مشخصات پژوهش

عنوان	مینیمم کردن هزینه ی ماکزیمم زمان تکمیل، دیرکرد و زودکرد در یک محیط جریان کارگاهی با چند ماشین پردازشگر دسته ای
نوع پژوهش	پایان نامه
کلیدواژه‌ها	ماشین پردازشگر دسته ای؛ محیط جریان کارگاهی؛ الگوریتم ژنتیک؛ الگوریتم بهینه سازی گروه ذرات؛ الگوریتم شبیه سازی تبرید؛ طراحی آزمایش های تاگوچی
چکیده	در سالیان اخیر توجه خاصی به زمانبندی ماشین های پردازشگر دسته ای شده است، زیرا انجام عملیات و پردازش روی کارها به صورت دسته ای، سریعتر و ارزانتر از حالت تکی است. یک ماشین پردازشگر دسته ای در صورتی که مجموع اندازه کارهای داخل دسته از ظرفیت ماشین بیشتر نشود، می تواند به طور همزمان چند کار را در یک دسته پردازش کند. در این پژوهش مدلی برای یک محیط جریان کارگاهی با m ماشین پردازشگر دسته ای ارائه شده است که m حداقل 2 است. هدف کمینه کردن کل هزینه-های ماکزیمم زمان تکمیل، زودکرد و دیرکرد کارهاست. زمان پردازش هر دسته، ماکزیمم زمان پردازش کارها از میان کارهای داخل دسته است. زمانهای پردازش و اندازه کارها معلوم و غیر یکسان است. به منظور پژوهش بیشتر، دو مدل دیگر، اولی با هدف کمینه کردن ماکزیمم زمان تکمیل کارها و دومی با هدف کمینه کردن کل هزینه های زودکرد و دیرکرد از مدل اول اقتباس شده است که در جای خود بنا به نظر تصمیم گیرنده می تواند بسیار کاربردی باشد. از آنجایی که مدل های پیشنهادی، مدل هایی با پیچیدگی سخت هستند، الگوریتم های فراابتکاری بر مبنای الگوریتم های ژنتیک، بهینه سازی گروه ذرات و شبیه سازی تبرید برای حل توسعه داده شدند. برای ارزیابی کارایی الگوریتم های پیشنهادی، ساختار ایجاد مسائل نمونه در پژوهش های پیشین شناسایی و مسائل نمونه ای ایجاد شد. هر کدام از مدل ها با تعدادی از الگوریتم-های پیشنهادی و الگوریتم های ابتکاری و فراابتکاری موجود در پژوهش های پیشین حل و نتایج با هم مقایسه و بررسی شده است. در راستای توسعه ی این الگوریتم ها، دو ویژگی مهم الگوریتم بهینه سازی گروه ذرات که منجر به افتادن این الگوریتم در دام بهینه محلی می شود، بررسی شده و دو الگوریتم بهینه سازی گروه ذرات بهبود یافته جهت رفع این دو مشکل پیشنهاد شد که نتایج حاصل از اجرای این دو الگوریتم روی مدل ها، کارایی بالای آنها و رفع دو مشکل ذکر شده را نشان می دهد. همچنین جهت پژوهش بیشتر، یک روش جستجوی قوی با دو الگوریتم ژنتیک و شبیه سازی تبرید ترکیب شد که نتایج اجرا، عملکرد خوب الگوریتم ژنتیک را در حل مدل ها نشان می دهد. از آنجایی که کیفیت عملکرد الگوریتم های فراابتکاری تا حد زیادی به پارامترها و عملگرهای انتخابی بستگی دارد، در این تحقیق، همه ی پارامترها و عملگرهای الگوریتم های پیشنهادی برای حل هر مدل، به طور جداگانه با
پژوهشگران	سعیده غلامی (استاد مشاور)، امیر نوروزی (دانشجو)، عیسی نخعی کمال آبادی (استاد راهنما)