Management of mass customized orders using flexible schedules to minimize delivery times

• Autorzy: Pandian R. S. , Soltysova Z.

Identyfikatory

DOI

10.17512/pjms.2018.18.1.19

Warianty tytułu

PL

Zarządzanie masowo spersonalizowanymi zamówieniami przy wykorzystaniu elastycznych harmonogramów w celu zmniejszenia czasu dostawy

• Języki publikacji: EN

Abstrakty

EN

The goal of mass customization is to make the products and / or services to satisfy individual customer who makes the order with a specific design for their needs. In real situation it is not so easy deal to meet individual design and to satisfy each customer separately; there is a need to accustom such environment to fulfill the market demand. In such situation, the decision makers are to ensure that they are following flexibility while taking orders and also dispatching them to the customers. One such idea is being developed in this research work. The main aim of this research work is to offer the procedure; flexible mass customization (FLMACUS) to make flexible schedules that meets the customer requirements. A simple heuristics is used to develop the procedure and Gantt charts are used for accommodating the jobs for meeting specific due dates. In this paper batch type Original Equipment Manufacturers (OEMs) are considered for our study purpose. The results from Gantt charts in various categories are depicted. Such types of Gantt charts are hardly found in earlier studies and the results show that this procedure (FLMACUS) is promising in nature to meet customer demands and due dates in a mass customized environment.

PL

Celem masowej personalizacji jest sprawienie, aby produkty i / lub usługi satysfakcjonowały indywidualnego klienta, który dokonuje zamówienia zgodnego z konkretnym projektem odpowiadającego jego potrzebom. W rzeczywistej sytuacji nie jest łatwo znaleźć indywidualny projekt i zadowolić każdego klienta osobno; istnieje potrzeba przystosowania takiego środowiska do zaspokojenia popytu na rynku. W takiej sytuacji decydenci muszą upewnić się, że działają elastycznie przy przyjmowaniu zamówień i wysyłaniu ich do klientów. Taka koncepcja rozwinięta została w niniejszej pracy badawczej. Głównym celem badania jest zaproponowanie procedury; elastyczną masową personalizację (FLMACUS) do tworzenia elastycznych harmonogramów spełniających wymagania klientów. Do opracowania procedury wykorzystano prostą heurystykę, natomiast do dostosowania zadań do spełnienia określonych terminów posłużyły wykresy Gantta. W artykule do celów badawczych wzięto pod uwagę Producentów Oryginalnego Sprzętu (OEM). W kolejnej części artykułu przedstawiono wyniki z wykresów Gantta w różnych kategoriach. Tego typu wykresy Gantta prawie nie występują we wcześniejszych badaniach, a wyniki pokazują, że ta procedura (FLMACUS) ma charakter obiecujący, aby sprostać wymaganiom klientów i terminom w masowo dostosowywanym środowisku.

Słowa kluczowe

EN

makespan; mass customization; scheduling; batch sizing

PL

masowa personalizacja; planowanie; wielkość partii

• Wydawca: Czestochowa University of Technology
• Czasopismo: Polish Journal of Management Studies
• Rocznik: 2018
• Tom: Vol. 18, No. 1
• Strony: 252--261
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Pandian R. S.

• SACS MAVMM Engineering College, India

autor

Soltysova Z.

• Technical University of Kosice, Slovakia

Bibliografia

• 1. Aloulou M.A., Bouzaiene A., Dridi N., Vanderpooten D., 2014, A bicriteria two-machine flow-shop serial-batching scheduling problem with bounded batch size, “Journal of Scheduling”, 17.
• 2. Arroyo J.E., Joseph C., Leung Y.T., 2017, An effective iterated greedy algorithm for scheduling unrelated parallel batch machines with non-identical capacities and unequal ready times, “Computers & Industrial Engineering”, 105.
• 3. Basir S.A., Mazdeh M.M., Namakshenas M., 2018, Bi-level genetic algorithms for a two-stage assembly flow-shop scheduling problem with batch delivery system, “Computers & Industrial Engineering”, 126.
• 4. Beck F.G., Glock C.H., 2016, The impact of batch shipments on the Economic Lot Scheduling Problem, “Computers & Industrial Engineering”, 96.
• 5. Chiu Y.S.P., Lin H.D., Hwang M.H., Pan N., 2011, Computational Optimization of Manufacturing Batch Size and Shipment for an Integrated EPQ Model with Scrap, “American Journal of Computational Mathematics”, 1.
• 6. Dima I.C., Gabrara J., Modrak V., Pachura P., Popescu C., 2010, Using the expert systems in the operational management of production, [In:] 11th WSEAS International Conference on Mathematics and Computers in Business and Economics (MCBE’10), WSEAS Press.
• 7. Dima I.C., Marcincin I.N., Grabara J., Pachura P., Kot S., Man M., 2011, Operational management systems of the production achieved in flexible manufacturing cells, Presov, Slovakia: Techinical University of Kosice.
• 8. Ge M., Wang Q.-G., Chiutt M.-S., Lee T.-H., Hang., Teo K.-H., 1999, A Simple Technique for Batch Process Optimization with Application to Crystallization, [In:] Proceedings of the American Control Conference, San Diego, California.
• 9. Ghobakhloo M., 2018, The future of manufacturing industry: a strategic roadmap toward Industry 4.0, “Journal of Manufacturing Technology Management”, 29(6).
• 10. Hjertqvist E., Östman M., 2017, A simulation based study on how equally sized batchesaffect production planning Conducted for Volvo Group Trucks Operations in Umeå, Master Thesis, Master of Science in Industrial Engineering and Management, Sweden.
• 11. Hulett M., Damodaran P., Amouie M., 2017, Scheduling non-identical parallel batch processing machines to minimize total weighted tardiness using particle swarm optimization, “Computers & Industrial Engineering”, 113.
• 12. Koole G., Righter R., 2001, Stochastic Batching and Scheduling Problem, “Probability in the Engineering and Informational Sciences”, 15(4).
• 13. Laha D., Gupta J.N.D., 2018, An improved cuckoo search algorithm for scheduling jobs on identical parallel machines, “Computers & Industrial Engineering”, 126.
• 14. Li X., Ishii H., Chen M., 2012, Batch scheduling problem with due-date and fuzzy precedence relation, “Kybernetika”, 48(2).
• 15. Łęgowik-Świącik S., 2015, Evaluation of Of Decision-Making Processes With Reference To Cost Information Management, “Polish Journal of Management Studies", 11(2).
• 16. Man M., Modrak V., Grabara J.K., 2011, Marginal cost of industrial production, “Polish Journal of Management Studies”, 3.
• 17. Modrak V., Mandulak J., 2009, Mapping Development of MES Functionalities, [In:] ICINCO-SPSMC.
• 18. Modrak V., Pandian R.S., 2010, Flow shop scheduling algorithm to minimize completion time for n-jobs m-machines problem, “Tehnicki Vjesnik-Technical Gazette”, 17(3).
• 19. Modrak V., Pandian R.S., 2011, Operations Management Research and Cellular Manufacturing Systems: Innovative Methods and Approaches, IGI Global, PA.
• 20. Modrak V., Pandian R.S., Soltysova Z., Semanco P., 2018, Scheduling heuristic to satisfy due dates of the customer orders in mass customized municipal services, Mobility IoT, Portugal.
• 21. Sarker R., Newton C., 2000, Determination of Optimal Batch Size for a Manufacturing System, Determination of Optimal Batch Size for a Manufacturing System, [In:] Yang X., Mees A.I., Fisher M., Jennings L., (eds), Progress in Optimization. Applied Optimization, vol. 39, Springer, Boston, MA.
• 22. Semančo P., Modrak V., 2012, A comparison of constructive heuristics with the objective of minimizing makespan in the flow-shop scheduling problem, “Acta Polytechnica Hungarica”, 9(5).
• 23. Szegedi Z., Gabriel M., Papp I., 2017, Green Supply Chain Awareness in the Hungarian Automotive Industry, “Polish Journal of Management Studies”, 16(1).
• 24. Ślusarczyk B., 2018, Industry 4.0 - Are we ready? “Polish Journal of Management Studies”, 17(1).
• 25. Terekhov D., Down D.G., Beck J.C., 2014, Queueing-theoretic approaches for dynamic scheduling: A survey, “Surveys in Operations Research and Management Science”, 19(2).

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).