اخبار و اعلانات
آمار
| تعداد نشریات | 209 |
| تعداد شماره‌ها | 5,396 |
| تعداد مقالات | 59,532 |
| تعداد مشاهده مقاله | 97,991,318 |
| تعداد دریافت فایل اصل مقاله | 78,231,994 |
بهینه‌سازی مبتنی بر مبنای شبیه‌سازی مسئلۀ زمانبندی تولید کارگاهی در کسبوکارهای کوچک و متوسط با رویکرد نظام‌های صف با هدف کاهش هزینۀ زودکرد و دیرکرد فعالیتها | ||
| مدیریت صنعتی | ||
| مقاله 7، دوره 9، شماره 1، 1396، صفحه 129-146 اصل مقاله (372.88 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2017.128474.1006891 | ||
| نویسندگان | ||
سید مجتبی سجادی  1؛ صادق شهبازی2
| ||
| 1استادیار گروه کسبوکار جدید، دانشکدۀ کارآفرینی، دانشگاه تهران، تهران، ایران | ||
| 2دانشجوی دکتری مهندسی صنایع، دانشکدۀ مهندسی صنایع، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| تعیین بهینۀ توالی کارها در تولید کارگاهی کسبوکارهای کوچک و متوسط، در بهرهوری ماشینآلات، هزینههای مربوط به دیرکرد و زودکرد تحویل کارها تأثیرگذار است. در این پژوهش ابتدا مدل ریاضی مسئلۀ تولید کارگاهی کسبوکارهای کوچک و متوسط طراحی شد، سپس بهکمک نرمافزار Arena 14 مدل شبیه‌سازی طراحی گردید و در نهایت با حل یک مثال عددی، جواب نزدیک به بهینۀ مسئله از لحاظ مجموع هزینۀ دیرکرد و زودکرد بهمنظور انتخاب بهترین قانون اولویتبندی کارها در سلولهای کاری با اجرای مدل و بهکمک آنالیز واریانس بهدست آمد. بر اساس یافتهها، روش LPT دارای کمترین هزینه است و روشهای FIFO، LIFO،EDD و SLACK نتایج قابل قبولی دارند. نتایج این تحقیق نشان میدهد برخلاف سایر روشهای بهینه‌سازی، در شبیه‌سازی به ایجاد یک مدل ریاضی دقیق نیازی نیست، بلکه با یک مدل مفهومی ریاضی میتوان به نتایج مطلوبی دست یافت و این کار حل مسائل بهینه‌سازی پیچیده را درصورتی که بتوان آن را به مدل شبیه‌سازی شده تبدیل نمود، تسهیل میکند. | ||
| کلیدواژه‌ها | ||
| بهینه‌سازی؛ تولید کارگاهی؛ شبیه‌سازی؛ صف؛ هزینۀ دیرکرد ـ زودکرد | ||
| عنوان مقاله [English] | ||
| Seeking Simulation-based Optimization of Job shop Scheduling in Small and Medium Enterprises to Minimize the Cost of Tardiness and Earliness of Activities | ||
| نویسندگان [English] | ||
| Seyed Mojtaba Sajadi1؛ Sadegh Shahbazi2 | ||
| 1Assistant Prof. in New Business Group, Faculty of Entrepreneurship, Tehran University, Tehran, Iran | ||
| 2Ph.D Candidate of Industrial Engineering, Faculty of Industrial Engineering, Tehran University, Tehran, Iran | ||
| چکیده [English] | ||
| Determining the optimal sequence of jobs in job shop scheduling for small and medium enterprises, affect the machine productivity, earliness and tardiness costs of delivery. The deterministic variant of the problem is well-known to be NP-Hard. If random elements are introduced into the problem, the level of complexity goes higher. Hence, many priority rules have been developed to tackle stochastic job shop scheduling problem. However, to devise a better solution approach, simulation-optimization approach might be used. In this study, a mathematical model was developed for job shop scheduling with random process times and possible machine breakdowns. Then, a simulation-optimization model was applied to choose among a list of priority rules using Rockwell Arena 14. Finally, a numerical example was used to evaluate the quality of the model. Results showed that the rule Longest Processing Time (LPT) yields the lowest total earliness and tardiness costs. However, the total costs of the following rules are also acceptable: First in First out (FIFO), Last in First out (LIFO), Earliest Due Date (EDD) and Slack time (Slack). | ||
| کلیدواژه‌ها [English] | ||
| Cost of tardiness and earliness, Job shop, Optimization, Queue, simulation | ||
| مراجع | ||
|
زندیه، م.، احمدی، ا. (1393). زمانبندی مقاوم و پایدار برای محیط کار کارگاهی منعطف با شکست تصادفی ماشین. نشریۀ مدیریت صنعتی، 6(3)، 534- 511. سلیمی فرد، خ.، انصاری، م. (1395). مدل‌سازی و شبیه‌سازی سامانة ترافیک شهری با شبکه‌های پتری رنگین. نشریۀ مدیریت صنعتی، 8(3)، 404- 381. علیزاده، ل.، نورالسناء، ر.، رئیسی، ص. (1394). بهینه‌سازی همزمان چند هدفه فرایند دادرسی کیفری به کمک شبیه‌سازی کامپیوتری گسسته ـ پیشامد و طراحی آزمایشها. نشریۀ مدیریت صنعتی، 7(1)، 82- 65. Alizadeh, L., Noorossana, R. & Raissi, S. (2015). Multi-objective optimization of criminal trial process using descrete event computer simulation and design of experiment. Industrial Management, 7(1), 65-82. (in Persian)
Azadivar, F. (1999). Simulation optimization methodologies, Presented at the Proceedings of the 31st conference on winter simulation: Simulation a bridge to the future - Volume 1, Phoenix, Arizona, United States.
Banks, J. & Nelson, B. L. (2010). Discrete-Event System Simulation: Prentice Hall.
Blackstone, J. H., Phillips, D. T. & Hogg, G. L. (1982). A state-of-the-art survey of dispatching rules for manufacturing job shop operations. International Journal of Production Research, 20(1), 27-45.
Chan, F. T. S., Chan, H. K., Lau, H. C. W. & Ip, R. W. L. (2003). Analysis of dynamic dispatching rules for a flexible manufacturing system. Journal of Materials Processing Technology, 138(1-3), 325-331.
Hashim, S. A. M. (2017). Simulation for reducing energy consumption of multi core low voltage power cable manufacturing system. Journal on Technical and Vocational Education, 1(2), 1-10.
Jain, A. & Meeran, S. (1999). A State-Of-The-Art Review of Job-Shop Scheduling Techniques (113ed.) Available: http://citeseerx.ist.psu.edu/viewdoc/ summary?doi= 10.1.1.54.8522.
Klemmt, A., Horn, S., Beier, E. & Weigert, G. (2007). Investigation of modified heuristic algorithms for simulation-based ptimization. In Electronics Technology, 30th International Spring Seminar on, pp. 24-29.
Klemmt, A., Horn, Weigert, S. G. & Wolter, K.J. (2009). Simulation-based optimization vs.mathematical programming: A hybrid approach for optimizing scheduling problems. Robotics and Computer-Integrated Manufacturing, 25(6), 917-925.
Pinedo, M. L. (2012). Scheduling: Theory, Algorithms, and Systems: Springer.
Rane, A. B., Sunnapwar, V. K., Chari, N. R., Sharma, M. R. & Jorapur, V. S. (2017). Improving performance of lock assembly line using lean and simulation approach. International Journal of Business Performance Management, 18(1), 101-124.
Salimifard, K. & Ansari, M. (2016). Modeling and Simulation of Urban Traffic Network Using Colored Petri Nets. Industrial Management, 8(3), 381-404. (in Persian)
Sharma, S. K., Suraj, B. V. & Routroy, S. (2017). Positioning of Inventory in Supply Chain Using Simulation Modeling. The IUP Journal of Supply Chain Management, 13(2), 20-32.
Sajadi, S. M., Esfahani, M. M. S. & Sörensen, K. (2011). Production control in a failure-prone manufacturing network using discrete event simulation and automated response surface methodology. The International Journal of Advanced Manufacturing Technology, 53(1-4), 35-46.
Teles, J., Lopes, R. B. & Ramos, A. L. (2017). A Simulation-Based Analysis of a Cork Transformation System. In Engineering Systems and Networks (pp. 3-11). Springer, Cham Pinedo, M. L. (2012). Scheduling: Theory, Algorithms, and Systems, Springer.
Vieira,G. E., Herrmann, J. W. & Lin, E. (2000). Predicting the performance of escheduling strategies for parallel machine systems. Journal of Manufacturing Systems, 19(4), 256-266.
Weng, M. X. & Ren, H. (2006). An efficient priority rule for scheduling job shops to minimize mean tardiness. IIE Transactions, 38(9), 789-795.
Yan, Y. & Guoxin, W. (2007). A job shop scheduling approach based on simulation optimization, in Industrial Engineering and Engineering Management, IEEE International Conference on, pp. 1816-1822.
Zandieh, M. & Ahmadi, E. (2015). Robust and stable scheduling for FJSP under random machine breakdown by use of genetic algorithm and simulation. Industrial Management, 6(3), 511-534. (in Persian)
| ||
|
آمار تعداد مشاهده مقاله: 766 تعداد دریافت فایل اصل مقاله: 891 |
||
