پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,179,415 |
| تعداد دریافت فایل اصل مقاله | 89,927,004 |
تلفیق منطق فازی و الگوریتم ژنتیک به‌منظور مدیریت هزینه - زمان - کیفیت در واحدهای شالیکوبی مدرن شهرستان رشت | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 15، دوره 50، شماره 4، بهمن 1398، صفحه 927-938 اصل مقاله (1.08 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2019.266303.665098 | ||
| نویسندگان | ||
| اشکان نبوی پله سرائی1؛ شاهین رفیعی* 2؛ سید سعید محتسبی2 | ||
| 1دانش‌آموخته دکتری، گروه مهندسی ماشین‌های کشاورزی، دانشکدۀ مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2استاد، گروه مهندسی ماشین‌های کشاورزی، دانشکدۀ مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| فیزیک ظریف و حساسیت بالا در فرآیند تبدیل شلتوک به برنج سفید از یک‌سو و اهمیت کیفیت و نقش آن در ارزش‌افزوده محصول نهایی از سوی دیگر بیانگر اهمیت مدیریت سه شاخص کیفیت، هزینه و زمان در تولید برنج میباشد. لذا هدف از این مطالعه دستیابی به چیدمانی بهینه از روشهای مختلف با کمترین هزینه، کمترین زمان و بالاترین کیفیت در فرآیند تبدیل میباشد. بدین منظور تمامی روشهای ممکن برای هر مرحله از فرآیند تبدیل در واحدهای شالیکوبی مدرن بیان گردید و بازه‌ای از اعداد فازی برای آن‌ها در نظر گرفته شد. همچنین مدیریت ریسک نیز با اعمال برشهای فازی بین صفر تا یک، جهت بررسی عدم قطعیت انجام شد. در گام بعد نیز با استفاده از الگوریتم‌های ژنتیک مبتنی بر دسته‌بندی نامغلوب (NSGA-II) و رتبه‌بندی نامغلوب (NRGA-II) مدیریت پروژه صورت پذیرفت. طبق نتایج، الگوریتم ژنتیک (NSGA-II) عملکرد بهتری نسبت به الگوریتم ژنتیک (NRGA-II) در حل این مسئله از خود نشان داد و نهایتاً در واحدهای شالیکوبی مدرن کمترین زمان، کمترین هزینه و بالاترین کیفیت در شرایط قطعی (1=α) به ترتیب 22/22 ساعت، 8088170 ریال و 62 درصد به دست آمد. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ رنج؛ شالیکوبی؛ مدیریت پروژه؛ منطق فازی | ||
| عنوان مقاله [English] | ||
| Joint Fuzzy Logic and Genetic Algorithm to Management of Cost-time-quality in Modern Milling units of Rasht County | ||
| نویسندگان [English] | ||
| Ashkan NAbavi-Pelesaraei1؛ shahin rafiee2؛ Seyed Saeid Mohtasebi2 | ||
| 1PhD Graduated, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Full Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| Managing three indicators of quality, cost and time in rice production is important.Therefore, the purpose of this study was to achieve optimal layout of different methods with the lowest cost, minimum time and highest quality in the conversion process. For this purpose, all possible methods for each stage of the conversion process in the modern milling units were expressed and a series of fuzzy numbers was considered for them. Risk management was also done by applying fuzzy cutes from zero to one to investigate uncertainty. In the next step, the project management was adopted using the non-dominated sorting genetic algorithm (NSGA-II) and non-dominated ranked genetic algorithm (NRGA-II). Based on the results, the genetics algorithm (NSGA-II) showed better performance in comparison with genetic algorithm (NRGA-II) in solving this problem and finally, the lowest time, minimum cost and the highest quality in the specified conditions (α = 1) were founded 22.22 hours, 8088170 Rial and 62%, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Genetic Algorithm, rice, Milling, Project management, Fuzzy logic | ||
| مراجع | ||
|
Abdi, R., Ghasemzadeh, H. R., Abdollahpour, S., Sabzeparvar, M., & Nasab, A. D. M. (2010). Modeling and analysis of mechanization projects of wheat production by GERT networks. Agricultural Sciences in China, 9(7), 1078-1083. Anon. (2016). Annual Statistical Report. The Shalikoubidran Union of the Rasht County of Iran. (In Farsi). Chizari, A., & Amirnezhad, H. (1998). Managing the project to build a corn-drier unit using Perth and CPM methods (PERT & CPM). Quarterly Journal of Agricultural Economics and Development, 29, 257-273. (In Farsi). Curcija, M., Breakey, N., & Driml, S. (2019). Development of a conflict management model as a tool for improved project outcomes in community based tourism. Tourism Management, 70, 341-354. Ding, S., Chen, C., Xin, B., & Pardalos, P. M. (2018). A bi-objective load balancing model in a distributed simulation system using NSGA-II and MOPSO approaches. Applied Soft Computing, 63, 249-267. Ebrahinezhad, S., Ahmadi, V., & Javanshir, H. (2013). Balance of cost, time and quality criteria in a CPM network using fuzzy logic and genetic algorithm. International Journal of Industrial Engineering and Production Management, 24(3), 362-376. (In Farsi). Hsiau, H.J., & Lin, C. W. R. (2009). A fuzzy pert approach to evaluate plant construction project scheduling risk under uncertain resources capacity. Journal of Industrial Engineering and Management, 2(1), 31-47. Khosravani-Moghadam, E., Sharifi, M., Rafiee, S., & Hatami, P. (2016). Time-Cost-Quality optimization of broilers production process using integration genetic algorithm and fuzzy logic. Iranian Journal of Biosystem Engineering, 46(4), 43-46. (In Farsi). Khosravani-Moghadam, E. (2015). Time-cost estimation of broiler production project using management techniques and control project. M.Sc. thesis, University of Tehran., Tehran. Ministry of Jihad-e-Agriculture of Iran. (2016 April). Annual Agricultural Statistics. htttp://www.maj.ir. (In Farsi). Mousavi, S. M., Sadeghi, J., Niaki, S. T. A., & Tavana, M. (2016). A bi-objective inventory optimization model under inflation and discount using tuned Pareto-based algorithms: NSGA-II, NRGA, and MOPSO. Applied Soft Computing, 43, 57-72. Nabavi-Pelesaraei, A., Rafiee, S., Mohtasebi, S. S., Hosseinzadeh-Bandbafha, H., & Chau, K. W. (2018). Integration of artificial intelligence methods and life cycle assessment to predict energy output and environmental impacts of paddy production. Science of the Total Environment, 631-632, 1279-1294. Nian, F., Hu, C., Yao, S., Wang, L., & Wang, X. (2018). An immunization based on node activity. Chaos, Solitons & Fractals, 107, 228-233. Orujov, F., Maskeliūnas, R., Damaševičius, R., Wei, W., & Li, Y. (2018). Smartphone based intelligent indoor positioning using fuzzy logic. Future Generation Computer Systems, 89, 335-348. Sharifi, M., Akram, A., Rafiee S., & Sabzehparvar, M. (2014). Planning and scheduling barley production mechanization project using the PERT network: case study Alborz province. Iranian Journal of Biosystem Engineering, 45(1), 11-22. (In Farsi). Sharifi, M., Khosravani-Moghadam, E., & Hatami, P. (2016). Optimization of time, cost and quality in dairy cattle breeding management by combining meta-heuristic algorithms and fuzzy logic. Agricultural Mechanization & Systems Research, 17(66), 43-46. (In Farsi). Zhang, W., Hu, H., Hu, H., & Fang, J. (2018). Semantic distance between vague concepts in a framework of modeling with words. Soft Computing, 1-18. | ||
|
آمار تعداد مشاهده مقاله: 434 تعداد دریافت فایل اصل مقاله: 263 |
||