fa ارایه الگوریتم‌های کارآمد برای زمان‌بندی تولید به‌هنگام در شرایط پردازش انباشته تخصصي Special پژوهشي Research <span style="font-family:B Zar;"><span style="font-size:12.0pt;">در این مقاله مساله زمان‌بندی تولید به‌هنگام در یک ماشین پردازنده انباشته مورد بررسی قرار می‌گیرد. ماشین‌های پردازنده انباشته قادرند به طور هم‌زمان بیش از یک کار را پردازش کنند و کاربردهای فراوانی در صنایع تولید نیمه هادی‌ دارند. در راستای تامین اهداف تولید به‌هنگام، معیار عملکرد در نظر گرفته شده، کمینه کردن توام هزینه زودهنگامی و دیرهنگامی کارهاست که یک معیار مورد پسند برای تولیدکننده و مشتری است. با توجه به </span></span><span dir="LTR">NP-hard</span><span style="font-family:B Zar;"><span style="font-size:12.0pt;"> بودن مساله مفروض، هدف یافتن جواب نزدیک به بهینه برای مساله در اندازه‌های صنعتی با استفاده از الگوریتم‌های فراابتکاری است. دو الگوریتم برای مساله ارایه می‌شود. الگوریتم نخست، الگوریتم ژنتیک ترکیبی و الگوریتم دوم مبتنی بر الگوریتم جستجوی تطبیقی تصادفی حریصانه است. در هر دو الگوریتم از یک الگوریتم برنامه‌ریزی پویا برای زمان‌بندی انباشته‌ها استفاده می‌شود. نتایج آزمایشات محاسباتی نشان‌دهنده کارایی الگوریتم‌های پیشنهادی برای مسایل با ابعاد بزرگ است به نحوی که متوسط خطای الگوریتم ژنتیک ترکیبی برابر 6/82% و این مقدار برای الگوریتم جستجوی تطبیقی تصادفی حریصانه برابر 11/64% است. همچنین کارایی الگوریتم‌های پیشنهادی برای مسایل با کارهای با اندازه کوچک قابل توجه‌تر از مسایل با کارهای دارای اندازه بزرگ است.</span></span> Just-in-time scheduling problem on a single batch processing machine is investigated in this research. Batch processing machines can process more than one job simultaneously and are widely used in semi-conductor industries. Due to the requirements of just-in-time strategy, the minimization of total earliness and tardiness penalties is considered as the criterion. It is an acceptable criterion for both manufacturer and customer. Since the research problem is proven to be NP-hard, the main objective of this research is to develop metaheuristic algorithms for finding efficient upper bounds for industry sized instances. Two algorithms are proposed for the research problem: a Hybrid Genetic Algorithm (HGA), and a Greedy Randomized Adaptive Search Procedure (GRASP). A dynamic programming approach is developed to sequence the batches in these algorithms. The computational results, based on available test problems in the literature, demonstrate that the proposed algorithms are effective, especially for large sized instances. The average percentage error of HGA is 6.82% and the corresponding value for GRASP is 11.64%. The results also show that the performance of the proposed algorithms is more considerable when the job sizes are small. ماشین پردازنده انباشته, تولید به‌هنگام, زود هنگامی و دیرهنگامی, برنامه‌ریزی پویا, الگوریتم‌های فراابتکاری Batch Processing Machine, Just-In-Time, Earliness and Tardiness, Dynamic Programming, Metaheuristics 1 23 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-1751-1&slc_lang=fa&sid=1 T. Keshavarz طاها کشاورز taha_keshavarz@semnan.ac.ir 10031947532846008573 10031947532846008573 Yes Department of Industrial Engineering, Semnan University, Semnan, Iran دانشکده فنی و ‌مهندسی، گروه مهندسی صنایع، دانشگاه سمنان N. Rafiee Parsa ندا رفیعی پارسا n.rafieeparsa@iauctb.ac.ir 10031947532846008574 10031947532846008574 No Department of Industrial Engineering, Central Tehran Branch, Islamic Azad University, Tehran, Iran دانشکده فنی و ‌مهندسی، گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد تهران ‌مرکزی