ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

تلفیق شبیه سازی چند عاملی و یادگیری تقویت شده برای بهینه سازی لجستیک حمل و نقل درون کارخانه ای

سال انتشار: 1398
کد COI مقاله: IIEC16_165
زبان مقاله: فارسیمشاهده این مقاله: 360
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تلفیق شبیه سازی چند عاملی و یادگیری تقویت شده برای بهینه سازی لجستیک حمل و نقل درون کارخانه ای

پگاه شایانی مهر - دانشجوی کارشناسی ارشد، دانشکده فنی، دانشگاه خوارزمی؛
حمیدرضا ایزدبخش - گروه مهندسی صنایع، دانشکده فنی، دانشگاه خوارزمی؛
احمد مرتضوی - کارشناسی ارشد ، دانشگاه خوارزمی

چکیده مقاله:

هدف حمل و نقل، انتقال مواد از نقطه ای به نقطه دیگر، حذف برگشت به عقب، انتخاب کوتاه ترین مسیر و حداقل کردن حمل و نقلهای زاید و اتلاف وقت میباشد. اهمیت حمل و نقل مواد در کارخانه شامل، هزینه های تولید و هزینه های حمل ونقل می باشد، زمان تولید محصول در جریان حمل و نقل مصرف می شود و بهبود حمل و نقل در کارخانه می تواند تا حدود زیادی از هزینه های حمل و نقل را کاهش دهد. در این تحقیق سعی تلاش شده ا ست که تداخلات جرثقیلها بررسی کرده و راه حلهایی ارائه داده شود تا میزان تولید به حداکثر ظرفیت بر سد. مشکلاتی که در این زمینه وجود دارد عبارت ا ست از، تعمیرات نسبتا3 زیاد جرثقیلهای سقفی که هزینه کلانی در بر دارد و همچنین کاهش مدت انتظار در هنگام این تداخل ها می با شد. در این را ستا با ا ستفاده از بهینه سازی سازی مبتنی بر شبیه سازی مدلهای عامل بنیان مدل فرایند ذوب را در میحط نرم افزار AnyLogic پیادهسازی و سپس با الگوریتم یادگیری تقویتی بهترین مسیر برای مدل بررسی شده ا ست. نتایج حا صل از روش پیشنهادی بر روی مدل کارخانه ذوب مس بهترین مسیر مربوط به مسیری، از کوره ریورب 21 به جرثقیل 1 و سپس از جرثقیل 1 به کوره کنورتر 32 و سپس از کوره کنورتر 3 به جرثقیل 2 و در نهایت از جرثقیل 2 به کوره آند 13 میباشد. در نهایت با استفاده از تحلیل آماری دو مدل شبیه سازی شده و بهینه سازی شده برای میزان خروجی محصول کنورتر مقایسه میشود.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا IIEC16_165 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1034851/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
شایانی مهر، پگاه و ایزدبخش، حمیدرضا و مرتضوی، احمد،1398،تلفیق شبیه سازی چند عاملی و یادگیری تقویت شده برای بهینه سازی لجستیک حمل و نقل درون کارخانه ای،شانزدهمین کنفرانس بین المللی مهندسی صنایع،تهران،https://civilica.com/doc/1034851

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398، شایانی مهر، پگاه؛ حمیدرضا ایزدبخش و احمد مرتضوی)
برای بار دوم به بعد: (1398، شایانی مهر؛ ایزدبخش و مرتضوی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 11,657
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی