1403/01/10
جمال ارکات

جمال ارکات

مرتبه علمی: استاد
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: 55912953100
دانشکده: دانشکده مهندسی
نشانی: سنندج، دانشگاه کردستان، دانشکده مهندسی، گروه مهندسی صنایع
تلفن: 08733660073

مشخصات پژوهش

عنوان
مسأله مکان یابی شبکه ای برای تسهیلات پرازدحام با مشتریان کم حوصله
نوع پژوهش
پایان نامه
کلیدواژه‌ها
مکان یابی شبکه ای، تسهیلات پرازدحام، مشتریان کم حوصله، سیستم های صف فوق مکعبی، شبیه سازی-بهینه سازی
سال 1392
پژوهشگران شکوفه زمانی(دانشجو)، جمال ارکات(استاد راهنما)، فردین احمدی زر(استاد مشاور)

چکیده

مسائل مکان یابی شبکه ای به بحث پیرامون تعیین مکان استقرار تسهیلات در شبکه ای از گره ها و کمان ها می پردازند. در این دسته از مسائل، فواصل بین نقاط از طریق کوتاهترین مسیر ممکن بین گره ها تعیین می شود. در این تحقیق، با در نظر گرفتن مشتریان کم حوصله، مسأله مکان یابی شبکه ای برای تسهیلات مستعد ازدحام بررسی می گردد. در چنین تسهیلاتی، زمان های خدمت دهی در مقایسه با فواصل زمانی بین ورود مشتریان متوالی محسوس است بنابراین در اغلب مواقع، صفی از مشتریان در محل تسهیل تشکیل می شود. در بسیاری از سیستم های خدمت دهی دنیای واقعی، بخشی از مشتریان به دلیل بی حوصلگی ناشی از ازدحام، از دریافت خدمت منصرف می گردند. بی حوصلگی زمانی اتفاق می افتد که زمان انتظار در صف و یا به عبارتی طول صف انتظار به طور نامطلوبی طولانی شود. در چنین وضعیتی مشتری بی حوصله، با دیدن صف انتظار طولانی، تمایلی به ورود یا ماندن در صف انتظار از خود نشان نمی دهد. این مسأله موجب از دست رفتن بخشی از تقاضا خواهد شد. در نظر گرفتن تقاضای از دست رفته می تواند به واقعی و کاراتر شدن مدل های ریاضی مکان یابی، کمک شایانی نماید. در این تحقیق فرض می شود که هر مشتری به نزدیک ترین تسهیل مراجعه می کند و در صورتی که در این تسهیل با طول صفی بیش از آستانه تحملش رو به رو شود، برای دریافت خدمت منتظر نمانده و به نزدیک ترین تسهیل به تسهیل فعلی مراجعه می نماید. اگر طول صف انتظار در تسهیل دوم نیز بیش از آستانه تحمل مشتری باشد، مشتری به طور کلی از دریافت خدمت صرف نظر می کند. انصراف مشتری از دریافت خدمت به معنی خروج وی از سیستم و از دست رفتن تقاضا تلقی می شود. یک مدل برنامه ریزی عدد صحیح آمیخته با تابع هدف کمینه کردن مجموع تقاضاهای از دست رفته ناشی از ازدحام در تسهیلات برای این مسأله توسعه داده می شود. سپس به منظور اعتبارسنجی مدل ارائه شده، تعدادی مثال عددی در ابعاد کوچک توسط نرم افزار بهینه ساز GAMS حل و تحلیل می شوند. در ادامه با توجه به پیچیدگی مسأله مورد مطالعه، یک الگوریتم ژنتیک مبتنی بر شبیه سازی-بهینه سازی به منظور حل مسائل با ابعاد متوسط و بزرگ توسعه داده می شود.