مدل سازی عامل بنیان سیستم پایش برخط توزیع دارو با رویکرد یادگیری تقویتی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 87

فایل این مقاله در 37 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_INDU-13-3_009

تاریخ نمایه سازی: 3 بهمن 1402

چکیده مقاله:

افزایش سود عملیاتی، چالشی است که شرکت های پخش دارو با آن مواجه هستند. اغلب پژوهش های انجام شده در این حوزه، دارای رویکرد کاهش هزینه می باشند. سامانه پایش برخط، یکی از روش های اثربخشی است که می تواند برای تصمیم گیری مدیران و بهبود عملکرد زنجیره توزیع دارو با رویکرد کاهش هزینه ها و افزایش درآمدها، مورد استفاده قرار گیرد. برای ایجاد این سامانه، نیاز به مدل سازی مفهومی، ریاضی و رایانه ای است. هدف این پژوهش، توسعه مدل ریاضی عامل­بنیان سیستم پایش برخط برای بهبود نظام توزیع دارو بر اساس مدل مفهومی با استفاده از رویکرد یاد گیری تقویتی است. مدل ریاضی بر اساس مدل مفهومی عامل­بنیان و با استفاده از رویکرد یادگیری تقویتی چندعاملی استخراج شد. پس از استخراج مدل ریاضی، اثربخشی مدل با مقایسه نتایج حاصل از خروجی مدل ریاضی و نتایج واقعی در یک شرکت پخش دارو، صحه گذاری شد. یافته های پژوهش نشان داد که مدل ریاضی توسعه یافته، با توجه به تعاملات و تغییر رفتار عامل ها و وضعیت محیط، قابلیت بهبود مستمر اهداف، تصمیم گیری ها و عملکرد فرایندهای زنجیره توزیع دارو را دارد.

نویسندگان

رامین کنگرلو حقیقی

دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت صنعتی، فناوری اطلاعات و تکنولوژی، دانشکده مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

عباس طلوعی اشلقی

استاد گروه مدیریت صنعتی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

محمدرضا معتدل

استادیار، گروه مدیریت صنعتی، فناوری اطلاعات و تکنولوژی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abbasi Siar, S., Hashemighohar, M. & Feyzi, A. (۲۰۲۲). Agent-based ...
  • Arel, L., Urbanik, T., & Kohls, A.G. (۲۰۱۰). Reinforcement Learning-based ...
  • Asghari Oskoei, M.R., Fallahi, F., Doostizadeh, M., & Moshiri, S. ...
  • Baohong, G., Zhiming, W., Weichun, Ge., Chenggang, W., Shuyang, Li.& ...
  • Bonabeau, E. (۲۰۲۳). Agent-Based Modeling: Methods and Techniques for simulation ...
  • Cenani, S. (۲۰۲۱). Emergency and Complexity in Agent-Based Modeling: Review ...
  • Edrisi, A., Bagherzadeh Chehreh, K. & Nadi, A. (۲۰۱۷). Presenting ...
  • Eskandar, F., Radfar, R. & Toloi, A. (۲۰۱۹). A Simulation ...
  • Gioiosa, , Kestor, G. & Kerbyson, D.J. (۲۰۱۴). Online Monitoring ...
  • Hajibabaie, M., & Behnamian, J. (۲۰۲۱). Stochastic Bilevel programing Design ...
  • Jafari, T., Zarei, A., Azar, A. & Moghadam, A.R. (۲۰۲۲). ...
  • Nikanjam, A., Abdoos, M., & Mahdavi Moghadam, M. (۲۰۲۱). Environments ...
  • Sepehrnia, S., & Azimi, B. (۲۰۱۶). Investigate instant and online ...
  • Wano, F., Tatebe, N., Tajima, Y., Nakata, M., Kovacs, T. ...
  • Zhang, Z., & Wang, D. (۲۰۱۸). EAQR: A Multiagent Q-learning ...
  • نمایش کامل مراجع