مدل زمان بندی کارگاهی عمومی با اهداف چندگانه مبتنی بر شبکههای عصبی مصنوعی مطالعه موردی: مراکز خدمات پس از فروش ایران خودرو
Abstract(in Persian; no English abstract is available)
در این پژوهش مسائل زمان بندی منطبق با شرایط واقعی حاکم بر مراکز خدمات پس از فروش شرکت ایران خودرو مورد مطالعه قرار گرفته و روشهای حل کارآمد مبتنی بر تکنیکهای هوش مصنوعی از جمله شبکه های عصبی مصنوعی برای آنها توسعه یافته است. شکل پایه ای مسائل زمان بندی در این مراکز مسأله زمان بندی تولید کارگاهی می باشد که در ایستگاه های کاری و طرحهای فرایند دارای انعطاف است. بدین صورت که برای هر خودرو پذیرش شده در مرکز، لازم است که عملیات تعمیراتی مختلفی صورت گیرد، برای انجام هر عملیات ایستگاه های کاری مختلف وجود داشته (انعطاف در ایستگاه کاری) و بر اساس روابط پیش نیازی عملیاتهای یک خودرو می تواند با توالیهای مختلف انجام شود (انعطاف در طرح فرایند). پس از ارائه مدل ریاضی برای مسأله، یک الگوریتم ژنتیک پیوندی برای حل آن ارائه شده است. در این الگوریتم عملگرها و رویه های ویژه ای، منطبق با مختصات مسأله، شامل ایجاد جمعیت اولیه، تولید مثل و جهش برای الگوریتم ژنتیک طراحی شده اند. سپس یک تابع جستجوگر محلی بدیع با هدف ارتقا توان جستجوی الگوریتم ژنتیک توسعه یافته و با آن تلفیق شده است. یک شبکه عصبی مصنوعی نیز جهت بهبود کیفیت جوابهای اولیه در الگوریتم مورد استفاده قرار گرفته است. شبکه عصبی دانش موجود در جوابهای بهینه را اکتساب نموده و در حل مسائل بزرگ بکار می گیرد. با توجه به وجود شرایط پویا در مراکز خدمات پس از فروش، این مسأله در حالت پویا نیز مورد بررسی قرار گرفته است. به این منظور ابتدا چهار نوع پیشامد مختلف که در برگیرنده اکثر عوامل پویایی در مراکز ارائه خدمات تعمیراتی می باشد شناسایی شده اند. این پیشامدها عبارتند از پذیرش خودروی جدید در میانه افق برنامه ریزی (میانه روز)، از سرویس خارج شدن یک ایستگاه کاری (عملیات تعمیرات و نگهداری تجهیزات، کمبود وسائل، غیبت و مرخصی کادر تعمیراتی، ...)، تغییر زمان انجام عملیات تعمیراتی نسبت به زمان استاندارد و افزوده شدن عملیات جدید به بسته خدمت یک خودرو. سپس الگوریتم پیشنهادی برای حل مساله در حالت ایستا، به حالت پویا تعمیم یافته است. به این منظور در عملگرهای ژنتیک، رویه های جستجوی محلی و شبکه عصبی تغییرات لازم جهت حل مسأله در حالت پویا اعمال شده است. در حالت پویا، تابع هدف علاوه بر معیارهای کارایی یعنی دوره ساخت و مجموع موزون زمانهای دیرکرد در برگیرنده معیار ثبات نیز می باشد که بر اساس میزان انحراف برنامه زمانی تجدیدنظر شده نسبت به برنامه زمانی اولیه، ارزیابی می گردد. با توجه به این که کاهش زمانهای خدمتدهی به خودرو در مراکز حائز اهمیت بوده و یکی از راهکارهای تسریع در انجام خدمات استفاده از نیروی انسانی بیشتر در قالب منابع منعطف می باشد، انعطاف در زمانهای عملیات از طریق تخصیص منابع ثانویه به مفروضات مساله افزوده شده است. در ادبیات زمان بندی به مسائلی که در آنها با افزایش منابع ثانویه می توان زمانهای انجام عملیات را کاهش داد، مسائل زمان بندی با زمانهای عملیات قابل کنترل گفته می شود. پس از تعریف مساله زمان بندی تولید کارگاهی با انعطاف در ایستگاه های کاری، طرحهای فرایند و زمانهای عملیات و انطباق آن با شرایط محیط عملیاتی در مراکز خدمات تعمیراتی، در الگوریتم حل مسأله، عملگرهای ژنتیک و روشهای بازنمایی به گونه ای تعمیم یافته اند که در برگیرنده انعطاف در زمانهای عملیات نیز باشند. در این الگوریتم از یک شبکه عصبی جهت تخصیص مناسب منابع منعطف به ایستگاه های کاری استفاده شده است. ارزیابی عملکرد الگوریتمهای پیشنهادی از طریق مقایسه با جوابهای بهینه در مسائل کوچک و همچنین تکنیکهای موجود در ادبیات برای مسائل دارای ابعاد بزرگتر انجام شده است که نتایج عددی نشان دهنده عملکرد قابل قبول مدلهای حل می باشد. الگوریتمهای پیشنهادی بر اساس داده های بدست آمده از محیط عملیاتی نیز مورد بررسی قرار گرفته اند. مقایسه خروجیهای بدست آمده از مدل با شرایط واقعی نشان دهنده بهبود قابل توجه در شاخصهای عملکردی مراکز خدمات پس از فروش می باشد