پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,147,443 |
| تعداد دریافت فایل اصل مقاله | 89,908,209 |
بهینه‌سازی زمان سیستم امدادرسانی در شرایط مخاطره با تقسیم وظایف بین مراکز و درنظرگیری ظرفیت حداکثری ناوگان (مطالعۀ موردی: شهر قزوین) | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 5، دوره 4، شماره 2، تیر 1396، صفحه 143-156 اصل مقاله (771.96 K) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2017.238874.270 | ||
| نویسندگان | ||
| محمد عبدالشاه* 1؛ سید امیرمحمد خطیبی2؛ سیامک حسینی3؛ محمدعلی بهشتی‌نیا4 | ||
| 1استادیار گروه مهندسی صنایع، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران | ||
| 2دانشجوی دکتری، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران | ||
| 3کارشناس ارشد مهندسی برنامه‌ریزی حمل‌ونقل، دانشکدۀ عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران | ||
| 4استادیار، دانشکدۀ مهندسی مواد و صنایع، دانشگاه سمنان، سمنان، ایران | ||
| چکیده | ||
| جلوگیری از تبدیل مخاطرات طبیعی به فجایع انسانی مستلزم ارتقای توان مدیریتی و برنامه‌ریزی‌های مدیریت مخاطره است. بنابراین در روند خدمت‌رسانی در چنین حوادثی، ثانیه‌ها و دقایق اهمیت بسزایی در نجات انسان دارند. به‌همین منظور، برنامه‌ریزی برای استفادة بهینه از زمان در دسترس سیستم امدادرسانی در این موارد، به افزایش توان عملیاتی سیستم پشتیبان، امدادرسانی در کمترین زمان ممکن و نیز تخصیص صحیح منابع به افراد نیازمند منجر خواهد شد. در این زمینه، پژوهش حاضر سعی دارد با ارائة مدلی به‌منظور تقسیم وظایف امدادرسانی مناطق مختلف یک شهر، بین بیمارستان‌ها و مراکز امدادرسانی، و با درنظرگیری ناوگان‌های امدادی تخصیص‌یافته به آنها برای امدادرسانی، و نیز به‌کارگیری فواصل واقعی مناطق مختلف شهر قزوین از این مراکز، به بهینه‌سازی زمان لازم برای انتقال مجروحان در شرایط مخاطره به بیمارستان‌ها، در یک زنجیرة تأمین سه‌مرحله‌ای بپردازد و برای تحقق اهداف مورد نظر، ظرفیت ناوگان امدادرسانی را نیز در مسئله لحاظ کند. ازآنجا که یافتن جواب بهینه در زمان معقول، برای مسئله با استفاده از روش‌های دقیق ناممکن است، در این مقاله برای حل، از یک الگوریتم ژنتیک پویا دارای کروموزوم‌هایی با ساختار متغیر استفاده می‌شود. همچنین به‌منظور بررسی صحت نتایج به‌دست‌آمده از این مدل، نتایج با جواب‌های روش جست‌وجوی تصادفی مقایسه شد. نتایج، نشان از برتری مدل ارائه‌شده دارد و بیانگر کاهش میانگین جواب‌ها در مواردی نظیر افزایش تعداد وسایل امدادی و ظرفیت آنها و کاهش زمان امدادرسانی اولیه و نیز افزایش میانگین جواب‌ها با افزایش تعداد مجروحان است. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک پویا؛ زنجیرة تأمین؛ زمان‌بندی بهینه؛ ظرفیت ناوگان؛ مدیریت مخاطرات | ||
| عنوان مقاله [English] | ||
| Optimizing of Schedule Time for Relay Transportation System in Hazard Condition Respect to Dividing Tasks between Centers and Capacity of Fleet (Case study: Qazvin City) | ||
| نویسندگان [English] | ||
| Mohammad Abdolshah1؛ Seyed Amir Mohammad Khatibi2؛ Siamak Hosseini3؛ Mohammad Ali Beheshtinia4 | ||
| 1Assistant Professor, Department of Industrial Engineering, College of Engineering, Semnan Branch, Islamic Azad University, Semnan, Iran | ||
| 2PHD Student, Faculty of Administrative Sciences and Economics, Isfahan University, Isfahan, Iran | ||
| 3M.Sc. of Transportation Engineering, Faculty of Civil & Environmental Engineering, Tarbiat Modares University, Tehran, Iran | ||
| 4Assistant professor, Material and Industrial Engineering Faculty, Semnan University, Semnan, Iran | ||
| چکیده [English] | ||
| Avoidance of turning natural disasters to natural tragedies requires upraising in capacitance of management and planning in Hazard management. Into this purpose, seconds and minutes should be considered as an essential limitation to save lives in such natural catastrophes in the process of serving. To this end, planning for the optimal use of available time of relief system in these cases, will lead to increased backup capabilities, assistance in the shortest possible time, and the appropriate allocation of resources to the required people. In this regard, the present study tries to provide a model for distributing relief tasks in different regions of a city, between hospitals and relief centers, and considering the relief funds assigned to them for relief, and use of real distances in different parts of the city of Qazvin. These centers, will focus on optimizing the time needed to transfer injured people in crisis situations to hospitals, in a three-stage supply chain, and, in order to achieve these goals, consider the capacity of the fleet in the problem. Degree of complexity of the problem is NP-hard.Therefore, finding an optimal solution in a reasonable time is impossible by using accurate methods. In This paper, a dynamic genetic algorithm has been employed in which contains chromosomes with variable structure in order to solve the problem. In addition, for evaluation of results accuracy from this algorithm, it compare with result from random search method. Results show genetic algorithm is more reliable and demonstrate the improvement of average results with increase of relay vehicle and capacity of them; also the deterioration of average results with growth of injured people. | ||
| کلیدواژه‌ها [English] | ||
| Crisis Management, Optimum Scheduling, Supply Chain, Dynamic Genetic Algorithm, Capacity of Fleet | ||
| مراجع | ||
|
[1]. آراسته، کریم؛ بزرگی امیری، علی؛ جبل‌عاملی، محمدسعید (1394). «مکان‌یابی چندگانة تسهیلات و نقاط انتقال مجروحان در زمان بحران». مجلة تحقیق در عملیات و کاربردهای آن. دورة 12. ش 1: 31-21. [2]. برزین‌پور، فرناز؛ صفاریان، محسن؛ تیموری، ابراهیم (1393). «الگوریتم فراابتکاری برای حل مدل برنامه‌ریزی چندهدفه مکان‌یابی و تخصیص سه‌سطحی در لجستیک امداد». مجلة تحقیق در عملیات و کاربردهای آن، سال 11، ش 2: 50-27. [3]. بزرگی امیری، علی؛ صبوحی، فاطمه (1396). «مسیریابی و زمان‌بندی وسایل حمل‌ونقل برای توزیع کمک‌های امدادی با در نظر گرفتن تحویل جزئی و انبار چندگانه». فصلنامة مهندسی حمل‌ونقل. دورة 9. ش 1. 138-125. [4]. بهشتی‌نیا، محمدعلی؛ خطیبی، سید امیرمحمد (1396). «تحلیل سه سناریوی مختلف در بهینه‌سازی مصرف انرژی و زمان‌بندی در زنجیرۀ تأمین». نشریة مهندسی و مدیریت انرژی، دورة 7، ش 1: 47-36. [5]. بهشتی‌نیا، محمدعلی؛ مقیمی، مصطفی (1396). «بهبود کیفیت انتقال مصدومان هنگام وقوع بلایای طبیعی از نقاط مختلف جغرافیایی». فصلنامة پژوهش‌های جغرافیای انسانی، دورة 49، ش 3: 551-539. [6]. جمالی، حسین؛ بشیری، مهدی؛ توکلی مقدم، رضا (1394). «بررسـی و حـل مسئلة امدادرسـانی دوسـطحی نقـاط آســیب‌دیده از بحــران». دوفصلنامة علمی- پژوهشی مدیریت بحران. دورة 4. ش 2: 22-5. [7]. خطیبی، سید امیرمحمد؛ مقیمی، مصطفی؛ بهشتی‌نیا، محمدعلی (۱۳۹۵). «برنامه‌ریزی یکپارچگی زمان‌بندی تولید و حمل‌ونقل زنجیرة تأمین هرمی (با دو سطح تأمین‌کننده) با استفاده از الگوریتم ژنتیک». اولین کنفرانس ملی مدل‌ها و تکنیک‌های کمی در مدیریت، تهران. [8]. شرکت مهندسی آتیه‌ساز و آرمان تردد پارس (1389). ناحیه‌بندی مطالعات جامع حمل‌ونقل و ترافیک. گزارش طرح جامع حمل‌ونقل و ترافیک شهر قزوین. شهرداری قزوین. [9]. صفارزاده، محمود؛ اله‌یاری نیک، اشکان؛ جهانمرد، احسان (1392). «تعیین محل بهینة مراکز خدمات درمانی در زمان امدادرسانی با به‌کارگیری مسئلة تخصیص مکانی HUB و حل توسط الگوریتم ژنتیک». فصلنامة علمی- ترویجی مهندسی ترافیک. ش 54: 11-5. [10]. عبدالرزاقی، علیرضا (1395). مدل‌سازی پذیرش ریسک راننده قبل از آغاز فاز قرمز. پایان‌نامة کارشناسی ارشد مهندسی برنامه‌ریزی حمل‌ونقل، دانشکدة فنی و مهندسی. دانشگاه بین‌المللی امام خمینی (ره). [11]. مقیمی، مصطفی؛ بهشتی‌نیا، محمدعلی (1394). یکپارچگی زمان‌بندی تولید و حمل‌ونقل در زنجیرة تأمین با درنظر گرفتن چند تأمین‌کننده و چند سازنده. پایان‌نامة کارشناسی ارشد. دانشگاه سمنان. [12]. Averbakh, I. (2010). “On-line integrated production–distribution scheduling problems with capacitated deliveries”, European Journal of Operational Research, 200(2): 377-384. [13]. Furuta, T.; Tanaka, K. I. (2013). “Minisum And Minimax Location Models For Helicopter Emergency Medical Service Systems”, Journal of the Operations Research Society of Japan, Vol. 56: 221-242. [14]. Garey, M. R.; Johnson, D. S.; Sethi, R. (1976). “The complexity of flow shop and job shop scheduling”, Mathematics of Operation Research, Vol. 1: 117–129. [15]. Guo, Z.; Yang, J.; Leung, S. Y. S.; Shi, L. (2016). “A bi-level evolutionary optimization approach for integrated production and transportation scheduling”, Applied Soft Computing, Vol. 42: 215-228. [16]. Lasschuit, W.; Thijssen, N. (2004). “Supporting supply chain planning and scheduling decisions in the oil and chemical industry”, Computers & Chemical Engineering, Vol. 28(6–7): 863-870. [17]. Li, H.; Womer, K. (2008). “Modeling the supply chain configuration problem with resource constraints”, International Journal of Project Management, Vol. 26, No. 6: 646-654. [18]. Maravelias, C. T.; Sung, C. (2009). “Integration of production planning and scheduling: Overview”, challenges and opportunities. Computers & Chemical Engineering, Vol. 33, No. 12: 1919-1930. [19]. Rath, S.; Gutjahr, W. J. (2011). “A Math-Heuristic for the Warehouse Location-Routing Problem in Disaster Relief”, Computers and Operations Research, [20]. Rostamian Delavar, M.; Hajiaghaei-Keshteli, M.; Molla-Alizadeh-Zavardehi, S. (2010). “Genetic algorithms for coordinated scheduling of production and air transportation”, Expert Systems with Applications, 37(12): 8255-8266. [21]. Sawik, T. (2014). “Joint supplier selection and scheduling of customer orders under disruption risks: Single vs. dual sourcing”, Omega, 43: 83-95. [22]. Wang, X.; Cheng, T. C. E. (2009a). “Logistics scheduling to minimize inventory and transport costs”, International Journal of Production Economics, 121(1): 266-273. [23]. Wang, X.; Cheng, T. C. E. (2009b). “Production scheduling with supply and delivery considerations to minimize the makespan’ European Journal of Operational Research, 194(3): 743-752. [24]. Yao, J.; Liu, L. (2009). “Optimization analysis of supply chain scheduling in mass customization”, International Journal of Production Economics, 117(1): 197-211. [25]. Zandieh, M.; Molla-Alizadeh-Zavardehi, S. (2009). “Synchronizing production and air transportation scheduling using mathematical programming models”, Journal of Computational and Applied Mathematics, Vol. 230, No. 2: 546-558. [26]. Zegordi, S. H.; Abadi, I. N. K.; Nia, M. A. B. (2010). “A novel genetic algorithm for solving production and transportation scheduling in a two-stage supply chain”, Computers & Industrial Engineering, Vol. 58, No. 3: 373-381. [27]. Zegordi, S. H.; Beheshti Nia, M. A. (2009). “A multi-population genetic algorithm for transportation scheduling”, Transportation Research Part E: Logistics and Transportation Review, 45(6): 946-959.
| ||
|
آمار تعداد مشاهده مقاله: 435 تعداد دریافت فایل اصل مقاله: 373 |
||