بهینهسازی خطوط مونتاژ مختلط U شکل با رویکرد فراابتکاری الگوریتم جمعیت ملخها
محورهای موضوعی : آلودگی هوا
ندا مظفری
1
(دانشجوی دکتری، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران. ایران)
حسن مهرمنش
2
(استادیار، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد، تهران، ایران (عهدهدار مکاتبات))
محمود محمدی
3
(استادیار، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد، تهران، ایران)
کلید واژه: برنامهریزی عدد صحیح مختلط, بالانس خطوط مونتاژ, خطوط مونتاژU شکل, الگوریتم فراابتکاری ملخ,
چکیده مقاله :
عدم دستیابی به یک سیستم تولید متعادل به معنای عدم استفاده کامل از ظرفیتهای سیستم تولید میباشد و بخاطر هزینههای بسیار زیاد سیستمهای تولیدی، متعادلسازی این سیستمها یکی از مهمترین مشغلههای مدیران تولید میباشد. بههمین دلیل این تحقیق با هدف ایجاد تعادل در خطوط مونتاژ مختلط در جهت کاهش هزینه نیرویانسانی و کاهش تعداد ایستگاههای کاری انجام شده است. برای حل مساله دو رویکرد کلی به کار گرفته می شود، برای ارزیابی مساله در شرایط مختلف دو مساله با اندازه متوسط و بزرگ حل می شود. ابتدا یک مساله متوسط را با روش دقیق از طریق نرم افزار گمز (GAMS) و سالور بارون (BARON) حل می شود. سپس یک بار دیگر مساله متوسط با الگوریتم فراابتکاری ملخ حل شده است و نتایج آن ها با روش دقیق مقایسه می شود و از این طریق صحت و دقت روش فراابتکاری سنجیده می شود تا بتوان از آن برای حل مساله با اندازه بزرگ استفاده کرد. در نهایت مقادیر برابر تابع هدف الگوریتم ملخ و تابع هدف در نرم افزار گمز نشان از عملکرد خوب این الگوریتم دارد و در نتیجه مساله بزرگ با الگوریتم فراابتکاری ملخ حل میشود و نتایج نشان از کاهش هزینه و کاهش ایستگاههای کاری دارد.
Failure to achieve a balanced production system means not fully utilizing the capabilities of the production system, and because of the high cost of production systems, balancing these systems is one of the most important concerns of production managers. Is. For this reason, this study aimed to balance the complex assembly lines in order to reduce the cost of manpower and reduce the number of workstations. There are two general approaches to problem solving, To evaluate the problem under different conditions two problems of medium and large size are solved. First, an intermediate problem is solved by the exact method through the Gaussian software (GAMS) and the Salon Baron (BARON). Then again the intermediate problem is solved with the grasshopper meta-algorithm and their results are compared with the precise method and by this the accuracy and accuracy of the meta-metric method is measured so that it can be used to solve the large size problem. Finally, the values equal to the Grasshopper Algorithm Target Function and the Gaussian Target Function software show that the algorithm performs well, resulting in a large problem solved by the Grasshopper Metabolic Algorithm, resulting in cost savings and reduced workstations.
_||_