کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7355076 1477502 2018 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Adaptation and approximate strategies for solving the lot-sizing and scheduling problem under multistage demand uncertainty
ترجمه فارسی عنوان
سازگاری و استراتژی های تقریبی برای حل مسئله اندازه گیری و برنامه ریزی زمانبندی تحت عدم اطمینان تقاضای چند مرحله ای
کلمات کلیدی
ترجمه چکیده
این کار مشکل بزرگی و برنامه ریزی را تحت شرایط نامطمئن تقاضای چند مرحله ای قرار می دهد. یک سیستم تولید انعطاف پذیر در نظر گرفته شده است، با امکان تنظیم اندازه و برنامه تعداد زیادی در هر دوره زمانی بر اساس طرح برنامه ریزی افق نورد. مدل های برنامه ریزی تصادفی چند مرحله ای محاسباتی اغلب بر روی این مشکل کاربرد دارند. یک استراتژی انطباق به مجموعه چند مرحله ای برای برنامه ریزی دو مرحله ای و مدل های بهینه سازی پیشنهاد شده است. ما همچنین یک استراتژی اکتشافی تقریبی ارائه می دهیم تا مشکل را به صورت موثرتر حل کند، با تکیه بر برنامه ریزی تصادفی چند مرحله ای و بهینه سازی قابل تنظیم قابل تنظیم. برای ارزیابی هر استراتژی و مدل پیشنهادی، یک آزمایش شبیه سازی مونت کارلو در یک طرح افق نورد انجام می شود. نتایج نشان می دهد که استراتژی ها در حل مسائل بزرگ در مقیاس امیدوار هستند: استراتژی تقریبی بر اساس بهینه سازی قابل تنظیم قابل تنظیم به طور متوسط ​​عملکرد 6.72٪ بهتر است و 7.9 برابر سریعتر از مدل قطعی است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی صنعتی و تولید
پیش نمایش مقاله
سازگاری و استراتژی های تقریبی برای حل مسئله اندازه گیری و برنامه ریزی زمانبندی تحت عدم اطمینان تقاضای چند مرحله ای
چکیده انگلیسی
This work addresses the lot-sizing and scheduling problem under multistage demand uncertainty. A flexible production system is considered, with the possibility to adjust the size and the schedule of lots in every time period based on a rolling-horizon planning scheme. Computationally intractable multistage stochastic programming models are often employed on this problem. An adaptation strategy to the multistage setting for two-stage programming and robust optimization models is proposed. We also present an approximate heuristic strategy to address the problem more efficiently, relying on multistage stochastic programming and adjustable robust optimization. In order to evaluate each strategy and model proposed, a Monte Carlo simulation experiment under a rolling-horizon scheme is performed. Results show that the strategies are promising in solving large-scale problems: the approximate strategy based on adjustable robust optimization has, on average, 6.72% better performance and is 7.9 times faster than the deterministic model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Production Economics - Volume 202, August 2018, Pages 81-96
نویسندگان
, , , ,