دوره 23، شماره 1 - ( 1-1405 )
جلد 23 شماره 1 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Espidkar B, Mehrabian A, Harsej F, Amoozad Khalili H. A Machine Learning-Based Decision-Making Framework for the Green Flexible Job Shop Scheduling Problem Considering Preventive Maintenance. jor 2026; 23 (1)
URL: http://jamlu.lahijan.iau.ir/article-1-2322-fa.html
URL: http://jamlu.lahijan.iau.ir/article-1-2322-fa.html
اسپیدکار بهزاد، مهرابیان احمد، هرسج فاطمه، عموزاد خلیلی حسین. چارچوب تصمیمگیری مبتنی بر یادگیری ماشین برای مساله زمانبندی جریان کارگاهی انعطافپذیر سبز با در نظر گرفتن تعمیرات پیشگیرانه. تحقیق در عملیات در کاربردهای آن. 1405; 23 (1)
گروه مهندسی صنایع، واحد علی آباد کتول، دانشگاه آزاد اسلامی، علی آباد کتول، ایران ، mehrabian.project@aliabadiau.ac.ir
چکیده: (221 مشاهده)
این مطالعه بر یکی از مسایل مهم در سیستمهای تولیدی با عنوان مساله زمانبندی کارگاه جریان انعطافپذیر تمرکز دارد که با در نظر گرفتن جنبههای زیستمحیطی و نگهداری و تعمیرات پیشگیرانه بررسی شده است. در همین راستا، مقاله حاضر یک چارچوب تصمیمگیری مبتنی بر یادگیری ماشین توسعه داده است. بهمنظور دستیابی به این هدف، یک مدل ریاضی ارایه شده است که در آن کمینهسازی تاخیر در تحویل، انتشار گازهای گلخانهای و مصرف انرژی مدنظر قرار گرفته، بهطوریکه عملیات نگهداری و تعمیرات پیشگیرانه نیز در آن لحاظ شده است. سپس، برای مقابله با عدم قطعیت، یک رویکرد دادهمحور بر پایه بهینهسازی فازی و الگوریتم جنگل تصادفی رگرسیونی توسعه شده است. در مرحله بعد، برای مواجهه با ماهیت چندهدفه مدل پیشنهادی و پیچیدگیهای آن، یک رویکرد حل مساله کارا با ترکیب الگوریتم ژنتیک و روش مجموع وزنی بیمقیاس شده ارایه شده است. پس از آن، تحلیل حساسیت انجام شده تا تاثیر پارامترهای کلیدی مدل بر مساله تحقیق مشخص شود. نتایج بهدستآمده نشاندهنده عملکرد قابل قبول رویکرد پیشنهادی هستند؛ چرا که توانسته در زمان معقول، راهحلهای باکیفیتی ارایه دهد. در این زمینه، میانگین شکاف پاسخ به دست آمده از طریق روش فراابتکاری برای تابع هدف اول برابر با 0160/0، برای تابع هدف دوم برابر با 023/0 و برای تابع هدف سوم برابر با 021/0 میباشد که نشان دهنده عملکرد مناسب آن است. الگوریتم یادگیری ماشین توسعهیافته نیز با دقت قابل قبولی پارامترهای کلیدی مدل را برآورد کرده است. همچنین، مطابق با نتایج به دست آمده از تحلیل حساسیت، با افزایش میزان زمان پردازش به عنوان یکی از پارامترهای ورودی کلیدی مدل ریاضی ارایه شده، میزان تاخیر، انرژی مصرفی و انتشار گازهای گلخانهای به طور قابل توجهی افزایش مییابند. از سوی دیگر، بر اساس نتایج به دست آمده از تحلیل حساسیت، با افزایش با افزایش پارامتر زمان آمادهسازی، هر سه تابع هدف (یعنی تاخیر، انتشار گازهای گلخانهای و مصرف انرژی) افزایش یافتهاند.
واژههای کلیدی: زمانبندی کارگاه جریان انعطافپذیر، نگهداری و تعمیرات پیشیگیرانه، تصمیمگیری مبتنی بر یادگیری ماشین، الگوریتم ژنتیک.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
