سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

شهریاری, محمدرضا, زارع طلب, آرش. (1403). بهینه سازی دسترس پذیری – افزونگی در چندین سیستم سری – موازی چند حالته به صورت توام با در نظر گرفتن خرابی های چند مرحله‌ای و امکان انتخاب تامین کننده. , 14(2), 230-252. doi: 10.48308/jimp.14.2.230
محمدرضا شهریاری; آرش زارع طلب. "بهینه سازی دسترس پذیری – افزونگی در چندین سیستم سری – موازی چند حالته به صورت توام با در نظر گرفتن خرابی های چند مرحله‌ای و امکان انتخاب تامین کننده". , 14, 2, 1403, 230-252. doi: 10.48308/jimp.14.2.230
شهریاری, محمدرضا, زارع طلب, آرش. (1403). 'بهینه سازی دسترس پذیری – افزونگی در چندین سیستم سری – موازی چند حالته به صورت توام با در نظر گرفتن خرابی های چند مرحله‌ای و امکان انتخاب تامین کننده', , 14(2), pp. 230-252. doi: 10.48308/jimp.14.2.230
شهریاری, محمدرضا, زارع طلب, آرش. بهینه سازی دسترس پذیری – افزونگی در چندین سیستم سری – موازی چند حالته به صورت توام با در نظر گرفتن خرابی های چند مرحله‌ای و امکان انتخاب تامین کننده. , 1403; 14(2): 230-252. doi: 10.48308/jimp.14.2.230

بهینه سازی دسترس پذیری – افزونگی در چندین سیستم سری – موازی چند حالته به صورت توام با در نظر گرفتن خرابی های چند مرحله‌ای و امکان انتخاب تامین کننده

چشم‌انداز مدیریت صنعتی
دوره 14، شماره 2 - شماره پیاپی 54، 1403، صفحه 230-252    اصل مقاله (1.26 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/jimp.14.2.230
نویسندگان
محمدرضا شهریاری* 1؛ آرش زارع طلب2
1دانشیار، گروه مدیریت صنعتی، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران.
2استادیار، گروه مدیریت بازرگانی، دانشگاه آزاد اسلامی، واحد شهر قدس، تهران، ایران.
چکیده
مقدمه و اهداف: با توجه به رقابتی­‌شدن بازار و جهانی‌شدن آن نیاز به دسترس‌­پذیری در طراحی محصول در دهه‌­های اخیر موردتوجه قرارگرفته است. امروزه دسترس‌­پذیری شامل نیازمندی­‌های عملکردی، استفاده از استانداردها، طراحی، پیش­بینی دسترس‌­پذیری، مدل‌سازی دسترس‌­پذیری و بازیابی و بررسی آن است. یکی از اهداف دسترس‌­پذیری، طراحی سیستم‌هایی با حداکثر دسترس‌­پذیری است. دسترس­‌پذیری یک سیستم معمولاً به‌واسطه بهبود دسترس‌­پذیری هر یک از اجزاء یا تخصیص اجزای مازاد بهبود می‌یابد. این بهبودها در عمل به‌واسطه استفاده از مواد بهتر، فرآیند ساخت بهتر، اصول طراحی استفاده شده و غیره ایجاد می‌شود.
 روش‌­ها: در این پژوهش، یک رویکرد نوآورانه برای بهینه‌سازی چندین سیستم سری ـ موازی چندحالته بررسی می­‌شود. این رویکرد به‌جای محدود­کردن بهینه‌سازی به یک سیستم به‌صورت جداگانه، به بهینه‌سازی هم‌زمان چندین سیستم و بهبود کارایی و عملکرد کلی آن‌ها می‌پردازد. در این سیستم‌ها، تعدادی زیرسیستم موازی قرار دارند که هر یک از این زیرسیستم‌ها دارای اجزای چندحالته است. این اجزا می‌توانند در حالت‌های مختلف عمل کنند و با ترکیب این حالت‌ها، عملکرد متفاوتی را ارائه دهند. یکی از نکات مهم موردتوجه در این مدل، تأثیر نرخ‌های خرابی چندمرحله‌ای بر سیستم‌ها است که از طریق ترسیم نمودار حالت به‌وضوح بررسی می‌شود. فرضیه­‌های مختلفی در این مدل در نظر گرفته می‌شود؛ از جمله قابلیت انتخاب تأمین‌کننده با شرایط متفاوت، با در­نظر گرفتن محدودیت‌های موجود در سیستم. علاوه بر این، اثرات فعالیت‌های فنی و سازمانی بر روی بازه‌های پیوسته بهینه‌سازی سیستم‌ها نیز بررسی و تحلیل می‌­شود. در پایان با استفاده از الگوریتم فراابتکاری ژنتیک، مدل ارائه­‌شده بهبود می‌­یابد و نتایج حاصل از آن نشان می‌دهد که عملکرد سیستم به‌طور کامل بهبود یافته است.
 یافته‌­ها: در این پژوهش یک مدل بهینه­‌سازی ریاضی برای مدل‌سازی مسئله موردبررسی تحت مفروضات مطرح‌شده ارائه می‌شود؛ همچنین برای نمونه یک نوع مثال عددی در شرایطی که تابع توزیع انتقال حالت نمایی و فعالیت‌های فنی و سازمانی با شدت عملکرد مختلف هستند، ارائه می‌شود. در این نمونه، فرض می­‌شود که نرخ عملکردی هر زیرسیستم با مجموع نرخ عملکردی اجزا آن و عملکرد سیستم با حداقل نرخ عملکردی زیرسیستم‌ها برابر است. می­‌توان با توجه به توضیحات داده‌­شده احتمال دسترس‌­پذیری سیستم را محاسبه و هزینه سیستم را نیز می­‌توان با استفاده از تابع هدف مدل محاسبه کرد. در مرحله بعد با استفاده از الگوریتم ژنتیک، مثال‌های ارائه­‌شده حل و نتایج آن گزارش می‌­شود.
نتیجه­‌گیری: با مطالعه مقاله­‌ها و پژوهش‌­های سال‌های اخیر می‌­توان دریافت که همواره پژوهشگران عرصه مدل‌های تخصیص افزونگی، چه در زمینه سیستم‌های باینری و چه سیستم‌های چندحالته، کوشیده‌­اند تا با در­نظر­گرفتن فرضیه­‌های جدید و یا حذف­‌کردن فرضیه‌­های ساده‌­سازی که از سال‌های گذشته در مبانی نظری این مدل‌ها باقی مانده بود، شرایط این نوع مسائل را به دنیای واقعی نزدیک‌تر کنند و به سؤال‌­های بیشتری که ذهن تصمیم‌گیرندگان چنین سیستم‌هایی را در امر بهینه‌سازی مشغول کرده بود، پاسخ دهند. این رویکردها از سوی پژوهشگران به‌­نام این موضوع اهمیت و ضرورت ارائه مدل‌های بهینه‌سازی ریاضی با در­نظر­گرفتن همه شرایط و محدودیت‌های سیستمی کاربران و مدیران را بیش‌ازپیش مهم­‌تر کرده است. در این پژوهش نیز نشان داده شده است که می‌توان با افزایش ابعاد بهینه‌سازی مسائل تخصیص افزونگی، مدل­‌هایی را تنظیم کرد که با دنیای واقعی انطباق بیشتری دارند.
کلیدواژه‌ها
دسترس­‌پذیری؛ مسئله تخصیص افزونگی؛ انتخاب تأمین‌کننده؛ الگوریتم ژنتیک؛ سیستم سری ـ موازی چندحالته
عنوان مقاله [English]
Optimization of Availability-Redundancy in Multiple Multi-State Parallel-Series Systems Considering Multi-Stage Failures and Supplier Selection
نویسندگان [English]
Mohammadreza Shahriari1؛ Arash Zaretalab2
1Associate Professor, Department of Industrial Management, South Tehran Branch, Islamic Azad University, Tehran, Iran.
2Assistant Professor, Department of Business Management, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran.
چکیده [English]
Introduction: Given the competitive and globalized nature of markets, availability has become a crucial aspect of product design in recent decades. Modern availability includes functional requirements, adherence to standards, design considerations, predictability of availability, modeling, and evaluation. One objective of availability is to design systems with maximum accessibility. System availability is often improved by enhancing the availability of individual components or by allocating redundant components. These improvements are achieved through better materials, improved manufacturing processes, and the application of design principles.
 Method: This paper introduces an innovative approach to optimizing multiple parallel-series multi-state systems. Unlike traditional methods that focus on optimizing a single system, this approach simultaneously optimizes multiple systems to enhance their overall efficiency and performance. These systems contain parallel subsystems with multi-state components that can operate in various states, providing different performance outcomes. A significant aspect of this model is the impact of multi-stage failure rates on the systems, analyzed through state diagrams. The model also considers various assumptions, including the capability to select suppliers with different conditions and constraints. Additionally, the effects of technical and organizational activities on continuous optimization intervals are analyzed. The model is refined using a genetic algorithm, showing considerable improvements in system performance.
Results and discussion: An optimization mathematical model is presented to address the problem under specified assumptions. A numerical example is provided where the state transition distribution function is exponential, and technical and organizational activities have varying performance intensities. In this example, the performance rate of each subsystem equals the sum of the performance rates of its components, and the system's performance is at least as good as the minimum performance rate of its subsystems. Based on these assumptions, the system's availability probability and cost can be calculated using the model's objective function. The example problems are then solved using a genetic algorithm, and the results are reported.
 Conclusions: Recent research indicates that scholars in the field of redundancy allocation models for both binary and multi-state systems have continuously aimed to make these problems more realistic by incorporating new assumptions or eliminating simplifying ones. These efforts underscore the importance of developing mathematical optimization models that consider all system conditions and constraints, addressing the broader issues faced by decision-makers. Our research demonstrates that expanding the dimensions of optimization problems related to redundancy allocation can produce models that better reflect real-world conditions.
کلیدواژه‌ها [English]
Availability, Redundancy allocation problem, Supplier selection, Genetic algorithm, Multi-state parallel-series system
مراجع
  1. Amiri, M., Azizi Boroujerdi, S., & Pourbakhsh, S. H. (2015). A Mathematical Model for Solving a Multi Objective Choice of Redundancy Allocation Strategy Problem by Optimizing Reliability for K out of N Systems. The Journal of Industrial Management Perspective, 4(4), 117-134. (In Persian)
  2. Chern, M. S. (1992). On the computational complexity of reliability redundancy allocation in a series system. Operations research letters, 11(5), 309-315.
  3. Coit, D. W. (2003). Maximization of system reliability with a choice of redundancy strategies. IIE transactions, 35(6), 535-543.
  4. Coit, D. W., & Smith, A. E. (1996). Reliability optimization of series-parallel systems using a genetic algorithm. IEEE Transactions on reliability, 45(2), 254-260.
  5. Ding, Y., & Lisnianski, A. (2008). Fuzzy universal generating functions for multi-state system reliability assessment. Fuzzy Sets and Systems, 159(3), 307-324.
  6. Guilani, P. P., Sharifi, M., Niaki, S. T. A., & Zaretalab, A. (2014). Reliability evaluation of non-reparable three-state systems using Markov model and its comparison with the UGF and the recursive methods. Reliability Engineering & System Safety, 129, 29-35.
  7. Kulturel-Konak, S., Smith, A. E., & Coit, D. W. (2003). Efficiently solving the redundancy allocation problem using tabu search. IIE transactions, 35(6), 515-526.
  8. Levitin, G., Lisnianski, A., Ben-Haim, H., & Elmakis, D. (1998). Redundancy optimization for series-parallel multi-state systems. IEEE transactions on reliability, 47(2), 165-172.
  9. Levitin, G., Xing, L., Ben-Haim, H., & Dai, Y. (2013). Reliability of series-parallel systems with random failure propagation time. IEEE Transactions on Reliability, 62(3), 637-647.
  10. Li, W., & Zuo, M. J. (2008). Reliability evaluation of multi-state weighted k-out-of-n systems. Reliability engineering & system safety, 93(1), 160-167.
  11. Liang, Y. C., & Chen, Y. C. (2007). Redundancy allocation of series-parallel systems using a variable neighborhood search algorithm. Reliability Engineering & System Safety, 92(3), 323-331.
  12. Liang, Y. C., & Smith, A. E. (2004). An ant colony optimization algorithm for the redundancy allocation problem (RAP). IEEE Transactions on reliability, 53(3), 417-423.
  13. Lisnianski, A., & Levitin, G. (2003). Multi-state system reliability: assessment, optimization and applications. World scientific.
  14. Lisnianski, A., Levitin, G., Ben-Haim, H., & Elmakis, D. (1996). Power system structure optimization subject to reliability constraints. Electric Power Systems Research, 39(2), 145-152.
  15. Maatouk, I., Châtelet, E., & Chebbo, N. (2013). Availability maximization and cost study in multi-state systems. In 2013 Proceedings Annual Reliability and Maintainability Symposium (RAMS)(pp. 1-6). IEEE.
  16. Mansouri, A., & Alem Tabriz, A. (2023). Presenting an Exact Solution Method to Optimize the Bi-Objective Problem of Reliability and Cost of Redundancy Allocation in the Satellite Attitude Determination and Control System. The Journal of Industrial Management Perspective, 13(2), 241-266. (In Persian)
  17. Mousavi, S. M., Alikar, N., Niaki, S. T. A., & Bahreininejad, A. (2015). Two tuned multi-objective meta-heuristic algorithms for solving a fuzzy multi-state redundancy allocation problem under discount strategies. Applied Mathematical Modelling, 39(22), 6968-6989.
  18. Ouzineb, M., Nourelfath, M., & Gendreau, M. (2008). Tabu search for the redundancy allocation problem of homogenous series–parallel multi-state systems. Reliability Engineering & System Safety, 93(8), 1257-1272.
  19. Ouzineb, M., Nourelfath, M., & Gendreau, M. (2011). A heuristic method for non-homogeneous redundancy optimization of series-parallel multi-state systems. Journal of Heuristics, 17(1), 1-22.
  20. Radfar, A., & Mohammaditabar, D. (2019). Bi-Objective Optimization of Vendor Managed Inventory Problem in a Mult Echelon Green Supply Chain. Journal of Industrial Management Perspective, 9(3), 109-134. (In Persian)
  21. Ramirez-Marquez, J. E., & Coit, D. W. (2004). A heuristic for solving the redundancy allocation problem for multi-state series-parallel systems. Reliability Engineering & System Safety, 83(3), 341-349.
  22. Sharifi, M., Shahriari, M. R., & Zaretalab, A. (2019). The effects of technical and organizational activities on redundancy allocation problem with choice of selecting redundancy strategies using the memetic algorithm. International Journal of Industrial Mathematics, 11(3), 165-176.
  23. Sharma, V. K., & Agarwal, M. (2009, July). Ant colony optimization approach to heterogeneous redundancy in multi-state systems with multi-state components. In 2009 8th International Conference on Reliability, Maintainability and Safety(pp. 116-121). IEEE.
  24. Tavakkoli-Moghaddam, R., Safari, J., & Sassani, F. (2008). Reliability optimization of series-parallel systems with a choice of redundancy strategies using a genetic algorithm. Reliability Engineering & System Safety, 93(4), 550-556.
  25. Tian, Z., Levitin, G., & Zuo, M. J. (2009). A joint reliability–redundancy optimization approach for multi-state series–parallel systems. Reliability Engineering & System Safety, 94(10), 1568-1576.
  26. Tian, Z., & Zuo, M. J. (2006). Redundancy allocation for multi-state systems using physical programming and genetic algorithms. Reliability Engineering & System Safety, 91(9), 1049-1056.
  27. Tian, Z., Zuo, M. J., & Huang, H. (2008). Reliability-redundancy allocation for multi-state series-parallel systems. IEEE Transactions on Reliability, 57(2), 303-310.
  28. Ushakov, I. A. (1987). Optimal standby problems and a universal generating function. Soviet journal of computer and systems sciences, 25(4), 79-82.
  29. Vaziri, S., Zaretalab, A., Esmaeili, M., & Niaki, S. T. A. (2018). An integrated production and procurement design for a multi-period multi-product manufacturing system with machine assignment and warehouse constraint. Applied Soft Computing, 70, 238-262.
  30. Zaretalab, A., Hajipour, V., Sharifi, M., & Shahriari, M. R. (2015). A knowledge-based archive multi-objective simulated annealing algorithm to optimize series–parallel system with choice of redundancy strategies. Computers & Industrial Engineering, 80, 33-44.
  31. Zuo, M. J., & Tian, Z. (2006). Performance evaluation of generalized multi-state k-out-of-n systems. IEEE Transactions on Reliability, 55(2), 319-327.
آمار
تعداد مشاهده مقاله: 1,895
تعداد دریافت فایل اصل مقاله: 1,308