تعیین ترکیب تولید در محیط چند گلوگاهی با استفاده از روش ویکور فازی

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 8، دوره 8، شماره 23، خرداد 1392، صفحه 97-108   

نوع مقاله: مقاله پژوهشی

نویسندگان

کیانوش کیوان بهجو^{* 1}؛ سید امین بدری²؛ حسن حاله³

¹کارشناس ارشد مهندسی صنایع، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران

²دانشجوی کارشناسی ارشد مدیریت، دانشگاه علامه طباطبایی، تهران، ایران

³استادیار مهندسی صنایع، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران

چکیده

تعیین ترکیب تولید، یکی از مهمترین تصمیماتی است که باید در سیستم‌های‌ تولیدی گرفته شود. بدان معنی که از کدام محصول و به چه مقدار باید تولید شود تا خروجی نهایی سیستم، افزایش یابد. در الگوریتم‌های موجود، غالباً تمام پارامترهای مسأله، قطعی فرض شده و تصمیم‌گیری انجام می‌گیرد. در این مقاله حالتی مورد بررسی قرار می‌گیرد که در آن کلیه پارامترهای تولیدی به صورت اعداد فازی مثلثی می‌باشند. پارامترهای تولیدی، تقاضای هفتگی، قیمت‌ فروش، هزینه مواد خام، زمان پردازش محصولات و ظرفیت در دسترس منابع را شامل می‌شوند. در الگوریتم پیشنهادی، با در نظر گرفتن چند گلوگاه، به کمک روش ویکور فازی، رتبه‌بندی محصولات جهت تولید مشخص می‌شوند. سپس مقدار تولید هر محصول محاسبه می‌گردد. در پایان نیز برای تشریح روش پیشنهادی، یک مثال عددی مورد بررسی قرار می‌گیرد.
 

کلیدواژه‌ها

مؤلفه های نوآوری؛ خلاقیت؛ نوآوری سازمانی؛ تاپسیس فازی

مراجع

1- Aryanezhad, M. B., Badri, S. A. and RashidiKomijan, A. (2010). Threshold-based method for elevating the system’s constraint under theory of constraints.International Journal of Production Research, 48(17), 5075–5087.

2- Plenert, G. (1993). Optimized theory of constraints when multiple constrained resources exist.European Journal of Operational Research, 70(1), 126–133.

3- Luebbe, R. and Finch, B. (1992). Theory of constraints and linear programming: a comparison. International Journal of Production Research, 30(6), 1471–1478.

4- Lee, T. N. and Plenert, G. (1993). Optimizing theory of constraints when new product alternatives exist.Production and Inventory Management Journal, 35(6), 51–57.

5- Fredendall, L. D. and Lea, B. R. (1997). Improving the product mix heuristic in the theory of constraints.International Journal of Production Research, 35(6), 1535–1544.

6- Onwbolu, G. C. and Mutingi, M. (2001). A genetic algorithm approach to the theory of constraints product mix problems. Production Planning & Control, 12(1), 21–27.

7- Onwbolu, G. C. and Mutingi, M. (2001). Optimizing the multiple constrained resources product mix problem using genetic algorithms.International Journal of Production Research, 39(9), 1897–1910.

8- Onwbolu, G. C. (2001). Tabu search-based algorithm for the TOC product mix decision. International Journal of Production Research, 39(10), 2065–2076.

9- Aryanezhad, M. B. and Komijan, A. R. (2004). An improved algorithm for optimizing product mix under the theory of constraints.International Journal of Production Research, 42(20), 4221–4233.

10- Mishra, N., Prakash,  Tiwari, M. K., Shankar, R. and Chan, T. S. (2005). Hybrid tabu-simulated annealing based approach to solve multi-constraint product mix decision problem. Expert Systems with Applications, 29(2), 446–454.

11- RashidiKomijan, A. and Sadjadi, S. J. (2005). Optimizing Product Mix in a Multi-bottleneck Environment Using Group Decision-Making Approach.Computational Science and Its Applications, 3483, 388–396.

12- Bhattacharya, A. and Vasant, P. (2007). Soft-sensing of level of satisfaction in TOC product-mix decision heuristic using robust fuzzy-LP, European Journal of Operational Research, 177(1), 55–70.

13- Tsai, W. H., Lai, C. W. and Chang, J. C. (2007). An algorithm for optimizing joint products decision based on the Theory of Constraints. International Journal of Production Research, 45(15), 3421–3437.

14- Rezaie, K., Nazari-Shirkouhi, S. and Manouchehrabadi, B. (2009). Particle swarm optimization algorithm based approach to solve Theory of constraint product mix problem. Second International Conference on Developments in eSystemsEngineering.

15- Wang, J. Q., Sun, S. D., Si, S. B. and Yang, H. A. (2009). Theory of Constraints product mix optimization based on immune algorithm. International Journal of Production Research, 47(16), 4521–4543.

16- Opricovic, S.  and Tzeng, G. H. (2002). Multicriteria planning of postearthquake sustainable reconstruction.Computer-Aided Civil and Infrastructure Engineering, 17(3), 211–220.

17- Opricovic, S., and Tzeng, G. H. (2004). Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS. European Journal of Operational Research, 156(2), 445–455.

18- Zhang, N., and Wei, G. (2013). Extention of Vikor method for decision making problem based on hesitant fuzzy set. Applied Mathematical Modelling, 37, 4938–4947.

19 - Opricovic, S., and Tzeng, G.-H. (2007). Extended VIKOR method in comparison with outranking methods.European Journal of Operational Research, 178(2), 514–529.

20- Zadeh, L.A., (1965).  Fuzzy sets. Information and Control, 338–35.

21- Kaya, T., & Kahraman, C. (2011). Fuzzy multiple criteria forestry decision making based on an integrated Vikor and approach. Expert Systems with Applications, 38, 7326–7333.