دانلود ترجمه مقاله زمان بندی ماشین های موازی و غیر یکسان پردازش دسته ای جهت حداقل کردن تأخیر وزنی کل

1. مقدمه 2. توصیف مسأله 3. بررسی مقالات 4. فرمول بندی ریاضی 5. الگوریتم پیشنهادی بهینه سازی ازدحام ذرات 6. آزمایش ها و نتایج محاسبات 7. نتیجه گیری

چکیده – هدف از این تحقیق، زمان بندی یک مجموعه ماشین پردازش دسته ای (BPM) مورد استفاده در تست مدار چاپی در یک تأسیسات تولید قطعات الکترونیکی است. در این تأسیسات، مدارهای چاپی (یا وظایف) در اندازه مختلف مونتاژ و تست می شوند. BPM می تواند یک دسته از وظایف را تا آنجا که اندازه کل همه وظایف در دسته از ظرفیت ماشین فراتر نرود، پردازش کند. هدف از این کار، حداقل کردن تأخیر وزنی کل و در نتیجه، حداقل کردن خسارت کل وارد شده به شرکت به دلیل تأخیر در تحویل است. مشخص شده است که مسأله مورد بررسی، ان پی (NP) سخت می باشد. در نتیجه، الگوریتم بهینه سازی ازدحام ذرات (PSO) پیشنهاد شده است. به همین ترتیب، یک روش اکتشافی برای طبقه بندی همزمان وظایف به صورت دسته ای و زمان بندی آنها در ماشین پیشنهاد می شود. اثربخشی الگوریتم PSO با استفاده از نمونه های تصادفی بررسی شده و نتایج با الگوریتم تکامل تفاضلی مقایسه می شود و از یک حلگر تجاری برای حل برنامه خطی اعداد صحیح آمیخته استفاده می گردد. نتایج آزمایش حاکی از این است که الگوریتم PSO در نمونه مسائل کوچکتر بسیار رقابتی بوده و راه حل های باکیفیت تر در یک زمان کوتاه را برای نمونه مسائل بزرگتر گزارش می کند.

This research aims at scheduling a set of Batch Processing Machines (BPMs) used to test printed circuit boards in an electronics manufacturing facility. The facility assembles and tests printed circuit boards (or jobs) of different sizes. The BPMs can process a batch of jobs as long as the total size of all the jobs in a batch does not exceed the machine’s capacity. The objective is to minimize the total weighted tardiness, thereby minimize the total penalty incurred by the company for late deliveries. The problem under study is known to be NP-hard. Consequently, a Particle Swarm Optimization (PSO) algorithm has been proposed. Likewise, a heuristic is proposed to simultaneously group the jobs into batches and schedule them on a machine. The effectiveness of the PSO algorithm is examined using random instances and the results were compared to a differential evolution algorithm and a commercial solver used to solve a mixed-integer linear program. Experimental results indicate that the PSO algorithm is very competitive on smaller problem instances and reports better quality solutions in a short time on larger problem instances.