 2. مدل ریاضی مسئله زمان‏بندی سفارش در برنامه ‏ریزی تولید 3. استفاده از مدل بهینه ‏سازی پاراتو برای مسائل زمانبندی 4. نتایج و بررسی آزمایشی 5. نتیجه‏ گیری ضمیمه A

نتیجه ‏گیری: در این مقاله، مسئله زمان‏بندی سفارش چند سایتی و چند هدفی در مرحله برنامه ‏ریزی تولید با در نظر گرفتن سایت، واحدها و فرایندهای تولیدی مورد بررسی قرار گرفت. محققان از یک مدل ریاضی برای بررسی مسئله استفاده کردند. در این مدل اهداف تولید مانند حداقل ‏سازی کل دیرکرد، زمان توان عملیاتی یا عملکرد تمامی سفارش‏ها و کل زمان بیکاری در واحدهای تولید در نظر گرفته شدند. این اهداف برای شرکت‏ های تولیدی جهت تحقق تاریخ ‏های سررسید و بهبود عملکرد مدیریت سودمند است. علاوه برآن؛ از یک مدل بهینه‏ سازی پاراتو برای ایجاد راه‏ حل‏ های بهینه پاراتو در مسئله مورد نظر استفاده گردید به‏ طوری که در آن فرایند بهینه ‏سازی مبتنی برNSGA-II برای جستجوی راه‏ حل ‏های بهینه و شبیه ‏سازی فرایند تولید موثر برای ارزیابی عملکرد راه‏ حل ‏های مربوطه به ‏کار می ‏رود. در فرایند بهینه ‏سازی مبتنی برNSGA-II از یک نمایش کروموزومی و اپراتورهای ژنتیکی اصلاح شده برای بررسی مسئله پیشنهادی کمک گرفته می‏شود . همچنین، محققان فرایند هرس ابتکاری و تصمیم ‏گیری انتخاب نهایی را طراحی نمودند که برای انتخاب راه ‏حل برتر نهایی از میان مجموعه راه‏ حل ‏های بهینه پاراتو مورد استفاده قرار می ‏گیرند. در دستگاه شبیه ‏ساز یک سری قاعده ابتکاری برای ساده‏ سازی فرایندهای جستجوی بهینه‏ سازی و شبیه‏ سازی تولید تمامی فرایندهای تولید معرفی گردید. اثربخشی مدل پیشنهادی با استفاده از داده ‏های صنعتی یک شرکت تولیدی کاربر به اثبات رسید. نتایج آزمایشی نشان می ‏دهند که این مدل می‏ تواند مسئله فوق را با فراهم کردن راه ‏حل‏ های بهینه پاراتو که برتر از راه ‏حل ‏های صنعتی هستند، مورد بررسی قرار دهد. علاوه برآن، مدل بهینه‏ سازی می‏ تواند به منبع ‏یابی تولید از خارج در صنایع کاربر با در نظر گرفتن کارخانه تامین ‏کننده منبع خارجی به عنوان سایت تولید کمک کند. این تحقیق برای سازندگان مراکز تولیدی بسیار مفید است زیرا آن‏ها می ‏توانند بر اساس آن در مورد تاریخ سررسید با مشتریان خود مذاکره کنند. با انجام تحقیقات بیشتر می‏توانیم تاثیرات عدم اطمینان تولیدی مختلف را بر روی برنامه ‏ریزی تولید مانند سفارش‏ های تولید نامطمئن و کمبود مواد مورد بررسی قرار دهیم. همچنین، عملکرد روش‏ های هرس کردن مانند خوشه‎بندی داده‏ای در راه ‏حل برتر نهایی و مقایسه نتایج آن با نتایج ایجاد شده با روش اولویت رتبه‏ بندی مورد مطالعه قرار خواهد گرفت. این تحقیق می‏تواند در آینده به توسعه مدل‏های بهینه ‏سازی چند منظوره هوشمند که مبتنی بر سایر روش‏ های متا ابتکاری مانند فرایند ابتکاری شبیه‏ سازی شده، استراتژی تکامل و الگوریتم کلونی مورچه هستند، کمک کند، این مدل‏ها برای بررسی مسئله MSOS و مقایسه عملکرد این مدل‏ها یا مدل بهینه‏ سازی پاراتو به‏کار می‏ رود.

Conclusion: This paper investigates a multi-objective multi-site order scheduling problem in the production planning stage with the consideration of multiple plants, multiple production departments and multiple production processes. The mathematical model for the investigated problem has been established, which considers three production objectives, including minimizing the total tardiness and throughput time of all orders as well as the total idle time in all production departments. These objectives are particularly useful for manufacturing companies to meet due dates and improve management performance. A Pareto optimization model has been developed to generate the Pareto optimal solutions for the problem investigated, in which a NSGA-II-based optimization process was proposed to seek candidate solutions and an effective production process simulator was developed to evaluate the performance of the candidate solutions. In the NSGA-II-based optimization process, a novel chromosome representation and modified genetic operators were presented to handle the investigated problem while a heuristic pruning and final selection decision-making process was developed to select out the final preferred solution from the set of Pareto optimal solutions. In the simulator, a series of heuristic rules were introduced to effectively simplify the processes of optimization seeking and production simulation of all production processes. The effectiveness of the proposed optimization model has been validated by using the industrial data from a labor-intensive manufacturing company. The experimental results demonstrate that the proposed model could handle the investigated problem effectively by providing Pareto optimal solutions much superior to the industrial solutions. The proposed optimization model can be easily extended to handle production outsourcing in labor-intensive industries by considering an outsourcing factory as a production plant. This research is also helpful for manufacturers to make due date negotiations with their customers. Further research will consider the effects of various production uncertainties on production planning, such as uncertain production orders and possible material shortage, and investigate the performances of other pruning methods such as data clustering in final preferred solution and compare its results with those generated by the ranking preference method used in this research. In addition, it is also a desirable direction to develop other intelligent multi-objective optimization models, based on other meta-heuristics such as simulated annealing, evolution strategy, and ant colony algorithm, for the investigated problem and compared the performances of these models with the Pareto optimization model proposed in this research.

بخشی از ترجمه مقاله (صفحه 10 فایل ورد ترجمه)