
تعداد نشریات | 22 |
تعداد شمارهها | 485 |
تعداد مقالات | 5,045 |
تعداد مشاهده مقاله | 9,290,880 |
تعداد دریافت فایل اصل مقاله | 6,135,353 |
ارائه مدل زمانبندی یکپارچه بارگیری و توزیع فرآورده های نفتی پر مصرف از انبارهای نفت چندگانه در موقعیتهای مختلف جغرافیایی | ||
نشریه پژوهش های مهندسی صنایع در سیستم های تولید | ||
مقاله 7، دوره 6، شماره 12، شهریور 1397، صفحه 103-117 اصل مقاله (1.19 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22084/ier.2018.15529.1718 | ||
نویسندگان | ||
وحید عبداله زاده1؛ عیسی نخعی کمال آبادی* 2؛ سید محمد حاجی مولانا3؛ سید حسام الدین ذگردی4 | ||
1دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران. | ||
2استاد گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه کردستان | ||
3استادیار گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران. | ||
4دانشیار دانشکده مهندسی صنایع، دانشگاه تربیت مدرس، تهران، ایران. | ||
چکیده | ||
در این تحقیق، زمانبندی یکپارچه بارگیری و توزیع فرآوردههای نفتی پرمصرف از انبارهای نفت چندگانه مورد مطالعه قرار گرفته است. توزیع فرآوردههای نفتی پرمصرف مستلزم حمل مستقیم بر اساس سفارشهای صادر شده از سوی مشتریان میباشد. در این مقاله مدل ریاضی جهت برنامهریزی یکپارچه بارگیری و توزیع فرآوردههای نفتی پرمصرف از انبارهای مختلف با هدف حداقل کردن مجموع هزینههای خرید، حمل و توزیع و تأخیر در تحویل فرآوردهها ارائه میگردد. با توجه به ماهیت NP-hard این مسئله، روش حلی ترکیبی، مبتنی بر شبیهسازی جهت ایجاد و حفظ پاسخهای موجه و الگوریتمهای فراابتکاری جهت جستجوی فضای جواب ارائه شده است. کارایی رویکرد حل پیشنهادی از طریق حل مسائل نمونه تصادفی در ابعاد مختلف مورد بررسی قرار گرفته و عملکرد الگوریتمهای GA-MPC و 2011 SPSO با ویرایشهای اولیه این الگوریتمها مورد مقایسه قرار گرفته است. نتایج مقایسات، نشاندهنده عملکرد بهتر الگوریتم ژنتیک در اغلب مسائل با ابعاد واقعی نسبت به سایر الگوریتمهای بررسی شده است. | ||
کلیدواژهها | ||
زمانبندی یکپارچه بارگیری و توزیع؛ الگوریتمهای فراابتکاری؛ مدلسازی؛ حمل مستقیم | ||
مراجع | ||
[1] Bausch, D.O., Brown, G.G., Ronen, D., (1995). “Consolidating and dispatching truck shipments of Mobil heavy petroleum products”, Interfaces, 25(2): 1-17. [2] Behnamian, J., Ghomi, S.F., (2016). “A survey of multi-factory scheduling”, Journal of Intelligent Manufacturing, 27(1): 231-249. [3] Behnamian, J., Ghomi, S.F., (2013). “The heterogeneous multi-factory production network scheduling with adaptive communication policy and parallel machine”, Information Sciences, 219: 181-196. [4] Chwen, Z.L., (2010). “Integrated production and outbound distribution scheduling: review and extensions”, Operations Research, 58(1): 130-148. [5] Guo, Z., Shi, L., Chen, L., Liang, Y., (2017). “A harmony search-based memetic optimization model for integrated production and transportation scheduling in MTO manufacturing”, Omega, 66: 327-343. [6] Kerkhove, L.P., Vanhoucke, M., (2014). “Scheduling of unrelated parallel machines with limited server availability on multiple production locations: a case study in knitted fabrics”, International Journal of Production Research, 52(9): 2630-2653. [7] Sun, X.T., Chung, S.H., Chan, F.T., (2015). “Integrated scheduling of a multi-product multi-factory manufacturing system with maritime transport limits”, Transportation Research Part E: Logistics and Transportation Review, 79: 110-127. [8] Terrazas-Moreno, S., Grossmann, I.E. (2011). “A multiscale decomposition method for the optimal planning and scheduling of multi-site continuous multiproduct plants”, Chemical Engineering Science, 66(19): 4307-4318. [9] Yazdani, M., Gohari, S., Naderi, B. (2015). “Multi-factory parallel machine problems: Improved mathematical models and artificial bee colony algorithm”, Computers & Industrial Engineering, 81: 36-45. [10] Bean, J.C., (1994). “Genetic algorithms and random keys for sequencing and optimization”, ORSA Journal on Computing, 6(2): 154-160. [11] Tadeusz, S., (2015). “Integrated supply, production and distribution scheduling under disruption risks”, Omega. [12] Wilkinson, S.J., Cortier, A., Shah, N., Pantelides, C.C., (1996). “Integrated production and distribution scheduling on a Europe-widebasis”, Computers & chemical Engineering, 20: 1275-1280. [13] Elsayed, S.M., Sarker, R.A., Essam, D.L., (2014). “A new genetic algorithm for solving optimization problems”, Engineering Applications of Artificial Intelligence, 27: 57-69. [14] Maurice, C., (2012). “Standard particle swarm optimization”, 15 pages. [15] Tavakkoli-Moghaddam, R., Yazdani, M., Molla-Alizadeh-Zavardehi, S., (2012). “Scheduling an Integrated Production and Air Transportation in Supply Chain with Sequence-Dependent Setup Times”, Journal of Industrial engineering, 23(3): 351-362. [16] Beheshtinai, Arabi (2017). “A Genetic Algorithm for Integration of Vehicle Routing Problem and Production Scheduling in Supply Chain (Case Study: Medical Equipment Supply Chain)”, Journal of Industrial engineering. 51(2): 147-160. [17] Moons, S., Ramaekers, K., Caris, A., Arda, Y., (2016). “Integrating production scheduling and vehicle routing decisions at the operational decision level: a review and discussion”, Computers & Industrial Engineering. [18] بهنامیان، جواد، (1394). "زمانبندی چند هدفه شبکه های تولید چند کارخانهای با استفاده از الگوریتم ژنتیک زیر جمعیت و روش ارتجاعی"، نشریه پژوهشهای مهندسی صنایع در سیستمهای تولید 3(6): 133-147. [19] بهنامیان، جواد، فاطمی قمی، سیدمحمدتقی، (1392). "ارائه الگوریتم ترکیبی بر پایه بهینه سازی گروه ذرات و روش هایپرهیوریستیک برای زمانبندی کارخانههای توزیعشده با اتحاد مجازی"، نشریه پژوهشهای مهندسی صنایع در سیستمهای تولید، 1(1): 1-11. [20] سایت رسمی شرکت ملی پخش فرآوردههای نفتی ایران، https://www.niopdc.ir. | ||
آمار تعداد مشاهده مقاله: 587 تعداد دریافت فایل اصل مقاله: 544 |