نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی سجاد، مشهد، ایران.
2 دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی سجاد، مشهد، ایران.
چکیده
اخیرا در صنایع تولیدی، مسائل مرتبط با مصرف انرژی اهمیت یافته است. در مسایل کلاسیک زمان‌بندی، تلاشها عمدتاً در جهت بهینه‌سازی معیارهای عملکرد مرتبط با زمان بوده است و کمتر به بررسی معیارهای مربوط به مصرف انرژی پرداخته شده است. در این تحقیق، ما به دنبال جبران این نقص می‌باشیم که با ارائه یک مدل سه‌هدفه عدد صحیح مختلط در محیط جریان کارگاهی به بررسی کاهش مصرف انرژی، زمان اتمام و زمان دیرکرد کارها پرداخته‌ایم. بعد از اعتبارسنجی مدل با حل مثال عددی در مقیاس کوچک به روش مجموع وزنی و روش دقیق اپسیلون-محدودیت در نرم‌افزار گمز، مدل را در مقیاس بزرگ و متوسط توسط الگوریتم‌های فراابتکاری NSGA-II و SPEA-II حل مینماییم. نتایج مقایسات میان روش دقیق و روش‌های فراابتکاری نشان میدهد که این الگوریتم‌ها کارایی لازم برای حل مدل را دارا هستند.از این میان، الگوریتم NSGA-II عملکرد بهتری را از لحاظ دو معیار کیفیت و نظم نقاط پارتو ارائه داده‌است.
کلیدواژه‌ها
عنوان مقاله [English]
Modeling and optimizing a multi-objective flow shop scheduling problem to minimize energy consumption, completion time and tardiness
نویسندگان [English]
- Mohsen Bagheri 1
- Neda Babaei Meybodi 2
- Amir Hossein Enzebati 1
1 Department of Industrial Engineering and Management, Sadjad University of Technology, Mashhad, Iran.
2 Department of Management and Industrial Engineering, Sadjad University of Technology, Mashhad, Iran.
چکیده [English]
Energy consumption considerations in production systems have recently attracted the attention of researchers. In conventional production scheduling models, the importance has more often been given to time-related rather than to energy-related performance measures. In this paper, we simultaneously consider energy consumption, completion time and tardiness in the presented Multi-Objective Mixed Integer Programming flow shop scheduling model. After validating the model by solving small-scale numerical examples with Weighted Sum and Epsilon-constraint method in GAMS, the large and medium-scale examples are solved via NSGA-II and SPEA-II metaheuristic-algorithms. The results prove the efficiency of the proposed algorithms.
کلیدواژه‌ها [English]
- energy consumption
- Mathematical Modeling
- completion time
- Tardiness
- Metaheuristic Algorithms
اسعدی، م. (1393). زمان‌بندی کامیون‌های ورودی و خروجی در مراکز فرابارانداز با چندین درب دریافت و ارسال (پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی سجاد/دانشکده مهندسی صنایع و مدیریت).دریافت از علم نت.
رضایی ، ن. (1394). زمان‌بندی چندهدفه کادر اتاق عمل با در نظر گرفن ترجیحات رزیدنت‌ها در مراکز بهداشتی آموزشی درمانی ( پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی سجاد/دانشکده مهندسی صنایع و مدیریت). دریافت از علم نت.
شهسواری‌پور، ن؛ کاظمی، م؛ اسدی، ح؛ حیدری، ع. (1394). برنامه‌ریزی و زمان‌بندی تولید با رویکرد الگوریتم‌های فراابتکاری، تهران: انتشارات دانشگاهی کیان.
هادی‌پور، ز. (1390). زمان‌بندی جریان کارگاهی چندهدفه ماشین‌آلات به کمک الگوریتم بهینه‌سازی گروه ذرات (pso) ( پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی شریف/دانشکده مدیریت). دریافت از علم نت.
Arabani, A. B., Zandieh, M., & Ghomi, S. F. (2011). Multi-objective genetic-based algorithms for a cross-docking scheduling problem. Applied soft computing, 11(8), 4954-4970.
Dai, M., Tang, D., Giret, A., Salido, M. A., & Li, W. D. (2013). Energy-efficient scheduling for a flexible flow shop using an improved genetic-simulated annealing algorithm. Robotics and computer-integrated manufacturing, 29(5), 418-429.
Dai, M., Tang, D., Xu, Y., & Li, W. (2015). Energy-aware integrated process planning and scheduling for job shops. Proceedings of the institution of mechanical engineers, part B: Journal of engineering manufacture, 229, 13-26.
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182-197.
Dietmair, A., & Verl, A. (2009). A generic energy consumption model for decision making and energy efficiency optimisation in manufacturing. International journal of sustainable engineering, 2(2), 123-133.
Karimi, N., & Davoudpour, H. (2014). A high performing metaheuristic for multi-objective flowshop scheduling problem. Computers & operations research, 52, 149-156.
Langer, T., Schlegel, A., Stoldt, J., & Putz, M. (2014). A model-based approach to energy-saving manufacturing control strategies. Procedia CIRP, 15, 123-128.
Liu, G. S., Zhang, B. X., Yang, H. D., Chen, X., & Huang, G. Q. (2013). A branch-and-bound algorithm for minimizing the energy consumption in the PFS problem. Mathematical problems in engineering, 2013.
Mansouri, S. A., Aktas, E., & Besikci, U. (2016). Green scheduling of a two-machine flowshop: Trade-off between makespan and energy consumption. European journal of operational research, 248(3), 772-788.
Mavrotas, G. (2009). Effective implementation of the ε-constraint method in multi-objective mathematical programming problems. Applied mathematics and computation, 213(2), 455-465.
Nilakantan, J. M., Huang, G. Q., & Ponnambalam, S. G. (2015). An investigation on minimizing cycle time and total energy consumption in robotic assembly line systems. Journal of cleaner production, 90, 311-325.
Seow, Y., & Rahimifard, S. (2011). A framework for modelling energy consumption within manufacturing systems. CIRP journal of manufacturing science and technology, 4(3), 258-264.
Wang, H., Jiang, Z., Wang, Y., Zhang, H., & Wang, Y. (2018a). A two-stage optimization method for energy-saving flexible job-shop scheduling based on energy dynamic characterization. Journal of cleaner production, 188, 575-588.
Wang, S., Wang, X., Yu, J., Ma, S., & Liu, M. (2018b). Bi-objective identical parallel machine scheduling to minimize total energy consumption and makespan. Journal of cleaner production, 193, 424-440.
Weinert, N., Chiotellis, S., & Seliger, G. (2011). Methodology for planning and operating energy-efficient production systems. CIRP annals-manufacturing technology, 60(1), 41-44.
Eren, T., & Güner, E. (2006). A bicriteria scheduling with sequence-dependent setup times. Applied mathematics and computation, 179(1), 378-385.
)