دانلود ترجمه مقاله حل شکل گیری سلول و زمان بندی وظایف در سیستم تولید سلول توسط الگوریتم غذایابی باکتری گسسته

1. مقدمه 2. آثار مرتبط 3. بیان مسئله و فرموله بندی 4. الگوریتم غذایابی باکتری گسسته 5. الگوریتم ژنتیک 6. آزمایش های محاسباتی 7. نتیجه گیری

ما یک مدل تصمیم مشترک از شکل گیری سلول و زمان بندی کار در سیستم تولید سلولی تحت محیط هایی با منابع دو گانه ی محدود شده مطرح (DRC) نمودیم. از یک سو، ماشین آلات و کارگران چند منظوره و یا چند مهارتی می باشند و در دو گروه ایستگاهای کاری و سلول ها گروه بندی می شوند. از سوی دیگر، یک توالی پردازش در میان عملیات بخش ها که نیاز به اعزام به ایستگاهای کاری مطلوب جهت پردازش دارند، وجود دارد. جنبش بین سلولی بخش ها می تواند زمان پردازش و هم چنین makespan (مدت زمان تکمیل تمام کارها) را کاهش می دهد اما هزینه ی انتقال مواد بین سلولی را افزایش می دهد. هدف از این مسئله کمینه کردن هزینه های انتقال مواد و همچنین هزینه های ثابت و عملیاتی ماشین آلات و کارگران می باشد. با توجه به مسئله ی NP-hard، ما الگوریتم غذایابی باکتری گسسته (DBFA) را با ارائه ی راه حلی که استادانه طراحی شده به همراه عملگرهای تکاملی باکتری برای حل مسئله ی پیشنهادی ارائه می کنیم. الگوریتم پیشنهادیمان را با استفاده ازنمونه های تولید شده ی تصادفی با اندازه ها و تنظیمات گوناگون جهت مقایسه با الگوریتم غذایابی باکتری اصلی و همچنین الگوریتم ژنتیک آزمایش کردیم. نتایج حاکی از آن است که DBFA پیشنهادی عملکرد بهتری نسبت به دو الگوریتم مقایسه شده (یعنی DBFA اصلی و الگوریتم ژنتیک) با زمان اجرای مشابه دارد.

We consider a joint decision model of cell formation and task scheduling in cellular manufacturing system under dual-resource constrained (DRC) setting. On one hand, machines and workers are multi-functional and/or multi-skilled, and they are grouped into workstations and cells. On the other hand, there is a processing sequence among operations of the parts which needs to be dispatched to the desirable workstations for processing. Inter-cell movements of parts can reduce the processing times and the makespan but will increase the inter-cell material handling costs. The objective of the problem is to minimise the material handling costs as well as the fixed and operating costs of machines and workers. Due to the NP-hardness of the problem, we propose an efficient discrete bacteria foraging algorithm (DBFA) with elaborately designed solution representation and bacteria evolution operators to solve the proposed problem. We tested our algorithm using randomly generated instances with different sizes and settings by comparing with the original bacteria foraging algorithm and a genetic algorithm. Our results show that the proposed DBFA has better performance than the two compared algorithms with the same running time