MÔ HÌNH TỐI ƯU ĐIỀU ĐỘ JOB-SHOP LINH HOẠT  KẾT HỢP HOẠCH ĐỊNH NGUỒN LỰC THUÊ NGOÀI

Nguyễn Hồng Phúc; Lê Thị Thanh Hương; Nguyễn Thúy Vi; Tiền Tú Trinh

doi:10.34238/tnu-jst.14459

MÔ HÌNH TỐI ƯU ĐIỀU ĐỘ JOB-SHOP LINH HOẠT KẾT HỢP HOẠCH ĐỊNH NGUỒN LỰC THUÊ NGOÀI

Thông tin bài báo

Ngày nhận bài: 06/01/26 Ngày hoàn thiện: 03/02/26 Ngày đăng: 08/02/26

Các tác giả

1. Nguyễn Hồng Phúc , Trường Bách Khoa - Đại học Cần Thơ
2. Lê Thị Thanh Hương, Trường Bách Khoa - Đại học Cần Thơ
3. Nguyễn Thúy Vi, Trường Bách Khoa - Đại học Cần Thơ
4. Tiền Tú Trinh, Trường Bách Khoa - Đại học Cần Thơ

Tóm tắt

Trong bối cảnh xuất hiện các đơn đặt hàng “lớn’ và “gấp” tại một số thời điểm nhất định trong năm cùng với xu hướng chỉ đặt hàng khi nhu cầu trở nên rõ ràng hơn đã tạo ra một thách thức lớn về chi phí duy trì cho các doanh nghiệp sản xuất theo đơn đặt hàng, đặc biệt là trong môi trường làm việc job-shop. Nghiên cứu này đã đề xuất một mô hình toán tối ưu cho bài toán flexible job-shop, xem xét đồng thời hai vấn đề về lập lịch trình và phối hợp sử dụng các nguồn lực nội bộ tiêu chuẩn, tăng ca, thuê ngoài hợp lý. Với mục tiêu tối thiểu hóa tổng chi phí bao gồm chi phí sử dụng nguồn lực và chi phí phạt do trễ hạn, mô hình đề xuất tạo ra lịch trình sản xuất hiệu quả hơn đáng kể về chi phí và giảm mức độ trễ hạn so với các phương pháp điều độ heuristic truyền thống. Kết quả cho thấy tính hiệu quả của cách tiếp cận tối ưu hóa tích hợp trong việc hỗ trợ ra quyết định đồng thời về lập lịch sản xuất và lựa chọn nguồn lực. Qua đó, nghiên cứu đóng góp một mô hình cho bài toán điều độ job-shop linh hoạt trong bối cảnh nhu cầu tăng đột biến, phản ánh các ràng buộc và đánh đổi chi phí trong vận hành thực tế.

Từ khóa

Lập lịch job-shop; Giải thuật di truyền; Phối hợp nguồn lực; Thuê ngoài; Tăng ca

Toàn văn:

PDF

Tài liệu tham khảo

[1] J. Flyckt, T. Gorschek, D. Mendez, and N. Lavesson, “Identifying key AI challenges in make-to-order manufacturing organisations: A multiple case study,” Journal of Systems and Software, vol. 230, 2025, doi: 10.1016/j.jss.2025.112559.

[2] M. Liu, Z. Ding, X. Zhang, L. Ling, and M. Ge, “Multi-action deep reinforcement learning-based collaborative production dynamic scheduling approach for networked multi-factory under mass customization,” Engineering Applications of Artificial Intelligence, vol. 157, 2025, Art. no. 111187, doi: 10.1016/j.engappai.2025.111187.

[3] R. Dou, G. Nan, Y. Pan, and X. Liu, “Balancing privacy considerations and customization preferences for consumer: LLMs adoption and coordination strategies in supply chains,” International Journal of Production Economics, vol. 292, 2025, Art. no. 109827, doi: 10.1016/j.ijpe.2025.109827.

[4] A. Rokoss, M. Syberg, L. Tomidei, C. Hülsing, J. Deuse, and M. Schmidt, “Case study on delivery time determination using a machine learning approach in small batch production companies,” Journal of Intelligent Manufacturing, vol. 35, no. 8, pp. 3937-3958, 2024.

[5] H. Zou, K. Wang, Z. Hou, Y. Li, J. Guo, and L. Gao, “A reinforcement learning-improved genetic algorithm for order reorganization-driven energy-efficient flexible job-shop hybrid batch scheduling towards mass personalized manufacturing,” Computers & Operations Research, vol. 185, 2026, doi: 10.1016/j.cor.2025.107304.

[6] F. Farjallah, H. E. Nouri, and O. B. Driss, “Multi-agent model-based intensification-driven tabu search for solving the dual-resource constrained flexible job shop scheduling,” Journal of Information and Telecommunication, vol. 9, no. 3, pp. 295-316, 2025, doi: 10.1080/24751839.2024.2425478.

[7] K. Shanker and Y.-J. J. Tzen, “A loading and dispatching problem in a random flexible manufacturing system,” International Journal of Production Research, vol. 23, no. 3, pp. 579-595, 1985, doi: 10.1080/00207548508904730.

[8] K. Z. Gao, P. N. Suganthan, M. F. Tasgetiren, Q. K. Pan, and Q. Q. Sun, "Effective ensembles of heuristics for scheduling flexible job shop problem with new job insertion," Computers & Industrial Engineering, vol. 90, pp. 107-117, 2015, doi: 10.1016/j.cie.2015.09.005.

[9] M. T. Le, T. M. A. Truong, and V. H. Nguyen, "An improved hybrid metaheuristics and rule-based approach for flexible job-shop scheduling subject to machine breakdowns," Engineering Optimization, vol. 55, no. 9, pp. 1535-1555, 2023, doi: 10.1080/0305215X.2022.2098283.

[10] X. Li, X. Guo, H. Tang, R. Wu, L. Wang, S. Pang, Z. Liu, W. Xu, and X. Li, “Survey of integrated flexible job shop scheduling problems,” Computers & Industrial Engineering, vol. 174, 2022, doi: 10.1016/j.cie.2022.108786.

[11] F. T. S. Chan, T. C. Wong, and L. Y. Chan, "Flexible job-shop scheduling problem under resource constraints," International Journal of Production Research, vol. 44, no. 11, pp. 2071-2089, 2006, doi: 10.1080/00207540500386012.

[12] W. Novarika, S. Sinaga, and S. Prayogi, "Reducing operational costs in a manufacturing system that incorporates quality assurances, probabilistic failures, overtime and outsourcing," Eastern-European Journal of Enterprise Technologies, vol. 4, pp. 19-30, 2024, doi: 10.15587/1729-4061.2024.306083.

[13] G. Zhang, L. Gao, and Y. Shi, “An effective genetic algorithm for the flexible job-shop scheduling problem,” Expert Systems with Applications, vol. 38, no. 4, pp. 3563-3573, 2011.

[14] J. H. Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. MIT Press, 1992.

[15] A. Lipowski and D. Lipowska, “Roulette-wheel selection via stochastic acceptance,” Physica A: Statistical Mechanics and its Applications, vol. 391, no. 6, pp. 2193-2196, 2012.

[16] H. Chiroma, S. Abdulkareem, A. Abubakar, A. Zeki, A. Gital, and M. Usman, “Correlation Study of Genetic Algorithm Operators: Crossover and Mutation Probabilities,” in International Symposium on Mathematical Sciences and Computing Research, 2013, pp. 39 - 43.

[17] V. P. Patil and D. D. Pawar, “The optimal crossover or mutation rates in genetic algorithm: A review,” International Journal of Applied Engineering and Technology, vol. 5, no. 3, pp. 38–41, 2015.

DOI: https://doi.org/10.34238/tnu-jst.14459

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ