fa چارچوب تصمیم‌گیری مبتنی بر یادگیری ماشین برای مساله زمان‌بندی جریان کارگاهی انعطاف‌پذیر سبز با در نظر گرفتن تعمیرات پیشگیرانه تخصصي Special پژوهشي Research <span style="font-size:11pt"><span style="line-height:normal"><span style="text-autospace:none"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span lang="FA" style="font-size:11.5pt"><span b="" style="font-family:" zar="">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&nbsp; 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.</span></span></span></span></span></span></span></span> <span style="font-size:11pt"><span style="line-height:normal"><span style="font-family:Calibri,sans-serif">This study focuses on one of the critical issues in manufacturing systems, namely the Flexible Job Shop Scheduling Problem (FJSP), which is addressed with considerations for environmental aspects and preventive maintenance. In this regard, the present paper develops a machine learning&ndash;based decision-making framework. To achieve this objective, a mathematical model is proposed that aims to minimize delivery tardiness, greenhouse gas emissions, and energy consumption, while incorporating preventive maintenance operations. To handle uncertainty, a data-driven approach based on fuzzy optimization and the Random Forest Regression (RFR) algorithm is developed. Subsequently, to tackle the multi-objective nature and complexity of the proposed model, an efficient solution approach combining a Genetic Algorithm (GA) with a normalized weighted sum method is presented. A sensitivity analysis is then conducted to examine the impact of key model parameters on the problem. The results indicate the efficiency and effectiveness of the proposed approach, as it is capable of delivering high-quality solutions within a reasonable computational time. Moreover, the developed machine learning algorithm provides reliable estimations of key parameters. According to the findings, an increase in processing time significantly raises total tardiness, greenhouse gas emissions, and energy consumption. Additionally, the results show that as the setup time parameter increases, all three objective functions&mdash;tardiness, emissions, and energy usage&mdash;also increase.</span></span></span> زمان‌بندی کارگاه جریان انعطاف‌پذیر, نگهداری و تعمیرات پیشیگیرانه, تصمیم‌گیری مبتنی بر یادگیری ماشین, الگوریتم ژنتیک. Flexible Job Shop Scheduling, Preventive Maintenance, Machine Learning-Based Decision-Making, Genetic Algorithm 0 0 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2157-1&slc_lang=fa&sid=1 B. Espidkar بهزاد اسپیدکار behzadespidkar@aliabadiau.ac.ir 100319475328460011498 100319475328460011498 No Department of Industrial Engineering, AK.C., Islamic Azad University, Aliabad Katoul, Iran گروه مهندسی صنایع، واحد علی آباد کتول، دانشگاه آزاد اسلامی، علی آباد کتول، ایران A. Mehrabian احمد مهرابیان mehrabian.project@aliabadiau.ac.ir 100319475328460011499 100319475328460011499 Yes Department of Industrial Engineering, AK.C., Islamic Azad University, Aliabad Katoul, Iran گروه مهندسی صنایع، واحد علی آباد کتول، دانشگاه آزاد اسلامی، علی آباد کتول، ایران F. Harsej فاطمه هرسج fa.harsej@iau.ac.ir 100319475328460011500 100319475328460011500 No Department of Industrial Engineering, No.C., Islamic Azad University, Noor, Iran گروه مهندسی صنایع، واحد نور، دانشگاه آزاد اسلامی، نور، ایران H. Amoozad Khalili حسین عموزاد خلیلی ho.amoozad@iau.ac.ir 100319475328460011501 100319475328460011501 No Department of Industrial Engineering, Sar.C., Islamic Azad University, sari, Iran گروه مهندسی صنایع، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران