عنوان پایان‌نامه
ارایه رویکرئ بهینه سازی استوار در مساله برنامه ریزی تولید ...
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2150;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 54147
- تاریخ دفاع
- ۲۷ شهریور ۱۳۹۱
- دانشجو
- نیلوفرسادات حسینی اغوزی
- استاد راهنما
- مسعود ربانی
- چکیده
- امروزه در دنیای رقابتی تجارت، تولید کنندگان باید تقاضای مشتریان را با یک برنامه ریزی مناسب برآورد کنند. این مستلزم عملکرد کارای برنامه ریزی زنجیره تولید می باشد. در این پایان نامه، یک مساله برنامه ریزی تولید چند دوره ای که دارای چند مرکز تولیدی است و محصولات مختلفی را تحت عدم قطعیت تولید می کند در نظر گرفته شده است. برای به دست آوردن جواب بهینه تحت عدم قطعیت از روش های بهینه سازی استوار استفاده شده است. در ابتدا یک مدل خطی برای مساله برنامه ریزی تولید با در نظر گرفتن خرابی ناگهانی ماشین ها و زمان تعمیر متغیر ارائه شده است. سپس با استفاده از دو روش از روش های بهینه سازی استوار(روش سناریو مبنا، روش برتسمیس و سیم (برتسمیس وسیم، 2004)) مدل ریاضی را در شرایط عدم قطعیت باز نویسی کردیم. برای اطمینان از صحت مدل ریاضی جدید در حالت قطعیت و عدم قطعیت، یک مساله را در محیط برنامه نویسی لینگو حل کردیم. از آنجا که مساله برنامه ریزی تولید در شرایط عدم قطعیت یک مساله سخت محسوب می شود و لینگو توانایی ارائه جواب در اندازه های بزرگ را ندارد از الگوریتم های متا هیوریستک کمک گرفته شد. در این پایان نامه سه الگوریتم فراابتکاری ( الگوریتم بهینه سازی ذرات انبوه، الگوریتم ژنتیک، الگوریتم بازپخت شبیه سازی شده) استفاده شده است. نتایج عددی نشان می دهند که روش برتسمیس و سیم بسیار کاراتر از روش سناریو مبنا می باشند. همچنین از مقایسه الگوریتم های ارائه شده مشخص شد که الگوریتم بهینه سازی ذرات انبوه در سایز کوچک و متوسط جواب های کاراتری را ارائه می کند. اما با بزرگتر شدن سایز مساله کارائی خود را از دست می دهد. در سایز های برزگتر الگوریتم ژنتیک به عنوان الگوریتم برتر توصیه می گردد.
- Abstract
- Nowadays in a competition world, manufacturers should satisfy customers’ demands by a qualified planning. To achieve this goal, we need the efficient performance of supply chain planning. In this thesis, a multi-period multi-product multi-site production planning subject to uncertainty is considered. To achieve optimal solution under uncertainty, robust optimization techniques are applied. First, a linear model for a production planning problem subject to random machine breakdown and rework with random repair time is developed. Then by applying two method of robust optimization techniques (scenario base method and Bertsimas and Sim method) uncertain demand in the model is regarded. To make sure of the proposed model validation, we solve a problem in LINGO environment. Since the production planning problem subject to uncertainty is an NP-hard problem and lingo cannot present efficient solution for big size problems, we applied meta-heuristics algorithms. In this thesis, we proposed three meta-heuristic algorithms including particle swarm optimization (PSO), genetic algorithm (GA) and simulated annealing algorithm (SA). Numerical results show that Bertsimas and Sim method has better solutions. We also concluded from comparing the proposed algorithms that at first the particle swarm optimization has the most efficient and suitable results but by increasing the size of the problem this algorithm lose its efficiency. Hence for big size problems we offer to apply Genetic algorithm which has the best results and is the most efficient algorithm.
