دانلود پروپوزال آماده: تعیین اندازه انباشته بهینه برای خطوط مونتاژی منعطف تحت شرایط عدم قطعیت با استفاده از شبیه سازی

قسمت هایی از پروپوزال:

۱- بیان مسأله:

……………………………

۲- اهمیت و ضرورت تحقیق:

……………………………

۳- پیشینه تحقیق:

مساله تعيين اندازه انباشته تك سطحي با محدوديت ظرفيت^[۱]:

چوی و همکاران مساله تعیین اندازه انباشته چند محصولی و با محدودیت ظرفیت را مدل سازی و حل کردند][i][. در این مقاله نویسندگان از معیار های اقتصادی کمینه سازی هزینه کل موجودی و بیشینه سازی بازده تولید استفاده نموده اند. دراین مقاله هزینه کل موجودی شامل هزینه سفارش دهی، هزینه نگهداری کالای ساخته شده و هزینه نگهداری موجودی در جریان ساخت  (wip)بوده است. برای محاسبه هزینه موجودی درجریان ساخت فرمول میانگین زمان جریان (mean flow time) بر حسب اندازه انباشته بدست آمده و با مشتق گیری نسبت به اندازه انباشته و کمینه سازی هزینه کل، اندازه انباشته بهینه بدست می آید.

پیتاکاسو و همکاران مساله تعیین اندازه انباشته چند سطحی (نامحدود) را با استفاده از رویکرد بهینه سازی مورچگان حل نموده اند ][ii] .[آنها مجموع هزینه های سفارس دهی یا آماده سازی و نگهداری موجودی را برای همه آیتم ها در طول افق زمانی)  (tکمینه کرده اند. سفارش عقب افتاده و فروش از دست رفته در مدل آنها مجاز نمی باشد. به این دلیل هزینه واحد تولید در مدل نیامده است.

سوپیتاک و همکاران مساله تعیین اندازه انباشته را با هدف مینیمم سازی مجموع هزینه های آماده سازی، هزینه نگهداری موجودی و هزینه تاخیر در تحویل محصول مورد توجه قرار داده اند][iii].[ فرضیاتی که دراین مساله مطرح شده است عبارتند از : هرسفارش هزینه تاخیر و تعجیل دارد و هر سفارش بایستی در زمان معینی تحویل گردد. هرسفارش بلافاصله پس ازتکمیل تحویل داده می شود. دراین مقاله برای مساله با هزینه آماده سازی صفر الگوریتمی بر مبنای الگوریتم تخصیص و یک الگوریتم جستجوی روبه عقب برای مساله با هزینه آماده سازی بزرگ تر از صفر ارائه شد.

در مطالعه ای دیگر نویسندگان، مساله تعیین اندازه انباشته چند سطحی پویا با محدودیت ظرفیت و با زمانهای آماده سازی چند دوره ای را ارائه و حل کردند][iv].[ این مساله به اصطلاح  big backet است، چون تولید هر تعداد از محصولات را در طول یک دوره مجاز می داند. رویکرد حلی که در این مقاله ارائه گردیده است برای ساختار  BOM قابل کاربرد است. در یک ساختار BOM چند سطحی زمان تجمعی جریان تولید در دوره های زمانی از زمان پردازش مواد اولیه تا تکمیل محصول نهایی برابراست با تعداد سطوح در BOM، مثل یک دوره یک هفته ای با BOM 10 سطحی زمان تجمعی جریان حداقل ۱۰هفته ای، که این زمان با کاهش طول دوره زمانی میتواند به یک روز کاهش پیدا کند به این دلیل که تولید در دوره زمانی t می تواند به دوره t+1وt+2 و… بدون زمان های آماده سازی انتقال پیدا کند. بنابراین طول دوره زمانی کاهش می یابد. رویکرد حل مساله در این مقاله Fix and Optimize می باشد.

استفان هلبر و همکاران مقاله ای ارائه دادند که در آن مساله تعیین اندازه انباشته را با رویکرد حل مبتنی بر بهینه سازی حل نموده اند][v][ . این مساله در محیط سیستم های تولیدی چند سطحی مورد نظر می باشد که تغییر منبع از یک محصول به محصول دیگر نیاز به زمان یا هزینه آماده سازی دارد. ظرفیت منابع محدود است، فرض می گردد تقاضا در هر زمان معلوم است و بایستی همه تقاضا بر آورده گردد. این نوع مساله تعیین اندازه انباشته بوسیله سیستم هایERP کامپیوتری نمی تواند حل گردد.

از آن جا که این سیستم ها محدودیت ظرفیت را نادیده می گیرند منجر به زمان بندی غیر واقعی تولید و در نتیجه زمانهای تحویل طولانی و غیرقابل پیش بینی و موجودی درجریان زیاد می گردد. نویسندگان در این مقاله، مساله رابه گونه ای مدلسازی کرده اند که مجموع هزینه های آماده سازی، نگهداری موجودی و هزینه های اضافه کاری منابع مینیمم گردد. در این مدل مقدار تولید هر محصول در هر دوره و سطح موجودی انتهای دوره از هر محصول تعیین می شود.

این مساله به وسیله یک رویکرد بهینه سازی مبتنی بر برنامه ریزی ریاضی حل گردیده است، در این رویکرد مساله به زیر مساله هایی تقسیم می گردد که این زیر مساله ها همه متغیرهای تصمیم مساله ی اصلی را دارند با این تفاوت که متغیرهای دودویی به انها آضافه شده است. این راه حل دارای انعطاف پذیری های متفاوتی می باشد از جمله اینکه می توان برای سطوح موجودی حد اکثر تعیین کرد و برای مقدار تولید هر محصول حداقل تعیین کرد.

مهدوی و همکاران اندازه انباشته را براساس کمینه سازی تاخیرات در تامین مواد در یک سیستم مونتاژ چند محصولی تقریب زده و بهینه سازی می کنند][vi][. در این مقاله چهار نوع تاخیر بر اساس فعالیت های گرافMRP فرموله می شوند، این چهار نوع تاخیر شامل تاخیر اولویت، تاخیر پردازش، تاخیر staging و تاخیر نیازمندی ها می گردد. برای تقریب زدن اندازه انباشته در محاسبه تاخیر کل، موعد تحویل و زمان تکمیل سفارش مورد توجه قرار می گیرند. به وسیله شبکه های عصبی مصنوعی  و روش های برازش یک تابع  غیر خطی  از تاخیر کل در برابر اندازه انباشته به دست می اید. اندازه های انباشته تصادفی برای به دست آوردن مجموعه  داده های آموزشی اولیه مورد استفاده قرار می گیرند. رویکرد شبکه های عصبی مصنوعی برای تولید داده های بیشتر از اندازه انباشته و تاخیر کل مربوط به آنها به کار می رود و سپس با استفاده از نتایج شبکه های عصبی مصنوعی و روش های برازش تاخیر کل بر اساس اندازه انباشته با یک تابع غیر خطی تقریب زده می شود.

در مطالعه ای دیگر مساله تعیین اندازه انباشته تک ایتمی را با محدودیت ظرفیت با مینیمم مقدار سفارش بررسی شده است. نویسندگان در این مقاله از روش برنامه ریزی پویا مبتنی بر بهینه سازی زیر مساله ها استفاده می کنند][vii][. در این مقاله فرض شده است که تمام تقاضا در افق زمان t بایستی براورده گردد و هزینه واحد تولید ثابت است. بنابراین هزینه تولید می تواند از تابع هدف حذف گردد وعلاوه بر آن به جای هزینه های آماده سازی حد اقل مقدار سفارش را تعیین می کنند. براي مطالعه بيشتر به مرجع ]۸ [ مراجعه كنيد.

تاوو ][viii][ در مقاله ای یک چارچوب بهینه سازی برای حل مساله تعیین اندازه انباشته چند سطحی با محدودیت ظرفیت و با در نظر گرفتن سفارش عقب افتاده ارائه داده اند. در این مقاله دو مدل جدید برنامه ریزی عدد صحیح مختلط ارائه گردیده است.

Claudio fabiano ][ix][ و همكاران يك رويكرد تركيبي براي حل مساله تعيين اندازه انباشته ارائه داده اند. آنها امكان سفارش عقب افتاده را از فرضيات اين مساله مي دانند. در روش حلي كه توسط نويسندگان ارائه گرديده از رويكردهاي فرا ابتكاري مبتني بر چند جمعيتي (multy-population) ‌ با استفاده ازروش fix  and optimize ‌ و تركيب آن با تكنيك هاي برنامه ريزي رياضي بهره گرفته شده است. مدل رياضي مورد استفاده در این مقاله چندين آيتم توليدي را با توليد در چندين مرحله مورد توجه قرار مي دهد. آيتم هاي توليد يبا توجه به شباهتشان به يكديگر گروه بندي شده و يك خانواده قطعات را تشكيل مي دهند. اين مدل مجموع هزينه هاي موجودي و هزينه هاي سفارش عقب افتاده را مينيمم مي كند. پارامترها و ورودي هاي اين مساله قطعي فرض گرديده اند.

Piperagkas  ][x][ و همكارانش حل مساله تعيين اندازه انباشته را با تقاضاي ديناميك و احتمالي با استفاده از روشهاي الهام گرفته از طبيعت مورد بررسي قرار داده اند. آنها اين مساله را با سه روش تجمع ذرات، تكامل ديفرانسيل و جستجوي هارموني حل نموده و مورد بررسي قرار داده اند. نويسندگان گرچه بيان كرده اند كه روش آنها براي هر تابع احتمال قابل كاربرد است اما روش حل آنها از نظر محاسبات پيچيده و مشكل به نظر مي رسد. آنها خود براي مثالهاي عددي ازتابع توزيع نرمال براي تقاضا استفاده كرده اند.

[۱] Single-level capacitated lot sizing problem

• S .Choi, S.T. Enns, Multi-product capacity-constrained lot sizing with economic objectives, Int. J. Production Economics 91 (2004) 47–۶۲٫
• R .Pitakaso, C .Almeder,, K. Doerner , R.F. Hartl, A MAX-MIN ant system for unconstrained multi-level lot-sizing problems, Computers & Operations Research 34 (2007) 2533 – ۲۵۵۲٫
•  W. Supithak,, S. Liman, E.J. Montes, Lot-sizing and scheduling problem with earliness tardiness and setup penalties, Computers & Industrial Engineering 58 (2010) 363–۳۷۲
•  F. Sahling, L. Buschk¨ uhl , H. Tempelmeier, S. Helber, Solving a multi-level capacitated lot sizing problem with multi-period setup carry-over via a fix-and-optimize heuristic, Computers & Operations Research 36 (2009) 2546 – ۲۵۵۳٫
• S. Helber, F. Sahling, A fix-and-optimize approach for the multi-level capacitated lot sizing problem, J. Production Economics 123 (2010) 247–۲۵۶٫
•   Mahdavi, B. Shirazi, M. Solimanpur, N. Sahebjamnia, Lot size approximation based on minimising total delay in a shop with multi-assembly products, International Journal of Production Research, (2009), 2685 — ۲۷۰۳٫
• I. Okhrin, , K. Richter, An O(T3) algorithm for the capacitated lot sizing problem with minimum order quantities, European Journal of Operational Research 211 (2011) 507–۵۱۴٫
• T. Wu, L. Shi, J. Geunes, , K. Akartunalı, An optimization framework for solving capacitated multi-level lot-sizing problems with backlogging, European Journal of Operational Research 214 (2011) 428–۴۴۱٫
• F.M Toledo , R.R Ribeiro de Oliveira , P. Morelato, Franca, A hybrid multi-population genetic algorithm applied to solve the multi-level capacitated lot sizing problem with backlogging, Computers & Operations Research 40 (2013) 910–۹۱۹٫
• S. Piperagkas, I. Konstantaras , K. Skouri, K.E. Parsopoulos, Solving the stochastic dynamic lot-sizing problem through nature-inspired heuristics, Computers & Operations Research 39 (2012) 1555–۱۵۶۵٫

……………………………

۴- اهداف تحقیق:

…………………………………….

۵- فرضيه ‏هاي تحقیق:

…………………………………….

۶- مدل تحقیق

…………………………

۷- سوالات تحقیق:

…………………………………….

۸- تعريف واژه‏ها و اصطلاحات فني و تخصصی (به صورت مفهومی و عملیاتی):

…………………………………….

۹- بیان جنبه نوآوری تحقیق:

………………………….

۱۰- روش شناسی تحقیق:

الف: شرح كامل روش تحقیق بر حسب هدف، نوع داده ها و نحوه اجراء (شامل مواد، تجهيزات و استانداردهاي مورد استفاده در قالب مراحل اجرايي تحقيق به تفكيك):

………………………….

ب- متغيرهاي مورد بررسي در قالب یک مدل مفهومی و شرح چگونگی بررسی و اندازه گیری متغیرها:

…………………………………….

ج – شرح کامل روش (ميداني، كتابخانه‏اي) و ابزار (مشاهده و آزمون، پرسشنامه، مصاحبه، فيش‏برداري و غيره) گردآوري داده‏ها :

…………………………………….

د – جامعه آماري، روش نمونه‏گيري و حجم نمونه (در صورت وجود و امکان):

…………………………………….

ر- روش نمونه گیری و حجم نمونه:

…………………………………….

ز- ابزار تحقیق:

…………………………………….

هـ – روش‌ها و ابزار تجزيه و تحليل داده‏ها:

…………………………………….

منابع :

…………………………………….

آسان داک: www.Asandoc.com

دانلود نمونه پروپوزال تکمیل شده، پروژه پر شده، طرح پیشنهادیه آماده