مجید اسماعیلیان

 زمان بندی تعمیرات پیشگیرانه به معنای انجام فعالیت ها و وظایف پیشگیرانه به منظور کاهش یا حذف توقف تولید و حداکثرکردن قابلیت اطمینان تجهیزات است. مدل های ریاضی ارائه شده برای زمان بندی تعمیرات پیشگیرانه، با محدودیت هایی چون، تعیین ترکیب انجام کارها توسط کارگران قبل از مدل سازی، تک منبعی بودن و نداشتن کارایی محاسباتی مواجه اند، به همین دلیل برخی از پژوهشگران از الگوریتم های هوش مصنوعی برای حل مسائل زمان بندی تعمیرات پیشگیرانه استفاده کرده اند. هدف این پژوهش زمان بندی تعمیرات پیشگیرانه با استفاده از برنامه ریزی محدودیتی است. برنامه ریزی محدودیتی تلفیقی از برنامه ریزی ریاضی و هوش مصنوعی است. مدل سازی در برنامه ریزی ریاضی، طراحی انسانی هوشمند است، ولی در برنامه ریزی محدودیتی الگوریتم ها هوشمندند. در این پژوهش دو مدل برنامه ریزی محدودیتی جدید برای زمان بندی تعمیرات پیشگیرانه پیشنهاد شده است که ضمن بی نیازبودن به تعیین ترکیب انجام کارها توسط کارگران، در حالت چندمنبعی به کار برده می شود. جواب های به دست آمده از مثال های عددی با مدل های ریاضی مقایسه شدند و روایی مدل برنامه ریزی محدودیتی به اثبات رسید. نتایج بیانگر توانایی برنامه ریزی محدودیتی در مدل سازی و حل مسائل زمان بندی تعمیرات پیشگیرانه است.

هدف: رویکرد برنامه ریزی نیازمندی مواد مبتنی بر تقاضا، بافرهایی از موجودی را در برخی از نقاط نمودار ساختار محصول برای پاسخ گویی سریع تر به مشتریان و نوسان های تقاضا در نظر می گیرد. در این رویکرد، وجود بافر در هر بخشی از نمودار ساختار محصول، الزاماً باعث بهبود جریان مواد نخواهد شد و می تواند به افزایش هزینه موجودی منجر شود. از سوی دیگر، این رویکرد پارامترهایی را شامل می شود که به صورت تجربی توسط مدیر مقداردهی می شود و مقدار نامناسب این پارامترها به عملکرد ضعیف آن منجر خواهد شد. از این رو، در مقاله حاضر تلاش شده است که با در نظر گرفتن هم زمان سطح استراتژیک (تعیین مناطق استراتژیک موجودی) و سطح عملیاتی (فاز برنامه ریزی) به تعیین مقادیر بهینه پارامترهای این رویکرد با هدف حداقل کردن سطح موجودی و رسیدن به سطح خدمت ۱۰۰ درصد در زمان انتظار مشتری پرداخته شود.روش: در این پژوهش یک مدل شبیه سازی بهینه سازی برای تعیین بهینه سه پارامتر اساسی موقعیت استراتژیک موجودی، فاکتور نوسان و زمان ارائه شده است که برای حل آن، از ترکیبی از الگوریتم ژنتیک و برنامه ریزی خطی عدد صحیح آمیخته با حل کننده CPLEX بهره گرفته شده است. در مرحله الگوریتم ژنتیک، مناطق مجاز بافر به صورت تصادفی انتخاب می شود؛ به نحوی که تحویل محصول نهایی، کمتر از زمان تحمل مشتری باشد و در مرحله برنامه ریزی خطی عدد صحیح آمیخته، مقادیر بهینه فاکتورهای نوسان و زمان با هدف حداقل کردن سطح موجودی وعدم مواجه با کمبود مقداردهی می شود.یافته ها: مدل پیشنهادی در ۱۲ نمونه تصادفی از نمودار ساختار محصول با سطوح و تعداد قطعات مختلف و مثال موجود در مقاله جیانگ و ریم بررسی و عملکرد مدل ارائه شده با مدل مقاله جیانگ و ریم مقایسه شد. نتایج نشان داد که در تمامی مسائل، مدل ارائه شده کارایی بهتری داشته است. مقایسه نتایج با داده های مثال مقاله اصلی اثبات می کند که هزینه موجودی مدل ارائه شده بین ۸۲ تا ۸۶ درصد و به طور متوسط 6/83 درصد کاهش یافته است و درصد بهبود سفارش های تحویل شده به موقع، بین ۰ تا ۴ درصد و به طور متوسط ۲/۲ درصد است. مقایسه نتایج با داده های تصادفی ایجاد شده نشان می دهد که متوسط هزینه موجودی با استفاده از مدل پیشنهادی، بین ۷۳ تا ۹۱ درصد و به طور متوسط 81/8 درصد کمتر شده است و با اطمینان ۱۰۰ درصد، کلیه سفارش ها در زمانی کمتر از تحمل مشتری برآورده شده است.نتیجه گیری: در مدل ارائه شده با وجود محدودیت بیشتر نسبت به مکان بافرها در نمودار ساختار محصول، نتایج عملکرد مدل پیشنهادی اثبات می کند که میانگین هزینه موجودی، نسبت به مدل جیانگ و ریم کاهش چشمگیری یافته است؛ ضمن اینکه با اطمینان کامل، کلیه سفارش ها برآورده خواهد شد. رویکرد این پژوهش می تواند به عنوان ابزار پشتیبانی تصمیم گیری برای مدیران جهت تعیین مقدار و زمان درخواست سفارش تولید/خرید با کمترین هزینه نگهداری موجودی و رسیدن به سطح خدمت ۱۰۰ درصد در مدت زمان انتظار مشتری باشد.

هدف: هدف این مطالعه ارائه مدلی برای حداقل سازی هزینه کل حمل ونقل در مسائل مسیریابی وسایل نقلیه ناوگان ثابت ناهمگون چندمحصولی با امکان تحویل چندبخشی است. این نوع مسائل، معمولاً در آن دسته از شرکت های تولیدی مشاهده می شود که محصولات گوناگون (با اندازه ها یا وزن های مختلف) تولید می کنند و آن ها را توسط ناوگان ناهمگونی از وسایل نقلیه و به طور مداوم به خرده فروشی ها و سایر مشتریان خود می فرستند. در این مسائل، انواع مختلفی از وسایل نقلیه با ظرفیت های بارگیری متفاوت به طور محدود در دسترس است و هر یک از آن ها هزینه ثابت به کارگیری و هزینه متغیر سفر مختص به خود را دارد. مسائل مسیریابی وسایل نقلیه با سه ویژگی هم زمان ناوگان ناهمگون، چند محصولی و امکان تحویل چندبخشی با وجود اهمیت بالایی که دارند تا پیش از این چندان مطالعه نشده است.روش: یک مدل برنامه ریزی خطی عدد صحیح محض، برای حل مسئله مسیریابی وسایل نقلیه ای توسعه یافته است که شامل ویژگی های تحویل چندبخشی، چند محصولی و ناوگان ناهمگون ثابت است. این مدل با انتخاب تعدادی از وسایل نقلیه از میان ناوگان حمل ونقل و تعیین محصولاتی که باید در هر یک از آن ها بارگیری شود، مشخص کردن مسیر حرکت، ترتیب ملاقات مشتریان توسط هر وسیله نقلیه و اینکه هر وسیله نقلیه چه محصولاتی را به کدام مشتری تحویل می دهد، توانسته است هزینه کل حمل ونقل، یعنی مجموع هزینه های ثابت، هزینه های متغیر سفر و هزینه های توقف در محل مشتریان را به حداقل برساند. برای تعیین ترتیب ملاقات مشتریان، از یک روش ابتکاری در مدل سازی استفاده شده است.یافته ها: نتایج محاسباتی حاصل از حل تعدادی از مسائل تصادفی با استفاده از روش پیشنهادی نشان می دهد که این روش قادر است برای مسائلی در مقیاس کوچک (تا ۱۵ مشتری) در زمان مناسبی به جواب بهینه دست یابد و برای مسائلی با مقیاس متوسط (با ۲۰ تا ۳۰ مشتری) در محدوده زمانی یک ساعت جواب قابل قبولی پیدا کند. همچنین با استفاده از مدل پیشنهادی برای مسائل در مقیاس بزرگ تر (تا ۵۰ مشتری) در محدوده زمانی یک ساعت، جواب های شدنی به دست آمد و این جواب ها، به مرور زمان بهبود یافتند. از میان پارامترهای مسئله، تعداد مشتریان بیشترین تأثیر را روی زمان حل مسئله داشته است و پس از آن، به ترتیب تعداد انواع محصولات و تعداد وسایل نقلیه، زمان حل مسئله را تحت تأثیر قرار می دهد.نتیجه گیری: با توجه به نتایج حاصل از این مطالعه، مدل ارائه شده می تواند به عنوان ابزاری مؤثر برای بهینه سازی هزینه حمل ونقل محصولات، در مسائل مسیریابی وسایل نقلیه با ویژگی های هم زمان تحویل چندبخشی، چند محصولی و ناوگان ناهمگون استفاده شود. این مدل قادر است به صورت مناسب و بهینه، به حل مسائل مختلف در مقیاس های کوچک و متوسط بپردازد که این امر می تواند به بهبود کارایی و کاهش هزینه های حمل ونقل در شرکت های تولیدی کمک کند. انتظار می رود طراحی مدل های فراابتکاری برپایه منطق مدل برنامه ریزی ریاضی پیشنهادی، ضمن افزایش سرعت حل مسئله، بتواند به دستیابی به جواب نزدیک به بهینه و قابل قبول برای مسائل با مقیاس بزرگ تر کمک کند.