جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه mopso algorithm در نشریات گروه علوم انسانی
mopso algorithm
در نشریات گروه مدیریت
تکرار جستجوی کلیدواژه mopso algorithm در مقالات مجلات علمی
-
آلایندگی بر اثر دفن زیست توده ها، امکان تولید انرژی پاک از زیست توده ها و تقاضای زیاد برای دریافت انرژی، بهینه سازی شبکه زنجیره تامین زیست توده را مهم و ضروری ساخته است. هدف این مقاله، بهینه سازی شبکه زنجیره تامین زیست توده در چهار سطح به منظور کاهش هزینه های اقتصادی و زیست محیطی است. مهم ترین شکاف پژوهشی برطرف شده در این مقاله، تعیین خروجیهای مطلوب و نامطلوب زیست توده ها در مراکز تفکیک سازی و در نظرگرفتن حالت چند دوره ای، چندمحصولی با وسایل حمل و نقل ناهمگن است. مدل پژوهش، دو هدفه برنامهریزی خطی عدد صحیح مختلط با عدم قطعیت و اختلال است بدین منظور چهار سناریو، طراحی گردید. مدل با روش الگوریتم ژنتیک و MOPSO و با نرم افزار پایتون حل گردید.اعتبارسنجی مدل، در یک مورد مطالعه ای واقعی در استان فارس بررسی شده است. مدل پیشنهادی توانسته است پایداری و تاب آوری را همزمان، پیاده سازی نماید که موجب کاهش هزینه ها، کاهش انتشار کربن و افزایش تجاری شدن تولید انرژی از زیست توده ها شده است از اینرو سبب افزایش تمایل سرمایه گذاران به سرمایه گذاری در این شبکه از زنجیره تامین میشود مدل پیشنهادی میزان تولید انرژی را 1/2 درصد نسبت به زمانی که خروجیهای مطلوب و نامطلوب در نظر گرفته نشوند کمتر تشان می دهد یعنی به واقعیت بسیار نزدیکتر می کند. با انجام تحلیل حساسیت بر روی داده های واقعی، کارایی مدل اثبات گردید.کلید واژگان: الگوریتم ژنتیک، الگوریتم MOPSO، خروجیهای مطلوب و نامطلوب، شبکه زنجیره تامین زیست توده Pollution due to biomass burial, the possibility of producing clean energy from biomass and the high demand for energy have made the optimization of the biomass supply chain network important and necessary. The purpose of this article is to optimize biomass supply chain network at four levels in order to reduce economic and environmental costs. The most important gap in research, resolved in this article, is the determination of the desirable and undesirable outputs of the masses in the centers. Separating and considering the multi-period, multi-product mode with heterogeneous transport means. The research model is a two-objective linear programming of a correct number mixed with uncertainty and disturbance, four scenarios were designed for this purpose. The model was solved with genetic algorithm and MOPSO method and with Python software. Validation of the model was investigated in a real case study in Fars province has been The proposed model has been able to implement sustainability and resilience at the same time, which has reduced costs, reduced carbon emissions, and increased the commercialization of energy production from biomass, thus increasing the willingness of investors to invest in this network. It is supplied from the supply chain. The proposed model makes the amount of energy production 2.1% lower than when the favorable and unfavorable outputs are not considered, which means it is much closer to reality. By performing sensitivity analysis on real data, the efficiency of the model was provedKeywords: biomass supply chain network, desirable, undesirable outputs, genetic algorithm, MOPSO algorithm
-
از اهداف مهم هر پروژه زمان، هزینه و کیفیت می باشند. امروزه، ذی نفعان هر پروژه به دنبال کاهش هزینه های کل پروژه همزمان با کاهش زمان و افزایش کیفیت پروژه می باشند. این مسئله پژوهشگران را به سوی توسعه مدل هایی که عامل کیفیت را به مدل های قبلی موازنه هزینه -زمان می افزاید، هدایت می کند. در این مقاله یک مدل موازنه زمان - هزینه - کیفیت با سه تابع هدف، کمینه کردن زمان ختم پروژه، کمینه کردن هزینه کل پروژه و بیشینه کردن کیفیت کل انجام فعالیت ها در یک شبکه PERT با فعالیت های چند حالته مورد بررسی قرار گرفت. بعد از ارایه مدل ریاضی مناسب، بر اساس یک طرح آزمایش برای سطوح ممکن هر متغیر تصمیم تعیین گردید. سپس با استفاده از فرایند شبیه سازی، مقادیر تصادفی متغیرهای تصمیم و متغیرهای پاسخ در هر بار اجرا حاصل و با به کارگیری شبکه های عصبی، یک مدل شبکه عصبی برقرار گردید. برای حل این مدل، از آنجا که مسئله مورد نظر در مقوله NP-hard قرار می گیرد، از دو الگوریتم NSGA-II و MOPSO استفاده گردید. برای ارزیابی کارایی مدل، مسایل مورد نظر در یک شبکه PERT با مقیاس های کوچک، متوسط و بزرگ آزمایش شد. پارامترهای این دو الگوریتم فراابتکاری به وسیله روش تاگوچی تنظیم و نتایج به دست آمده بر مبنای پارامترهای تنظیم شده نشان داد که الگوریتم NSGA-II نسبت به MOPSO عملکرد بهتری داردکلید واژگان: الگوریتم MOPSO، الگوریتم NSGA-II، شبکه PERT، شبیه سازی، مدیریت پروژهTime, cost and quality are important goals of any project. Todays, the demand of project stakeholders to reduce total project costs has increased simultaneously time reduction and augment in quality of the project. This leads researchers to develop models that add quality factor to previous models of cost-time balance. In this paper, a time-cost-quality trade -off model with three objective functions includes minimizing project termination, minimizing total project cost and maximizing total quality of activities in a multi-modal PERT network was investigated. After presenting the appropriate mathematical model, a decision was made on the basis of a test plan of possible levels for each variable. Then, using the simulation process, random values of decision variables and response variables were implemented at each time, and we developed a neural network model using artificial neural networks. To solve this model, since the problem is in the NP-hard category, two multi-objective meta-heuristic algorithms NSGA-II and MOPSO were used. To determine the performance of the proposed model, the problem was tested on a small, medium and large-scale PERT network. The parameters of these two meta-heuristic algorithms were adjusted by Taguchi method and the results were based on the parameters set showed that the NSGA-II algorithm performs better than the MOPSO algorithm.Keywords: MOPSO Algorithm, NSGA-II algorithm, PERT network, Simulation, Project Management
-
در این مقاله یک مسئله زمانبندی پروژه با تابع چند هدفه با ملاحظه محدودیت منابع با جریان های نقدی مثبت و منفی ارائه شده است. اهداف مقاله حداکثر کردن ارزش خالص فعلی و حداقل نمودن زمان اتمام پروژه می باشد و از آن جا که این مساله از جمله مسائل بهینه سازی پیچیده در خانواده مسائل NP-hard محسوب می شود، یک مدل ریاضی برای مسئله مورد نظر ارایه و جهت حل مدل پیشنهادی از سه الگوریتم های NSGA-II، MOSA وMOPSO برای پیدا کردن مجموعه ای از راه حل های پارتو برای مسئله زمانبندی چند هدفه استفاده شده است. برای نشان دادن عملکرد الگوریتم ها، شاخص های مقایسه ای مختلف برای مقایسه بین الگوریتم ها در نظر گرفته شده است. نتایج محاسباتی برای مجموعه ای از مسائل زمانبندی پروژه پالایشگاه میعانات گازی بندر عباس و کتابخانه ای ارائه شده و مورد بررسی قرار گرفته است. در نهایت، نتایج محاسباتی عملکرد برتر NSGA-II، را نسبت به الگوریتم MOSA و MOPSO را با توجه به معیارهای ارائه شده نشان داده است. به منظور حل روش پیشنهادی جواب های بدست آمده از الگوریتم پیشنهادی NSGA-II با جواب های دقیق از نرم افزار GAMS در بعضی از مسائل مقایسه شده که نتایج نشان می دهد روش ارائه شده الگوریتم پیشنهادی کارا و همگرا به جواب بهینه می باشد.
کلید واژگان: زمانبندی پروژه، الگوهای پرداخت هزینه، الگوریتم های NSGA، II، MOSA و MOPSO، شاخص های مقایسه ایالگوریتم های تکاملیThis paper presents a multi-objective resource-constrained project scheduling problem with positive and negative cash flows. The net present value (NPV) maximization and making span minimization are this study objectives. And since this problem is considered as complex optimization in NP-Hard context، we present a mathematical model for the given problem and solve three evolutionary algorithms; NSGA-II، MOSA and MOPSO are applied to find the set of Pareto solutions for this multi-objective scheduling problem. In order to show performance of the algorithms، different metrics are applied and comparisons between the two algorithms are also considered. The computational results for a set of test problems taken from the project scheduling problem Bandar Abbas Gas condensate Refinery project and library are presented and discussed. Finally، the computational results illustrate the superior performance of the NSGA-II، MOSA and MOPSO algorithm with regard to the proposed metrics. In order to solve proposed method from NSGA-II algorithm، the results are compared with GAMS software in some problems. The proposed method is a Converge to the optimum and efficient solution algorithm.Keywords: Comparative indicators of evolutionary algorithms, MOSA, MOPSO algorithm, NSGA, II, Payment patterns, Project scheduling, Resource constraints -
در این پژوهش به بررسی مسئلهی یکپارچه منبع یابی و سیاست موجودی پرداخته ایم. در بازار رقابتی امروز، منبع یابی از مهم ترین مسائل تصمیم گیری راهبردی سازمان ها است. بسیاری از سازمان ها حجم عظیمی از سرمایه خود را در قالب موجودی نگهداری می کنند؛ بنابراین تصمیمات تاکتیکی کنترل موجودی و انتخاب سیاست بهینه موجودی تاثیر بسیاری بر هزینه آن ها خواهد داشت. تاکنون تحقیقات کمی در حوزه یکپارچه سازی منبع یابی و سیاست موجودی صورت گرفته است. در مسائل واقعی محاسبه دقیق هزینه کمبود موجودی کاری دشوار است. برای رفع این مشکل در این پژوهش، تعداد کمبود به عنوان هدفی مجزا در نظر گرفته شد. ازآنجاکه تقاضای کارخانه ها و زمان تحویل احتمالی هستند، با روش های معمول نمی توان تابع هدف را محاسبه کرد؛ بنابراین برای تخمین مقدار تابع هدف، از شبیه سازی استفاده کردیم. مسئله مطرح شده در این پژوهش از نوع NP-Hard است؛ بنابراین برای یافتن جواب بهینه مسئله از روش های فراابتکاری چندهدفه NSGA-II و MOPSO استفاده کردیم. برای آزمون مدل و الگوریتم ارائه شده، شش مسئله آزمایشی از کوچک تا بزرگ طراحی کردیم و سپس کیفیت تخمین های پارتوی به دست آمده از دو الگوریتم را توسط شش معیار مورد ارزیابی قراردادیم. نتایج نشان دادند که جواب های تولیدشده توسط الگوریتم NSGA-II از کیفیت بیشتری برخوردارند.کلید واژگان: منبع یابی، سیاست کنترل موجودی، بهینه سازی چندهدفه، بهینه سازی شبیه سازی، الگوریتم NSGA، II، الگوریتم MOPSOIn today's competitive market, sourcing is one of the most important strategic decisions of organizations. This problem by considering such factors as transportation, quality and production capacity, selects suppliers for long-term cooperation. Inventory control tactical decisions and selection of optimal inventory policy have a great impact on the cost because many organizations have a tremendous amount of capital in the form of inventory. So far, little research has been done in the area of integrated sourcing and inventory policy and systematic approach to this issue has not yet been considered. In this study, we sought to fill this research gap. In real world problems, it is difficult to calculate the exact cost of inventory shortages. To resolve this problem, shortage number was considered as a separate goal. Also, due to the probabilistic nature of the demand of plants, the objective functions cannot be calculated with conventional methods, so simulation was used to estimate the fitness of objective functions. The issue raised in this study is NP-Hard, so multi-objective meta-heuristics were used for finding the optimum solutions. Then six test problems were developed from small to large. The quality of the Pareto approximation obtained from the NSGA-II and MOPSO algorithms were evaluated by six criteria. Results showed that the solutions generated by the NSGA-II algorithm, the higher the quality.Keywords: Sourcing, Inventory Control Policy, Multi-Objective Optimization, Simulation Optimization, NSGA-II Algorithm, MOPSO Algorithm
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.