ترجمه مقاله نقش ضروری ارتباطات 6G با چشم انداز صنعت 4.0
- مبلغ: ۸۶,۰۰۰ تومان
ترجمه مقاله پایداری توسعه شهری، تعدیل ساختار صنعتی و کارایی کاربری زمین
- مبلغ: ۹۱,۰۰۰ تومان
Finding a practical solution for the allocation of resources in ready-mixed concrete (RMC) is a challenging issue. In the literature, heuristic methods have been mostly used for solving the RMC problem. The introduced methods are intended to find a solution in one stage but the amount of infeasible allocations in their initial solutions is their main challenge, as these infeasible solutions need postprocessing efforts. This paper introduces a sequential heuristic method that can solve RMC problems in two separate stages without any need for postprocessing. It was found that the depot-allocation problem is more complicated than truck allocation and the combination of these two subproblems threatens the efficiency of the solution. Another contribution of this paper is proposing a new formulation for minimizing the number of trucks. A genetic algorithm (GA) has been selected for implementing the proposed idea and for evaluating the large-scale data-set model. The data set covers an active RMC for a period of 1 month. The comprehensive tests show that sequential GA is more robust than traditional GA when it converges 10 times faster with achieved solution at 30% less cost.
یافتن راه حل عملی برای تخصیص منابع در RCM یک موضوع چالش برانگیز می باشد . روش های ابتکاری در ادبیات موضوع عمدتا برای حل مشکل RMC استفاده شده اند . روش های معرفی شده مورد نظر هستند تا راه حلی را برای یک مرحله بیابند اما مقدار تخصیص های غیر ممکن در راه حل های ابتدایی اشان عبارتست از چالش اصلی اشان چون این راه حل های غیر ممکن به تلاش های بعد از پردازش نیاز دارند . این مقاله یک روش ابتکاری متوالی را ارایه می کند که می تواند مشکلات RMC را در دو مرحله مجزاء بدون نیاز به پس پردازش حل کند . مقاله نشان داد که مشکل تخصیص انبار نسبت به تخصیص کامیون پیچیده تر می باشد و ترکیب این مشکل فرعی باعث به خطر افتادن کارامدی راه حل می گردد . این مقاله یک سهم دیگری هم دارد و این که فرمول جدید را برای به حداقل رساندن تعداد کامیون ها پیشنهاد می دهد . الگوریتم ژنتیکی ( GA) برای اجرای ایده پیشنهادی و برای ارزیابی مدل مجموعه داده مقیاس بزرگ انتخاب شده بود . مجموعه داده یک RMC فعال را برای دوره یک ماهه پوشش می دهد . تست ها جامع نشان می دهند که الگوریتم ژنتیکی متوالی در زمانی قدرتمند تر از الکوریتم های ژنتیکی سنتی می باشد که 10 برابر سریع تر با راه حل کسب شده با هزینه 30 درصد کمتر بدست آمده اند .