ترجمه مقاله “A multi-objective intelligent water drop algorithmیکشنبه 24, دسامبر 2017

دانلود ترجمه مقاله – ترجمه مقاله آماده – دانلود ترجمه مقاله – ترجمه مقاله آماده در همیار پروژهعنوان مقاله به انگلیسی:  “A multi-objective intelligent water drop algorithm to minimise cost Of goods sold and time to market in logistics networks”

عنوان مقاله به فارسی : “یک الگوریتم چند منظوره قطره آب هوشمند برای به حداقل رساندن هزینه و زمان کالاهای فروخته شده در بازار در شبکه های تدارکات”

فایل اصلی مقاله را از لینک روبرو دانلود نمایید : دانلود فایل اصلی

ترجمه بخشی از فایل د زیر قرار داده شده است.جهت ترجمه کل فایل باید آن را خریداری نمایید.

logistics networks

الگوریتم هوشمند چکه آب (IWD) الگوریتمی است که  از حرکت قطره آب طبیعی (WD) در یک رودخانه الهام گرفته شده است. جریان می تواند مسیر مطلوب را با توجه به شرایط محیط اطراف خود برای به رسیدن به هدف نهایی پیدا کند ، که اغلب دریا است. در جریان رسیدن به چنین مقصد، WD و محیط با یکدیگر به عنوان  WD ها در طول بستر رودخانه حرکت می کنند. به طور مشابه، مشکل زنجیره تامین را می توان به عنوان یک مرحله از مراحل که باید تکمیل و بهینه سازی شود را برای به دست آوردن یک محصول در نظر گرفت که به کاربر نهایی تحویل داده می شود. هر مرحله ممکن است یک یا چند گزینه برای ارضای مانند تامین کنندگان، تولید و یا گزینه های تحویل داشته باشد . هر گزینه با زمان و هزینه آن مشخص می شود. در این چارچوب رویکردهای بهینه سازی چند منظوره که به ویژه برای ارائه راه حل های مطلوب مناسب هستند ارائه می شود . این مسایل به عنوان مسائل NP سخت طبقه بندی می شوند. بنابراين، اين مقاله روشی را جهت حل مشكلات شبكه تداركات با استفاده از يك طرح بهینه چند هدفي  IWD كه يك مجموعه پارتو(pareto) را باز مي كند، پيشنهاد مي كند. WD مصنوعی، جریان را از طریق زنجیره تامین و عرضه ، به طور همزمان هزینه های کالاهای فروخته شده و زمان تولید هر محصول را با استفاده از مفهوم بهینه سازی پارتو(Pareto) به حداقل می رساند. رویکرد پیشنهادی برای مواردی در  ادبیات که طور گسترده ای مورد استفاده قرار می گیرند، و نتایجی امیدوار کننده را  توسط اندازه گیری های عملکردی انجام شده در مقایسه با روش های متیاهیوریستیک کولونی مورچه ها و همچنین جبهه های واقعی حاصل از شمارش کامل می شوند، مورد بررسی و تست قرار می دهد . مجموعه پارتو که توسط IWD بازگردانده شده است، در ۴ ثانیه محاسبه می شود و فاصله ها و اندازه های متریک بسیار نزدیک به مواردی است که با شمارش کامل محاسبه می شوند. بنابراین، سهم اصلی ما طراحی الگوریتم جدیدی است که نشات گرفته از الگوریتم پیشنهاد شده توسط مونکایو مارتینز و ژانگ (۲۰۱۱) است. این مقاله موجب ارتقاء دانش فعلی سیستم های متخصص و هوشمند با ارائه یک روش بهینه سازی جدید مبتنی بر IWD برای طراحی و پیکربندی شبکه های زنجیره تامین و تدارکات می شود که به طور همزمان اهداف چندگانه را مورد توجه قرار می دهند.

logistics networks

• مقدمه

افزایش رقابت در بازار جهانی امروزه باعث شده است شرکت ها  زنجیره تامین  (SC)خود را پیکربندی و ارزیابی کنند  و بسیاری از ارائه دهندگان این زنجیره تقاضااین باور را  به رسمیت شناخته اند که  (SCD) یا همان طراحی SC  به عنوان یک بخش مهم برای هر استراتژی کسب و کار است. هنگامی که SC طراحی می شود، یکی از مهمترین اهداف این است که محصولات را به مشتریان در زمان مناسب با کمترین هزینه احتمالی عرضه کند (SimchiLevi، Kaminsky، & Simchi-Levi، ۲۰۰۸). این یک امر مهم است زیرا یک SCD بهینه باعث کاهش هزینه در مقدار  ۱۰٪ و کاهش زمان سرویس در اندازه ۴۰٪ می شود (Harrison، ۲۰۰۱).

فرایند طراحی به دلیل چندین عامل آسان نیست، به عنوان مثال مواردی چون گسترش بازار، طیف گسترده ای از تامین کنندگان، زمان انتظار مشتریان و رقبا. اگر چه این عوامل مهم هستند، هزینه کالاهای فروخته شده (CoGS) و زمان هدایت (LT) (یا زمان ورود به بازار) به عنوان مهمترین اهداف بهینه سازی شناخته شده است (Aslam & Ng، ۲۰۱۰؛ Ho، Xu & Dey ، ۲۰۱۰).

به طور سنتی SC به عنوان یک شبکه طراحی می شود که در آن گره ها امکانات را ارائه می دهند مانند تأمین کنندگان، کارخانه های تولید، انبارها، خرده فروشان و مشتریان. مساله SCD  برای انتخاب تعداد امکانات و تعیین میزان واحدهای جریان در میان آنها محدود شده است. علاوه بر این فرض می شود که تامین کنندگان، زمین ها، انبارها و خرده فروشان انتخاب شده اند، چرا که به شدت این فرصت را برای بهینه سازی کل هزینه SC کاهش می دهد، زیرا گزینه انتخاب می تواند هم CoGS را و LT را افزایش دهد ،برای بررسی لیست جامعی از این مدل ها نگاه کنید به Chandra و Grabis (2007)؛ Goetschalckx (2011)؛ Shapiro (2007) . از سوی دیگر SC می تواند به عنوان یک صورت حساب از مواد (BOM) که در آن هر گره یک مرحله عرضه، تولید، یا مرحله تحویل را نشان می دهد، را ارائه نماید. هر مرحله می تواند با یک یا چند گزینه انجام شود، مثلا یک جزء که توسط یک مرحله عرضه ارائه می شود، می تواند توسط یک یا چند تامین کننده تامین شود؛ یک زیرمونتاژ یا مونتاز نهایی، که توسط مرحله تولید ارائه می شود، می تواند در یک یا چند کارخانه تولید یا خط تولیدی، تولید شود. و یک مشتری که توسط مرحله تحویل ارائه  می شود، می تواند حالت حمل و نقل مورد استفاده برای ارائه محصول باشد. بنابراین، مشکل این است که تعیین کنید: کدام یک از مولفه ها باید تامین شود؟ کجا هر محصول مونتاژ خواهد شد؟ و چگونه باید هر محصول به مشتری تحویل داده شود؟ پیچیدگی این مشکل با این واقعیت افزایش می یابد که گزینه های انتخاب شده باید CoGS و LT ​​را برای یک خانواده از محصولات به حداقل برسانند. این اهداف با یکدیگر مخالف هستند؛ زیرا کاهش زمان ، هزینه را افزایش می دهد، به عنوان مثال دو گزینه که می توانند یک مرحله را انجام دهندرا فرض کنید ، اگر هزینه گزینه ۱ بیشتر از هزینه گزینه دوم باشد، زمان انتخاب گزینه ۱ کمتر از زمان انتخاب دومی است (Cheshmehgaz، Desa، & Wibowo، ۲۰۱۳) .

هنگامی که مساله SCD به عنوان BOM مدل سازی می شود، مساله به عنوان یک مساله بهینه سازی ترکیبی (COP) در نظر گرفته شده است که در آن راه حل بر اساس یک توالی در نظر گرفته می شود ، اما در انتخاب متغیرهایی که “بهترین” عملکرد توابع هدف را دارند در نظر گرفته می شوند ، یعنی راه حل این مساله این است که زیر مجموعه ای از گزینه ها (یا متغیرها) را انتخاب کنید که CoGS و LT ​​را به حداقل برسانید. این نوع از COP به عنوان یک مساله  NP-hard دسته بندی شده است، بنابراین برای یافتن راه حل دقیق در چندجمله ای زمان دشوار است (Garey & Johnson، ۱۹۷۹).

logistics networks

شمارش کامل می تواند برای یافتن راه حل دقیق استفاده شود، اما برای محاسبه تمام ترکیبات احتمالی عملی این مورد نیست. برای پیدا کردن ترکیب “بهترین” باید روش های کارآمدتری استفاده شود. متاهیوریستیک(فراابتکاری) برای یافتن راه حل های نزدیک بهینه برای COP سخت در کوتاه مدت مورد استفاده قرار گرفته است (Talbi، ۲۰۰۹). و Graves و Willems (2005)، هوانگ، ژانگ و لیانگ (۲۰۰۵) و وانگ و شو (۲۰۰۷) به این نتیجه رسیدند که تنها CoGS را با استفاده از برنامه نویسی پویا، الگوریتم ژنتیک و مجموعه های فازی می توان به حداقل رساند . Moncayo-Martinez و Zhang (2011) به طور همزمان CoGS و LT ​​و Moncayo Martínez و Zhang (2013) هزینه های سهام ایمنی را با استفاده از Optimization of Colony Colony (ACO) توانستند به حداقل برسانند، با این وجود نتایج آنها با هیچ روش بهینه سازی دیگر برای اثبات کارایی الگوریتم مبتنی بر ACO مقایسه نمی شود . از این رو، یک روش فراابتکاری به نام “قطره آب هوشمند” (IWD) که از جریان رودخانه الهام گرفته شده است، برای حل مسایل CoGS و LT ​​در مونتاژ SC ارائه و به کار گرفته شده است.

logistics networks

جهت دریافت ادامه ترجمه مقاله آن  را از طریق لینک زیر خریداری نمایید.