یکپارچه‌سازی تراز خط مونتاژ و برنامه‌ریزی تولید چندمحصولی با برنامه‌ریزی تصادفی دومرحله‌ای تحت عدم‌قطعیت تقاضا و زمان پردازش

نویسندگان

  • مهدی علینقیان * گروه مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران.
  • نگین سادات قاضی‌عسگر گروه مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران. https://orcid.org/0009-0006-5280-7537

https://doi.org/10.22105/msda.v3i4.142

چکیده

هدف: در بسیاری از سیستم‌های تولیدی، تصمیمات مربوط به طراحی خط مونتاژ و برنامه‌ریزی تولید به‌صورت مستقل اتخاذ می‌شوند، در حالی که این دو مساله از نظر ظرفیت، زمان چرخه و تخصیص منابع به‌شدت به یکدیگر وابسته هستند. از سوی دیگر، اغلب مدل‌های موجود تنها یکی از منابع عدم‌قطعیت، مانند تقاضا یا زمان پردازش را در نظر گرفته‌اند و کمتر به مدل‌سازی هم‌زمان این دو عامل پرداخته‌اند. این محدودیت می‌تواند موجب کاهش قابلیت اطمینان تصمیمات و افزایش هزینه‌های عملیاتی در محیط‌های تولیدی پویا شود. ازاین‌رو، هدف این پژوهش توسعه یک مدل یکپارچه برنامه‌ریزی تصادفی دومرحله‌ای برای تلفیق تراز خط مونتاژ و برنامه‌ریزی تولید چندمحصولی با درنظرگرفتن هم‌زمان عدم‌قطعیت تقاضا و زمان پردازش است.

روش‌شناسی پژوهش: مدل پیشنهادی بر پایه برنامه‌ریزی تصادفی دومرحله‌ای توسعه یافت، به‌گونه‌ای که تصمیمات راهبردی شامل تخصیص وظایف، فعال‌سازی ایستگاه‌های کاری و تعیین زمان چرخه در مرحله نخست و تصمیمات عملیاتی شامل مقدار تولید، موجودی، کمبود و راه‌اندازی پس از تحقق سناریوهای عدم‌قطعیت در مرحله دوم اتخاذ می‌شوند. مدل غیرخطی با استفاده از تکنیک‌های خطی‌سازی به یک مدل برنامه‌ریزی خطی عدد صحیح مختلط تبدیل شد و با روش تقریب میانگین نمونه و شبیه‌سازی مونت‌کارلو مبتنی بر ۱۰۰ سناریو حل شد.

یافته‌ها: نتایج نشان داد که درنظرگرفتن هم‌زمان عدم‌قطعیت تقاضا و زمان پردازش موجب دستیابی به تصمیمات پایدارتر و کاهش نوسانات عملکرد سیستم می‌شود. مدل پیشنهادی توانست هزینه کل مورد انتظار، ریسک کمبود و نوسانات ناشی از تغییرات شرایط عملیاتی را کاهش دهد و در عین حال قابلیت اطمینان برنامه‌ریزی تولید را افزایش دهد. همچنین نتایج تحلیل سناریوها و همگرایی روش تقریب میانگین نمونه نشان داد که چارچوب پیشنهادی از پایداری آماری مناسبی برخوردار بوده و قابلیت استفاده در محیط‌های تولیدی پویا و پرنوسان را دارد.

اصالت/ارزش افزوده علمی: نوآوری اصلی این پژوهش در ارایه یک چارچوب یکپارچه برای تصمیم‌گیری هم‌زمان در طراحی خط مونتاژ و برنامه‌ریزی تولید چندمحصولی تحت دو منبع اصلی عدم‌قطعیت است. برخلاف مطالعات پیشین که معمولا هر یک از این مسائل یا تنها یکی از منابع عدم‌قطعیت را به‌صورت مستقل بررسی کرده‌اند، مدل پیشنهادی وابستگی متقابل تصمیمات راهبردی و عملیاتی را در قالب برنامه‌ریزی تصادفی دومرحله‌ای لحاظ می‌کند. این چارچوب می‌تواند به مدیران تولید در طراحی خطوط مونتاژ مقاوم‌تر، کاهش ریسک عملیاتی و بهبود بهره‌برداری از ظرفیت تولید در شرایط نامطمئن کمک کند.

کلمات کلیدی:

برنامه‌ریزی تصادفی دو مرحله‌ای، تقریب میانگین نمونه‌ای، تراز خط مونتاژ چندمحصولی، تعیین اندازه دسته تولید

مراجع

  1. [1] Boysen, N., Fliedner, M., & Scholl, A. (2007). A classification of assembly line balancing problems. European journal of operational research, 183(2), 674–693. https://doi.org/10.1016/j.ejor.2006.10.010
  2. [2] Becker, C., & Scholl, A. (2006). A survey on problems and methods in generalized assembly line balancing. European journal of operational research, 168(3), 694–715. https://doi.org/10.1016/j.ejor.2004.07.023
  3. [3] Bartholdi, J. J. (1993). Balancing two-sided assembly lines: A case study. International journal of production research, 31(10), 2447–2461. https://doi.org/10.1080/00207549308956868
  4. [4] Özcan, U., Gökçen, H., & Toklu, B. (2010). Balancing parallel two-sided assembly lines. International journal of production research, 48(16), 4767–4784. https://doi.org/10.1080/00207540903074991
  5. [5] Jin, W., He, Z., & Wu, Q. (2021). Robust optimization of resource-constrained assembly line balancing problems with uncertain operation times. Engineering computations, 39(3), 813–836. https://doi.org/10.1108/EC-01-2021-0061
  6. [6] Boissière, J., Frein, Y., & Rapine, C. (2008). Lot-sizing in a serial distribution system with capacitated in-system production flow. International journal of production economics, 112(1), 483–494. https://doi.org/10.1016/j.ijpe.2007.05.013
  7. [7] Teoh, W. L., Chuah, S. K., Khoo, M. B. C., Castagliola, P., & Yeong, W. C. (2017). Optimal designs of the synthetic t chart with estimated process mean. Computers & industrial engineering, 112, 409–425. https://doi.org/10.1016/j.cie.2017.08.021
  8. [8] Pochet, Y., Wolsey, L. A. (2006). Production planning by mixed integer programming. In Production planning by mixed integer programming (pp. 421–481). Springer New York. https://doi.org/10.1007/0-387-33477-7_15
  9. [9] Florian, M., & Klein, M. (1971). Deterministic production planning with concave costs and capacity constraints. Management science, 18(1), 12–20. https://doi.org/10.1287/mnsc.18.1.12
  10. [10] Tempelmeier, H. (2013). Stochastic lot sizing problems. In Handbook of stochastic models and analysis of manufacturing system operations (pp. 313–344). Springer New York. https://doi.org/10.1007/978-1-4614-6777-9_10
  11. [11] Helber, S., Sahling, F., & Schimmelpfeng, K. (2013). Dynamic capacitated lot sizing with random demand and dynamic safety stocks. OR spectrum, 35(1), 75–105. https://doi.org/10.1007/s00291-012-0283-6
  12. [12] Shapiro, A., Dentcheva, D., & Ruszczynski, A. (2021). Lectures on stochastic programming: Modeling and theory. SIAM. https://doi.org/10.1137/1.9780898718751
  13. [13] Li, Y., Saldanha-da-Gama, F., Liu, M., & Yang, Z. (2023). A risk-averse two-stage stochastic programming model for a joint multi-item capacitated line balancing and lot-sizing problem. European journal of operational research, 304(1), 353–365. https://doi.org/10.1016/j.ejor.2021.09.043
  14. [14] Boysen, N., Fliedner, M., & Scholl, A. (2008). Assembly line balancing: Which model to use when? International journal of production economics, 111(2), 509–528. https://doi.org/10.1016/j.ijpe.2007.02.026
  15. [15] Ahmed, S., Tawarmalani, M., & Sahinidis, N. V. (2004). A finite branch-and-bound algorithm for two-stage stochastic integer programs. Mathematical programming, 100(2), 355–377. https://doi.org/10.1007/s10107-003-0475-6
  16. [16] Zemkohoo, A., & Dempe, S. (2020). Bilevel optimization advances and next challenges. Springer International Publishing. https://www.researchgate.net/publication/346250425
  17. [17] Scholl, A., & Becker, C. (2006). State-of-the-art exact and heuristic solution procedures for simple assembly line balancing. European journal of operational research, 168(3), 666–693. https://doi.org/10.1016/j.ejor.2004.07.022
  18. [18] Pinedo, M., & Hadavi, K. (1992). Scheduling: Theory, algorithms and systems development. Operations research proceedings 1991 (pp. 35–42). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-46773-8_5%0A%0A
  19. [19] Rahmani, D., & Heydari, M. (2014). Robust and stable flow shop scheduling with unexpected arrivals of new jobs and uncertain processing times. Journal of manufacturing systems, 33(1), 84–92. https://doi.org/10.1016/j.jmsy.2013.03.004
  20. [20] Kleywegt, A. J., Shapiro, A., & Homem-de-Mello, T. (2002). The sample average approximation method for stochastic discrete optimization. SIAM journal on optimization, 12(2), 479–502. https://doi.org/10.1137/S1052623499363220
  21. [21] Peng, J., & Liu, B. (2004). Parallel machine scheduling models with fuzzy processing times. Information sciences, 166(1), 49–66. https://doi.org/10.1016/j.ins.2003.05.012
  22. [22] Santoso, T., Ahmed, S., Goetschalckx, M., & Shapiro, A. (2005). A stochastic programming approach for supply chain network design under uncertainty. European journal of operational research, 167(1), 96–115. https://doi.org/10.1016/j.ejor.2004.01.046
  23. [23] Ben-Tal, A., Nemirovski, A., & El Ghaoui, L. (2009). Robust optimization. Princeton university press. https://www.torrossa.com/en/resources/an/5576051
  24. [24] Bertsimas, D., & Sim, M. (2004). The price of robustness. Operations research, 52(1), 35–53. https://doi.org/10.1287/opre.1030.0065
  25. [25] Delage, E., & Ye, Y. (2010). Distributionally robust optimization under moment uncertainty with application to data-driven problems. Operations research, 58(3), 595–612. https://doi.org/10.1287/opre.1090.0741
  26. [26] Heitsch, H., & Römisch, W. (2003). Scenario reduction algorithms in stochastic programming. Computational optimization and applications, 24(2), 187–206. https://doi.org/10.1023/A:1021805924152
  27. [27] Escudero, L. F., Garín, A., Merino, M., & Pérez, G. (2007). A two-stage stochastic integer programming approach as a mixture of branch-and-fix coordination and benders decomposition schemes. Annals of operations research, 152(1), 395–420. https://doi.org/10.1007/s10479-006-0138-0

دانلود

چاپ شده

2025-12-28

شماره

دوره 3 شماره 4 (2025): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

علینقیان م., & سادات قاضی‌عسگر ن. (2025). یکپارچه‌سازی تراز خط مونتاژ و برنامه‌ریزی تولید چندمحصولی با برنامه‌ریزی تصادفی دومرحله‌ای تحت عدم‌قطعیت تقاضا و زمان پردازش. علوم مدیریت و تحلیل تصمیم , 3(4), 495-507. https://doi.org/10.22105/msda.v3i4.142
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.