1403/09/03
علیرضا عیدی

علیرضا عیدی

مرتبه علمی: استاد
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: 54974093700
دانشکده: دانشکده مهندسی
نشانی: سنندج-بلوار پاسداران-دانشگاه کردستان-دانشکده مهندسی-گروه مهندسی صنایع
تلفن: 08733664600-داخلی4347

مشخصات پژوهش

عنوان
مکانیابی مرکز p- هاب متحرک در یک محیط پویا با محدودیت ظرفیت و تخصیص چندگانه
نوع پژوهش
پایان نامه
کلیدواژه‌ها
بهینه سازی چندهدفه، تخصیص چندگانه، مکانیابی هاب متحرک، الگوریتم های فراابتکاری، محیط پویا
سال 1399
پژوهشگران شاهو سعیدی سقز(دانشجو)، علیرضا عیدی(استاد راهنما)

چکیده

هاب ها امکاناتی برای انجام سوئیچینگ، انتقال و مرتب سازی جریان بین گره ها هستند. در مسائل مکانیابی هاب، تاسیسات هاب در جهت برآورده کردن تقاضای گره ها مکانیابی می شوند. زمانی که برقراری ارتباط مستقیم بین همه نقاط شبکه ناممکن و یا پرهزینه است، مسأله مکانیابی هاب مطرح می شود و این تسهیلات با اتصال تعداد زیادی از جفتهای مبدا و مقصد، باعث بهبود و بهینه سازی جریان و انتقال کالا در شبکه می شوند. مدلی که در این تحقیق مورد بررسی و مطالعه قرارگرفته مسأله مکانیابی p- هاب با قابلیت جابجایی و تحرک همراه با محدودیت ظرفیت است. برای تطبیق با تغییرات محیطی حاصل از گذر زمان، مدل از نوع پویا درنظر گرفته شده است. حوزه مورد بررسی در این مطالعه، مکانیابی تسهیلاتی است که زمان پاسخ دهی آنها به تقاضای مشتریان دارای اهمیت و حساسیت بالایی است و در عین حال پارامترهای تاثیرگذار در طول زمان دچار تغییر می شوند. بنابراین هدف اول این مطالعه حداکثر کردن تقاضاهای پاسخ داده شده از طریق کاهش زمان سفر و هدف دوم به حداقل رساندن هزینه ها است؛ درنتیجه سه ویژگی مهم که عبارتند از قابلیت تحرک هاب ها، استفاده از تابع هدف مرکز و تخصیص از نوع چندگانه در این مدل لحاظ شده است. جابجایی و تحرک هاب ها به صورت تجهیزات سیار در دوره های بعد و از طریق زیرساختهای حرکتی ممکن می شود که هزینه های مربوط به آن در مدل منظور شده است. در این تحقیق سعی شده هم از روشهای کلاسیک و هم روشهای هوشمند در مواجه با مدل پیشنهادی چندهدفه استفاده شود. روش Goal programming و دیتاست AP برای اعتبار سنجی و تحلیل حساسیت مدل نسبت به تعداد هابهای فعال در هر دوره و هزینه جابجایی هابها و همچنین روش Goal attainment برای حل مدل در ابعاد کوچک مورد استفاده قرار گرفته است؛ به علاوه روشهای هوشمند NSGA-II و MOPSO برای تقریب جبهه پارتویی مدل در ابعاد کوچک و بزرگ گسترش و استفاده شده اند. همزمان یک الگوریتم جستجوی محلی جهت محاسبه مقادیر بهینه متغیرهای تصمیم مدل، طراحی و در درون الگوریتمهای فراابتکاری بکار رفته است. پارامترها در الگوریتمهای هوشمند با استفاده از روش تاگوچی تنظیم شده است. در نهایت نتایج حاصل از روشهای حل کلاسیک و هوشمند، بر اساس پنج معیار ارزیابی مختلف بررسی و با یکدیگر مقایسه می شوند. نتایج مقایسات برتری روش Goal attainment را نسبت به NSGA-II و MOPSO و همچنین برتری NSGA-II را نسبت به MOPSO نشان می دهد