یک الگوریتم ژنتیک برای طراحی و ساخت محصولات سلولی

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک الگوریتم ژنتیک برای طراحی و ساخت محصولات سلولی

عنوان لاتین

A genetic algorithm for cellular manufacturing design and layout

تولید سلول (CM) یک رویکرد است که می تواند برای افزایش انعطاف پذیری و کارایی در محدوده تولید روزانه کوچک و متوسط بکار رود. طراحی سیستم (CMS) (CM) اغلب شامل سه تصمیم مهم است: تشکیل سلول، طرح گروه و برنامه گروهی. در حالت ایده آل، این تصمیمات باید به طور همزمان برای بدست آوردن بهترین نتایج مورد توجه قرار گیرد. با این حال، با توجه به پیچیدگی و NP-complete ماهیت هر تصمیم و محدودیت های روش های سنتی، اکثر محققان این تصمیمات را تنها به صورت پیوسته یا مستقل در نظر می گیرند. در این مطالعه، یک الگوریتم ژنتیک سلسله مراتبی برای ایجاد سلول های تولید همزمان طراحی شده و طرح بندی گروهی CMS را تعیین می کند. ویژگی های ذاتی الگوریتم پیشنهادی ما عبارتند از: ساختار سلسله مراتبی کروموزومی برای رمزگذاری دو تصمیم مهم طراحی سلول، یک طرح انتخاب جدید به صورت پویا دو توابع تناسب همبسته و یک اپراتور جهش گروهی برای افزایش احتمال جهش را در نظر می گیرد. از تجزیه و تحلیل محاسباتی ، این ساختار پیشنهادی و اپراتورها در بهبود کیفیت راه حل و همچنین تسریع همگرایی موثر هستند.

Cellular manufacturing (CM) is an approach that can be used to enhance both flexibility and efficiency in today’s small-to-medium lot production environment. The design of a CM system (CMS) often involves three major decisions: cell formation, group layout, and group schedule. Ideally, these decisions should be addressed simultaneously in order to obtain the best results. However, due to the complexity and NP-complete nature of each decision and the limitations of traditional approaches, most researchers have only addressed these decisions sequentially or independently. In this study, a hierarchical genetic algorithm is developed to simultaneously form manufacturing cells and determine the group layout of a CMS. The intrinsic features of our proposed algorithm include a hierarchical chromosome structure to encode two important cell design decisions, a new selection scheme to dynamically consider two correlated fitness functions, and a group mutation operator to increase the probability of mutation. From the computational analyses, these proposed structure and operators are found to be effective in improving solution quality as well as accelerating convergence.