Parallel machine scheduling with position-based deterioration and learning effects in an uncertain manufacturing system

Li, Kai; Chen, Jianfu; Fu, Hong; Jia, Zhaohong; Wu, Jun

doi:10.1016/j.cie.2020.106858

Cited by 17 publications

(6 citation statements)

References 68 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The fuzzy approach is employed in 2.2% of the articles to model the job processing time. The single machine configuration appears in the majority of contributions [32][33][34][35], followed by the parallel machine configuration [36][37][38][39][40].…”

Section: System Configurationmentioning

confidence: 99%

Taxonomy of Scheduling Problems with Learning and Deterioration Effects

2022

View full text Add to dashboard Cite

In traditional scheduling problems, job processing times are considered constant and known in advance. This assumption is, however, a simplification when it comes to hand-intensive real-life production contexts because workers usually induce variability in the job processing times due to several factors such as learning, monotony, fatigue, psychological factors, etc. These effects can decrease or increase the actual processing time when workers execute a job. The academic literature has reported several modeling and resolution approaches to deal with the phenomenon in a variety of configurations. However, there is no comprehensive review of these research outputs to the best of our knowledge. In this paper, we follow a systematic approach to review relevant contributions addressing the scheduling problem with learning and deterioration effects. Modeling approaches for learning and deterioration effects, objective functions, and solution methods employed in the literature are the main topics for the taxonomy proposed in this review. A total of 455 papers from 1999 to 2021 are included and analyzed. Different areas of interest are presented, and some opportunities for future research are identified.

show abstract

Section: System Configurationmentioning

confidence: 99%

Taxonomy of Scheduling Problems with Learning and Deterioration Effects

2022

View full text Add to dashboard Cite

show abstract

“…Öğrenme eğrisi teslim tarihlerinin belirlenmesinde optimal iş sıralarının belirlenmesinde yaygın olarak kullanılır. Öğrenme etkisi altında tek makine çizelgeleme [16,24], genel iş bağımlı öğrenme ile makine çizelgeleme [51], pozisyon tabanlı öğrenme ile makine çizelgeleme [17], pozisyon tabanlı öğrenme ile paralel makine çizelgeleme [52], pozisyon tabanlı öğrenme ve risk faktörleri altında makine çizelgeleme [53,54], pozisyon tabanlı bozulma ve öğrenme ile paralel makine çizelgeleme [55], pozisyon bağımlı öğrenme ve enerji sarfiyatı ile ilişkisiz paralel makine çizelgeleme [56], insan öğrenme optimizasyonu ile atölye çizelgeleme [57] ve derin öğrenme kümeleri ile akış çizelgeleme [29,31] örnek olarak verilebilir.…”

Section: Li̇teratür Araştirmasiunclassified

Öğrenme Eğrilerinin Karşılaştırılması

Atıcı

2021

Türk Doğa Ve Fen Dergisi

View full text Add to dashboard Cite

Öz: Şirketlerin iç ve dış süreçlerinde öğrenme eğrisi önemli bir yer tutar. Üretim sektöründe üretim miktarı veya işin tekrar sayısı arttıkça üretim süresi belirli bir oranda azalır. Bu çalışmada farklı öğrenme eğri modelleri için üretim miktarının süre üzerindeki etkisi incelenmiştir. Öğrenme eğrisi modellerinin karşılaştırılmasında kullanılan veriler Matlab 2020b programında düzgün dağılımla rastgele üretilmiştir. Üretilen veri seti, öğrenme eğrisi eşitlikleri ve literatürde önerilen katsayılar kullanılarak üretim için gerekli iş gücü süresi Matlab 2020b yazılımında hesaplanmıştır. Öğrenme eğrisi modelleri için tekrar sayısına bağlı olarak gerekli iş gücü miktarının değişimi araştırılmıştır. İncelenen tüm öğrenme modelleri, üretim miktarının artmasıyla üretim süresinin kısalacağını öngörmüştür. Üretim süresinin belirlenmesinde kullanılacak öğrenme eğrisi modeli üretim işlemine uygun olarak seçilmelidir. Birey ve grup arasında tecrübe aktarımının modellenmesine imkân tanıyan insan öğrenme optimizasyon algoritması iş postaları halinde çalışılan bakım hatlarında üretim süresinin belirlenmesine yönelik büyük bir potansiyele sahiptir.

show abstract

“…Kim and Kim [4] consider single scheduling problems incorporating a ratemodifying activity (RMA) and processing time deterioration rates. For more recent literature involving deterioration, readers can refer to Sánchez-Herrera et al [5]; Wang et al [6]; Ding et al [7]; Zhang et al [8]; Li et al [9]; Soleimani et al [10]; Cheng et al [11]. Wright [12] and Biskup [13] are among the pioneers that brought the topic of learning into the feld of scheduling.…”

Section: Introductionmentioning

confidence: 99%

“…For more recent scheduling papers with learning efect, the readers are suggested to refer to the studies by Yang and Lu [16]; Jiang et al [17]; Rudek [18]; Jiang et al [19]; Wu et al [20]; Bai et al [15]; Li et al [9]; and Li et al [21].…”

Section: Introductionmentioning

confidence: 99%

Single‐Machine Group Scheduling Problems with General Deterioration and Linear Learning Effects

Lei

Sun

2023

Mathematical Problems in Engineering

View full text Add to dashboard Cite

In this paper, we introduce a group scheduling model with deterioration and a general linear learning effect. The group setup time is a linear deterioration function of its starting time. The general learning effect is time-dependent and position-dependent. The objectives are to minimize the makespan, total completion time, and total weighted completion time, respectively. We show the problems remain solvable in polynomial time under the proposed model.

show abstract

Parallel machine scheduling with position-based deterioration and learning effects in an uncertain manufacturing system

Cited by 17 publications

References 68 publications

Taxonomy of Scheduling Problems with Learning and Deterioration Effects

Taxonomy of Scheduling Problems with Learning and Deterioration Effects

Öğrenme Eğrilerinin Karşılaştırılması

Single‐Machine Group Scheduling Problems with General Deterioration and Linear Learning Effects

Contact Info

Product

Resources

About