3-4- معیارهای کارایی در زمانبندی تولید. 28
3-5- مدلسازی ریاضی مسأله زمانبندی کارگاه منعطف.. 32
3-6- پیشینه تحقیق در زمینه زمانبندی کارگاه منعطف.. 35
3-7- جمع­بندی و نتیجه­گیری.. 37
فصل 4: فرااکتشافات در بهینه­سازی.. Error! Bookmark not defined.
4-1- مقدمه. 80
4-2- تعاریف اولیه. 80
4-3- روشهای مبتنی بر مسیر. 85
4-4- روشهای جستجوی محلی کاوشگرانه. 92
4-5- روشهای مبتنی بر جمعیت.. 97
4-6- جمع­بندی و نتیجه­گیری.. 107
فصل 5: بهینه­سازی چندهدفه با حرکت جمعی ذرات.. 40
5-1- مقدمه. 41
5-5- جمع­بندی و نتیجه­گیری.. 61
فصل 6: کاربرد DbMOPSO در  برنامه­ریزی و زمانبندی کارگاه منعطف.. 63
6-1- مقدمه. 64
6-2- فضای جستجو. 65
6-3- مسائل مورد بررسی.. 66
6-4- نتایج شبیه سازی.. 71
6-6- جمع­بندی و نتیجه­گیری.. 75
فصل 7: جمع­بندی و نتیجه­گیری.. 76
7-1- مقدمه. 77
7-2- دستاوردهای تحقیق.. 77
7-3- محورهای مطالعه و گسترش بیشتر. 78
مراجع. 109
 

 
فهرست جداول

جدول 2-1: سطوح سفارشی سازی عام
15
جدول 6-1: زمانهای اجرای عملیات مربوط به نمونه مسئله 1
95
جدول 6-2: زمانهای اجرای عملیات مربوط به نمونه مسئله 2
96
جدول 6-3: زمانهای اجرای عملیات مربوط به نمونه مسئله 3
97
جدول 6-4: زمانهای اجرای عملیات مربوط به نمونه مسئله 4
98
جدول 6-5: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 1 توسط کاسم و همکاران
100
جدول 6-6: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 1 با استفاده از الگوریتم DbMOPSO
100
جدول 6-7: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 2 توسط کاسم و همکاران
101
جدول 6-8: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 2 با استفاده از الگوریتم DbMOPSO
101
جدول 6-9: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 3 توسط کاسم و همکاران
102
جدول 6-10: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 3 با استفاده از الگوریتم DbMOPSO
102
جدول 6-11: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 4 توسط کاسم و همکاران
103
جدول 6-12: مقادیر توابع هدف راه حل­های بدست آمده برای مسئله نمونه 4 با استفاده از الگوریتم DbMOPSO
103
 

 
فهرست اشکال

شکل 3-1: نمودار جریان اطلاعات در یک سیستم تولیدی
23
شکل 4-1: الگوریتم بهبود تکراری
46
شکل 4-2: الگوریتم گداخت شبیه­سازی شده
46
شکل 4-3: ایده جستجوی محلی هدایت شده
54
شکل 4-4: یک مرحله دلخواه از ILS
56
شکل 4-5: قالب کلی الگوریتم­های محاسبات تکاملی
58
شکل 4-6: قالب کلی الگوریتم حرکت جمعی ذرات
65
شکل 5-1: مفهوم راه­حل بهینه پارتو
70
شکل 5-2: نمایش مفهوم غلبه در فضای اهداف
71
شکل 5-3: نمایش Pareto Optimal Front در فضای اهداف
72
شکل 5-4: الگوریتم DbMOPSO
76
شکل 5-5: نتیجه حاصل از الگوریتم NSGA II در حل مسئله نمونه 1
78
شکل 5-6: نتیجه حاصل از الگوریتم PAES در حل مسئله نمونه 1
78
شکل 5-7: نتیجه حاصل از الگوریتم MOPSO در حل مسئله نمونه 1
79
شکل 5-8: نتیجه حاصل از الگوریتم DbMOPSO در حل مسئله نمونه 1
79
شکل 5-9: نتیجه حاصل از الگوریتم NSGA II در حل مسئله نمونه 2
81
شکل 5-10: نتیجه حاصل از الگوریتم PAES در حل مسئله نمونه 2
81
شکل 5-11: نتیجه حاصل از الگوریتم MOPSO در حل مسئله نمونه 2
82
شکل 5-12: نتیجه حاصل از الگوریتم DbMOPSO در حل مسئله نمونه 2
82
شکل 5-13: نتیجه حاصل از الگوریتم NSGA II در حل مسئله نمونه 3
84
شکل 5-14: نتیجه حاصل از الگوریتم PAES در حل مسئله نمونه 3
84
شکل 5-15: نتیجه حاصل از الگوریتم MOPSO در حل مسئله نمونه 3
85
شکل 5-16: نتیجه حاصل از الگوریتم DbMOPSO در حل مسئله نمونه 3
85
شکل 5-17: نتیجه حاصل از الگوریتم NSGA II در حل مسئله نمونه 4
87
شکل 5-18: نتیجه حاصل از الگوریتم PAES در حل مسئله نمونه 4
87
شکل 5-19: نتیجه حاصل از الگوریتم MOPSO در حل مسئله نمونه 4
88
شکل 5-20: نتیجه حاصل از الگوریتم DbMOPSO در حل مسئله نمونه 4
88
 

-1- مقدمه
پیشرفت­های اخیر در تولید منعطف و تکنولوژی اطلاعات این امکان را فراهم کرده است که سیستم­های تولیدی بتوانند با هزینه پایین­تر طیف وسیع­تری از محصولات یا خدمات را ارائه نمایند. به­علاوه افزایش رقابت در سطح جهانی منجر به رویارویی صنایع با رویکرد افزایش ارزش مشتری در ارائه محصول یا خدمات شده است. بنابراین لزوم درنظر گرفتن نیازهای خاص هر کدام از مشتریان، تولید­کنندگان را به سمت دخالت دادن مشتریان در فرآیند تولید رهنمون شده است. در این میان سفارشی‌سازی در تولید انبوه[1] یکی از روش‌های نوین تولید است که هر روز مورد توجه تولیدکنندگان بیشتری قرار می‌گیرد. سفارشی‌سازی در تولید انبوه، توانایی تولید محصول یا خدمات مختص هر مشتری بر اساس سفارش یا نیازهای شناخته شده او از طریق یک فرآیند کاملاً انعطاف‌پذیر و یکپارچه با حفظ مزایای تولید انبوه است. سفارشی‌سازی در تولید انبوه یکی از فرصت‌هایی است که از طریق رشد و هماهنگی تکنولوژی‌های تولید و تکنولوژی اطلاعات در اختیار تولیدکنندگان قرار گرفته است.
واضح است فعالیت‌هایی که در سیستم‌های سفارشی‌سازی در تولید انبوه انجام می‌شوند نیازمند همکاری گسترده، تبادل اطلاعات و تعامل در محدوده سازمان و خارج از آن است. بخشی از این تعامل در جهت برنامه‌ریزی تخصیص وظایف به منابع و زمان‌بندی اجرای وظایف بر روی منابع است. مسئله برنامه­ریزی تخصیص وظایف به منابع و زمانبندی اجرای وظایف یکی از پیچیده­ترین مسائل بهینه­سازی ترکیبیاتی به­شمار می­آید که در این تحقیق سعی بر آن است که گسترشی در زمینه حل این دسته مسائل حاصل گردد.
در سیستم‌های سفارشی‌سازی در تولید انبوه، از آنجایی که هر کالای تولید شده دارای شرایط خاص خود، براساس نیاز اعلام شده مشتری خواهد بود، مسئله هماهنگی و تعامل اجزا در صحن کارخانه شکل پیچیده­تری به‌خود می‌گیرد. برای حل مسئله برنامه­ریزی در چنین شرایطی اجزای سیستم برنامه‌ریزی باید دارای ویژگی‌هایی همچون برقراری ارتباط با اجزای دیگر، واکنشی بودن و خودمختاری باشند. با توجه به این ویژگی‌ها بهره‌گیری از سیستم‌های تکاملی چندعاملی بعنوان یکی از راه‌حل‌های مناسب مطرح می‌گردد. در این روش با بهره‌گیری از اجتماعی از عامل‌ها که هر کدام دارای مجموعه‌ای از خصوصیات و منابع می‌باشند می‌توان راه‌حل‌هایی در محیط محاسباتی پویا بدست آورد.
 

1-2- نوآوری­های تحقیق
در این تحقیق با توجه به پیشینه تحقیقاتی که در زمینه حل مسئله برنامه­ریزی و زمانبندی کار کارگاهی منعطف صورت گرفته است، الگویی جدید و مؤثر برای مدل­سازی فضای جواب مسئله مطرح می­گردد. الگوی ارائه شده، دارای خصوصیات ویژه­ای است که از جمله مهم­ترین آن­ها می­توان به حل همزمان زیر مسئله­های برنامه­ریزی تخصیص وظایف به منابع و زمانبندی ترتیب اجرای وظایف، اشاره کرد. در ادامه پژوهش به معرفی الگوریتم بهینه­سازی حرکت جمعی ذرات پرداخته می­شود و شکل جدیدی از این الگوریتم برای حل مسائل بهینه­سازی چندهدفه، معرفی می­گردد که در آن انتخاب ذرات راهنما براساس چگالی ذرات در فضای اهداف صورت می­گیرد، سپس الگوریتم ارائه شده با یکی از الگوریتم­های مشابه مقایسه می­شود. بعد از آن، دو ایده ارائه شده، در حل مسئله  زمانبندی کار کارگاهی منعطف به­کار گرفته شده و نتایج آن مورد بررسی قرار خواهند گرفت.