تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,098,700 |
تعداد دریافت فایل اصل مقاله | 97,206,353 |
بهینهسازی عوامل مؤثر در پرورش جوجه گوشتی با استفاده از تلفیق سامانه ماهالانوبیس – تاگوچی و الگوریتم شبیهسازی تبرید | ||
مهندسی بیوسیستم ایران | ||
دوره 52، شماره 2، تیر 1400، صفحه 169-182 اصل مقاله (1.15 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijbse.2020.302367.665307 | ||
نویسندگان | ||
عرفان خسروانی مقدم1؛ محمد شریفی* 2؛ سلیمان حسین پور1؛ هومن شریف نسب3 | ||
1گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
2گروه مهندسی ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران | ||
3عضو هیات علمی موسسه تحقیقات فنی و مهندسی کشاورزی - سازمان تحقیقات، آموزش و ترویج کشاورزی- کرج -ایران | ||
چکیده | ||
پیچیدگیها در سامانههای تولید به دلیل افزایش تعداد عوامل تأثیرگذار و اثرات متقابل بین این عوامل افزایش یافته است. بر اساس این نیاز، ابزارهای مناسبی برای تحلیل سامانههای پیچیده از جمله سامانه ماهالانوبیس - تاگوچی ابداع گردیده که میتوانند با استخراج روابط واقعی بین متغیرها، سامانهها را سادهتر و قابل درک نمایند. بنابراین در این مطالعه از سامانه ماهالانوبیس - تاگوچی توسعه یافته در کاهش تعداد متغیرهای مؤثر برای پرورش جوجه گوشتی که یکی از منابع پروتئینی مهم در ایران است، استفاده شد. در سامانه توسعه یافته نیز الگوریتم فراابتکاری شبیهسازی تبرید مبتنی بر جمعیت به کار گرفته شد. نتایج نشان داد که الگوریتم شبیهسازی تبرید توانایی بهینهسازی این مسئله را دارا میباشد و میتواند تعداد متغیرها را با توجه به وزنهای تابع هدف که توسط تصمیم گیرنده انتخاب میشود، کاهش دهد. همچنین در این مطالعه وزنهای مختلفی برای تابع هدف در نظر گرفته شد و نتایج و تأثیر وزنها بر تابع هدف و تعداد متغیرهای خروجی از الگوریتم مورد بحث و بررسی قرار گرفت. با در نظر گرفتن وزنهای مختلف برای تابع هدف، تعداد متغیرها از 35 به 10 در حالت اول، 11 در حالت دوم، 10 در حالت سوم و 21 متغیر در حالت چهارم کاهش پیدا کرد. | ||
کلیدواژهها | ||
سامانه های پیچیده؛ صنعت طیور؛ مدیریت؛ الگوریتم شبیه سازی تبرید | ||
مراجع | ||
Abbasi, S.E., Aghaie, A. & Fazlali, M. (2011). Applying Mahalanobis–Tagouchi System in Detection of High Risk Customers–A case-based study in an Insurance Company. Advances in Industrial Engineering, 45 (Special Issue), 1-12. Abu, M.Y., Nor, E.M. & Abd Rahman, M.S. (2018). April. Costing improvement of remanufacturing crankshaft by integrating Mahalanobis-Taguchi system and activity based costing. In IOP Conference Series: Materials Science and Engineering, 342(1). IOP Publishing. Aman, H., Mochiduki, N. & Yamada, H. (2006). A model for detecting cost-prone classes based on Mahalanobis-Taguchi method. IEICE transactions on information and systems, 89(4), 1347-1358. Anomymous. (2019). Census results from broiler farms. Statistical Center of Iran. https//www.amar.org.ir/Portals/0/News/1397/m-goshte-s97.pdf (In Farsi). Chang, Z., Chen, W., Gu, Y. & Xu, H. (2020). Mahalanobis-taguchi system for symbolic interval data based on kernel Mahalanobis distance. IEEE Access, 8, 20428-20438. Chen, J., Cheng, L., Yu, H. & Hu, S. (2018). Rolling bearing fault diagnosis and health assessment using EEMD and the adjustment Mahalanobis–Taguchi system. International Journal of Systems Science, 49(1), 147-159. Foley, D. (1972). Considerations of sample and feature size. IEEE Transactions on Information Theory, 18(5), 618-626. Jeong, J.E., Park, S.G., Yang, I.H., Lee, Y.Y. & Oh, J.E. (2009). August. Fault diagnosis of rotating machinery using the Mahalanobis distance. In INTER-NOISE and NOISE-CON Congress and Conference Proceedings, Vol. 2009, No. 3, 4027-4033. Institute of Noise Control Engineering. Kizilaslan, H. (2009). Input–output energy analysis of cherries production in Tokat Province of Turkey. Applied Energy, 86(7-8), 1354-1358. Kumano, S., Mikami, N. & Aoyama, K. (2011). January. Advanced gas turbine diagnostics using pattern recognition. In Turbo Expo: Power for Land, Sea, and Air, Vol. 54631, 179-187. Kuo, F.H. (2019). Applying the Mahalanobis Model to Predicting School Closures: An Example of Taipei City. International Journal of Education and Learning Systems, 4. Leese, M.N., & Main, P.L. (1994). The efficient computation of unbiased Mahalanobis distances and their interpretation in archaeometry. Archaeometry, 36(2), 307-316. Liparas, D., Angelis, L., & Feldt, R. (2012). Applying the Mahalanobis-Taguchi strategy for software defect diagnosis. Automated Software Engineering, 19(2), 141-165. Mohan, D., Saygin, C., & Sarangapani, J. (2008). Real-time detection of grip length deviation during pull-type fastening: a Mahalanobis–Taguchi System (MTS)-based approach. The International Journal of Advanced Manufacturing Technology, 39(9-10), 995-1008. Pal, A., & Maiti, J. (2010). Development of a hybrid methodology for dimensionality reduction in Mahalanobis–Taguchi system using Mahalanobis distance and binary particle swarm optimization. Expert Systems with Applications, 37(2), 1286-1293. Rai, K.B., Chinnam, R.B. & Singh, N. (2008). Prediction of drill-bit breakage from degradation signals using Mahalanobis-Taguchi system analysis. International Journal of Industrial and Systems Engineering, 3(2), 134-148. Reséndiz, E., Moncayo-Martínez, L.A., & Solís, G. (2013). Binary ant colony optimization applied to variable screening in the Mahalanobis–Taguchi system. Expert Systems with Applications, 40(2), 634-637. Rousseeuw, P.J. & Van Zomeren, B.C. (1990). Unmasking multivariate outliers and leverage points. Journal of the American Statistical Association, 85(411), 633-639. Soylemezoglu, A., Jagannathan, S. & Saygin, C. (2010). Mahalanobis Taguchi system (MTS) as a prognostics tool for rolling element bearing failures. Journal of Manufacturing Science and Engineering, 132(5), 051014. Wang, H., Huo, N., Li, J., Wang, K., & Wang, Z. (2018). A road quality detection method based on the Mahalanobis-Taguchi system. IEEE Access, 6, 29078-29087. | ||
آمار تعداد مشاهده مقاله: 413 تعداد دریافت فایل اصل مقاله: 376 |