امروز یکشنبه , 18 شهریور 1403
شنبه تا پنج شنبه - 9 صبح الی 20 عصر
دانلود مقاله کاربرد الگوریتم ژنتیک ترکیبی برای زمان بندی تولید کارگاهی
![دانلود مقاله کاربرد الگوریتم ژنتیک ترکیبی برای زمان بندی تولید کارگاهی](/content/productpic/defaultpic_6.jpg)
با دانلود مقاله در مورد کاربرد الگوریتم ژنتیک ترکیبی برای زمان بندی تولید کارگاهی در خدمت شما عزیزان هستیم.این مقاله کاربرد الگوریتم ژنتیک ترکیبی برای زمان بندی تولید کارگاهی را با فرمت word و قابل ویرایش و با قیمت بسیار مناسب برای شما قرار دادیم.جهت دانلود مقاله کاربرد الگوریتم ژنتیک ترکیبی برای زمان بندی تولید کارگاهی ادامه مطالب را بخوانید.
نام فایل:مقاله در مورد
فرمت فایل:word و قابل ویرایش
تعداد صفحات فایل:19 صفحه
قسمتی از فایل:
چکیده :
زمان بندی برای تولید کارگاهی (job shop) از دو زمینه مدیریت محصول و بهره وری گروهی خیلی مهم است.
هر چند که این امر کاملا متفاوت است با بدست آوردن یک جواب بهینه با متدهای بهینه یابی مرسوم، زیرا مسئله مورد نظر دارای محاسبات خیلی پیچیده می باشد.(مسئله فوق از نوع NP-Hardاست.)
اثبات شده است که الگوریتم ژنتیک (GA) برای تنوع وضعیت هایی که شامل زمان بندی و توالی می باشند(S.S) موثر می باشد.
در این مقاله یک نوع الگوریتم ژنتیکی ابتکاری هایبرید برای مسئله n/m/G/Cmax پیشنهاد شده است ، هایبرید به این خاطر که قوانین زمان بندی از قبیل SPT و MWKR با الگوریتم ژنتیک ادغام شده اند، همچنین از تکنیک جستجوی محلی (NST ) به عنوان رویه ای کمکی جهت بهبود حل عملکردی کمک گرفته ایم.
کارایی و اثر بخشی این الگوریتم جدید به وسیله مقایسه با برخی متدهای معروف دیگر از قبیل الگوریتم های NST (تکنیک جستجوی محلی)، SA (تبرید شبیه سازی شده) و ژنتیک ، به اثبات رسیده است.
1. مقدمه
زمان بندی برای تولید کارگاهی یک موضوع مهم در مدیریت تولید است، که توجه آن برروی معین کردن سفارش ترخیص و زمان های مجموعه پدیده ها بر روی ماشین های مربوطه،با در نظر گرفتن محدودیت های مربوطه معطوف شده است، که مجموعه n پدیده بایستی توسط m ماشین پروسه شوند، که عملیات iام بایستی برروی ماشین jام با زمان فرآیند معینی tij انجام شود. همچنین هر ماشین تنها یک پدیده را در یک زمان می تواند پروسه نماید و یک فعالیت نمی تواند مانع انجام کار شود.
هدف مسئله این است که Cmax (دوره ساخت) مینیمم شود.
این مسئله از نوع NP-Hard است(Garey.Johnson & Sethi 1976) که از متدهای موجود الگوریتم ژنتیک بالاترین کارایی را از خود نشان داده اند.