فهرست:
فصل 1: مقدمه. 5
1-1- مقدمه. 6
1-2- نوآوریهای تحقیق.. 7
1-3- ساختار پایاننامه. 7
فصل 2: سفارشیسازی در تولید انبوه. 9
2-1- مقدمه. 10
2-2- سطوح سفارشیسازی.. 12
2-3- توانمندیهای مورد نیاز برای اجرای سفارشیسازی در تولید انبوه 16
2-5- جمعبندی و نتیجهگیری.. 18
فصل 3: برنامهریزی و زمانبندی.. 19
3-1- مقدمه. 20
3-2- مدلسازی سیستم تولید در برنامهریزی و زمانبندی.. 21
3-3- کارها، ماشینها و کارگاهها 24
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
منبع:
مراجع
A. Toffler, "Future shock," Bantam Books, 1970
A. Toffler, "The third wave," Bantam Books, 1980
A. Toffler, "Powershift: knowledge, wealth and violence at the edge of the 21st century," Bantam Books, 1990
S. Davis, "From future perfect: Mass customizing," Planning Review, vol. 17, no. 2, pp. 16-21, 1989
G. Da Silveira et al., "Mass customization: Literature review and research directions," Int. J. Production Economics, vol. 72, pp. 1-13, 2001
J. Gilmore, and J. Pine, "The four faces of mass customization," Harvard Business Review, vol. 75, no. 1, pp. 91-101, 1997
J. Pine, "Mass customizing products and services," Planning Review, vol. 21, no. 4, pp. 6-13, 1993
J. Spira, "Mass customization through training at Lutron Electronics," Computers in Industry, vol. 30, no. 3, pp. 171-174, 1996
M. Pinedo, "Planning and scheduling in manufacturing services," Springer, 2005
P. Bruker, and R. Schlie, "Job shop scheduling with multi-purpose machines," Computing, vol. 45, pp. 369–375, 1990
E. Hurink, B. Jurisch, and M. Thole, "Tabu search for the job shop scheduling problem with multi-purpose machines," Operations Research Spektrum, vol. 15, pp. 205–215, 1994
M. Mastrololli, and L.M. Gambardella, "Effective neighborhood functions for the flexible job shop problem," Journal of Scheduling, vol. 3, no. 1, pp. 3–20, 2002
I. Kacem, S. Hammadi, and P. Borne, "Pareto-optimality approach for flexible job-shop scheduling problems: Hybridization of evolutionary algorithms and fuzzy logic," Mathematics and Computers in Simulation, vol. 60, pp. 245–276, 2002
W. Xia, and Z. Wu, "An effective hybrid optimization approach for multi-objective flexible job-shop scheduling problems," Computers & Industrial Engineering, vol. 48, pp. 409–425, 2005
C. Blum, "Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison," ACM Computing Surveys, vol. 35, no. 3, pp. 268–308, 2003
I.H. OSMAN, and G. LAPORTE, "Metaheuristics: A bibliography," Ann. Operations Research, vol. 63, pp. 513–623, 1996
S. VOß, et. al., "Meta-Heuristics—Advances and Trends in Local Search Paradigms for Optimization," Kluwer Academic Publishers, 1999
METAHEURISTICS NETWORK WEBSITE, http://www.metaheuristics.net/, Visited in 2009
C. Coello, G. Pulido, and M. Lechuga, "Handling multiple objectives with particle swarm optimization," IEEE Trans. Evolutionary Computation, vol. 8, pp. 256-279, 2004
E. Zitzler, "Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications," Ph.D. thesis, Swiss Federal Institute of Technology Zurich, 1999
K. Deb, "Multi-objective genetic algorithms: problem difficulties and construction of test problem," Evolutionary Computation, vol. 7, no. 3, pp.205-230, 1999
J. D. Schaffer, "Multiple objective optimization with vector evaluated genetic algorithm," Ph.D. thesis, Vanderbilt University, 1984
P. Fattahi, M. Saidi Mehrabad, and F. Jolai, "Mathematical modeling and heuristic approaches to flexible job shop scheduling problems," Journal of Intelligent Manufacturing, vol. 18, pp. 331-342, 2007.
I. Kacem, S. Hammadi, and P. Borne, "Pareto-optimality approach for flexible job-shop scheduling problems: hybridization of evolutionary algorithms and fuzzy logic," Mathematics and computers in simulation, vol. 60, pp. 245-276, 2002.