مدل سازی چندهدفه مسیریابی سبز با استفاده از الگوریتم ترکیبی یادگیری ماشین حداکثری و برنامه ریزی ژنتیک
- سال انتشار: 1402
- محل انتشار: فصلنامه مدیریت زنجیره تامین، دوره: 25، شماره: 81
- کد COI اختصاصی: JR_SCMJ-25-81_002
- زبان مقاله: فارسی
- تعداد مشاهده: 55
نویسندگان
کارشناسی ارشد، دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی امیرکبیر (پلی تکنیک)، تهران، ایران
کارشناسی ارشد، دانشکده فنی و مهندسی، گروه مهندسی صنایع، دانشگاه آزاد واحد علوم تحقیقات، تهران، ایران
دانشیار پژوهشکده فناوری اطلاعات، گروه پژوهشی مدیریت فناوری اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران
استادیار، دانشکده فنی و مهندسی، گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
کارشناسی مهندسی صنایع، دانشگاه هنر و معماری پارس، تهران، ایران
چکیده
حمل و نقل بخش قابل توجهی از تولید ناخالص ملی و مصرف محصولات نفتی هر کشوری را به خود اختصاص می دهد. در کشور ما با توجه به تحریم های سال های اخیر و عدم توسعه ی سامانه های حمل و نقل ریلی، هوایی و دریایی، استفاده از حمل و نقل جاده ای بیشتر شده است. حمل و نقل جاده ای بیشترین نقش را در تولید گازهای گلخانه ای نظیر کربن دی اکسید دارد. بااین حال حمل و نقل یکی از عناصر اصلی لجستیک بوده و مسئله ی مسیریابی وسایل نقلیه با در نظر گرفتن آلودگی از جمله مهم ترین مسائل در این حوزه است. بنابراین در این مقاله با درنظر گرفتن عواملی چون بار وسیله نقلیه، سرعت وسیله نقلیه، پارامترهای آلایندگی وسیله نقلیه نظیر ضریب بهره وری سوخت و موتور، شیب مسیر، تراکم رفت وآمد، سرعت و جهت باد، دمای هوا و جنس آسفالت به بهینه سازی هزینه های ناشی از مصرف سوخت و دستمزد راننده پرداخته شده است. همچنین با درنظر گرفتن تقاضا به صورت احتمالی و سامانه توزیع با جمع آوری و تحویل کالا، یک مدل ریاضی احتمالی عددصحیح آمیخته خطی به منظور کمینه سازی مجموع هزینه های ذکر شده ارائه گردیده است. استفاده از این مدل موجب تخمین دقیق تر هزینه های سامانه شده و منجر به تحلیل و برنامه ریزی بهتر برای سازمان ها می شود. باتوجه به اینکه مسئله ی مطرح شده از نوع مسائل با درجه سختی بالا می باشد، مسئله در ابعاد بزرگ با ترکیب دو الگوریتم فراابتکاری یادگیری ماشین حداکثری و برنامه ریزی ژنتیک حل شده است. با توجه به نتایج حاصل شده از محاسبات، الگوریتم ترکیبی توسعه یافته قابلیت تخمین جواب با دقت مناسبی را دارد و از سرعت عمل بالایی نسبت به الگوریتم های مشابه برخوردار است.کلیدواژه ها
مسیریابی وسایل نقلیه, مدل چند هدفه, جمع آوری و تحویل, تقاضای احتمالی, یادگیری ماشین حداکثریاطلاعات بیشتر در مورد 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.