پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,531 |
| تعداد مقالات | 70,489 |
| تعداد مشاهده مقاله | 124,040,200 |
| تعداد دریافت فایل اصل مقاله | 97,146,234 |
طراحی سیستم تولید سلولی در شرایط پویا و احتمالی و حل آن با استفاده از الگوریتم ژنتیک | ||
| نشریه دانشکده فنی | ||
| مقاله 10، دوره 38، شماره 1 - شماره پیاپی 1087، اردیبهشت 1383 اصل مقاله (537.47 K) | ||
| نویسندگان | ||
| محمدجواد اصغرپور؛ نیک بخش جوادیان* | ||
| چکیده | ||
| در این مقاله حل مسأله تولید سلولی(CM) در شرایط پویای احتمالی با استفاده از یک الگوریتم ژنتیک مورد بررسی قرار می گیرد.سیستم های تولید سلولی در واقع کاربردی از فناوری گروهی در زمینه ساخت و تولید می باشند که هدف از آنها دسته بندی قطعات و ماشین بگونه ای است که از تشابه ظاهری و یا عملیاتی آنها در جنبه های مختلف ساخت و طراحی استفاده شود. در اکثر تحقیقات گذشته مسأله تولید سلولی همواره در شرایط تولید ثابت ویا تقاضای معین مورد بحث قرار می گرفت حال آنکه در عمل تولید پویا و تقاضا برای محصولات نامعین است .از آنجاییکه تطبیق هر چه بیشتر یک مدل CM با شرایط واقعی مستلزم فزونی متغیرها و محدودیت های مدل می باشد بنابراین حل چنین مدلی توسط روشهای بهینه سازی سنتی احتیاج به زمان،حافظه و قدرت پردازش بالا خواهد داشت در نتیجه امروزه روشهای نوینی همانند الگوریتم های ژنتیک مورد توجه قرار گرفته اند. الگوریتم های ژنتیک جزء تکنیک های جستجوی تصادفی می باشند که برای حل مسایل NP-Complete همانند CM استفاده می شوند. در این مقاله ابتدا یک مدل عدد صحیح غیرخطی از CM ارائه و سپس توسط الگوریتم ژنتیک حل می گردد ودر خاتمه نتایج به دست آمده با حل بهینه مقایسه و صحت الگوریتم ارائه شده مورد بررسی قرار می گیرد . | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ دسته بندی قطعات و ماشین ها؛ سیستم تولید سلولی؛ شرایط پویای احتمالی | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| In this paper, cellular manufacturing (CM) problems in dynamic and stochastic states have been solved by using a genetic algorithm. In fact, cellular manufacturing system is an application of group technology in a production system. The aim of such system is to cluster parts and machines into the related families in such a way that operational similarity in different production and planning aspects is considered. In most previous researches, cellular manufacturing problems in static production or deterministic demand have been considered continuously. However in a real-world situation, dynamic production and demand for products are non-deterministic. So in order to adapt a CM model with real situation, a great number of variables and restrictions are required. Thus, solution to the above model requires more computational time, memory, and high processing power of computer with traditional optimization methods. Consequently nowadays, modern heuristic methods such as genetic algorithms has been applied in a group of stochastic search techniques in order to solve such a NPcomplete problem. In this paper, first a nonlinear integer model is developed and then it is solved by genetic algorithms. Finally, obtained results are compared with optimal solutions to show the validity of the proposed algorithm. | ||
|
آمار تعداد مشاهده مقاله: 3,094 تعداد دریافت فایل اصل مقاله: 1,764 |
||