پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,517,970 |
| تعداد دریافت فایل اصل مقاله | 98,777,856 |
یک مدل بهینهسازی ریاضی برای تخصیص هفته‌های ترم تحصیلی به دانشجویان رسته‌های مختلف در شرایط کرونا زیستی | ||
| مدیریت صنعتی | ||
| دوره 12، شماره 3، 1399، صفحه 502-520 اصل مقاله (1.5 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2021.314977.1007804 | ||
| نویسندگان | ||
| حسن رشیدی1؛ زینب رشیدی* 2 | ||
| 1استاد، گروه رایانه، دانشکده آمار، ریاضی و رایانه، دانشگاه علامه طباطبایی، تهران، ایران. | ||
| 2دانشجوی دکتری، گروه تکنولوژی آموزشی، دانشکده روانشناسی و علوم تربیتی، دانشگاه علامه طباطبایی، تهران، ایران | ||
| چکیده | ||
| هدف: بسیاری از دانشگاه‌های برتر جهان، تصمیم گرفته‌اند که آموزش مجازی را در نیمسال آینده برگزار کنند. در کشور ایران هم، پیش‌بینی‌ها وضعیت قرمزی را برای برخی مناطق از لحاظ شیوع کرونا نشان می‌دهند. همچنین، تعدادی از دانشجویان دانشگاه‌ها در این مناطق سکونت دارند. بنابراین، در برنامه‌ریزی نیمسال آینده باید تمرکز بیشتری روی آموزش مجازی صورت پذیرد. طبق دستورالعمل‌های وزارت علوم، تحقیقات و فناوری در ایران، آموزش دانشجویان باید به گونه دو بخشی شامل آموزش مجازی و آموزش حضوری به اجرا در آید. در آموزش حضوری با نیازمندی‌های فضای آموزشی، دانشجویان به رسته‌هایی تقسیم می‌شوند به شکلی که اجرای پروتکل‌های بهداشتی در دانشگاه و فضای آموزشی شدنی باشد. به این منظور در این پژوهش یک مدل بهینهسازی ریاضی برای تخصیص هفته‌های ترم تحصیلی به دانشجویان رسته‌های مختلف در شرایط کرونا زیستی ارائه شده است. روش: در این مقاله، برای تعیین هفته‌های خاص به دانشجویان رسته‌های مختلف در طول ترم تحصیلی در آموزش حضوری، یک مدل بهینهسازی ریاضی به صورت برنامه‌ریزی غیر خطی با متغیرهای صحیح پیشنهاد می‌شود. در تابع هدف مدل، توزیع دانشجویان در فضای آموزشی طی هفته‌های متوالی در طول ترم تحصیلی به گونه‌ای انجام می‌شود که بیشینه پراکندگی ممکن را، به دلیل جلوگیری از شیوع بیماری کرونا داشته باشد. یافته‌ها: این مدل برای تخصیص هفته‌های خاص به دانشجویان رسته‌های مختلف در دانشگاه (به صورت عمومی)، پیاده‌سازی شده و به کارگیری آن نتایج مثبتی را برای تصمیم گیرندگان، به صورت خاص در دانشگاه علامه طباطبایی، به همراه داشته است. نتیجه‌گیری: نتایج به دست آمده از پیاده‌سازی و اجرای مدل، چشم‌انداز روشن و مثبتی را برای تصمیم گیرندگان در دانشگاه به همراه خواهد داشت. برای ادامه این پژوهش، باید مدل بهینهسازی دیگری برای هر دانشکده با در نظر گرفتن محدودیت‌های هر گروه آموزشی طراحی و اجرا گردد. | ||
| کلیدواژه‌ها | ||
| آموزش حضوری؛ بهینهسازی؛ زمان‌بندی هفتگی؛ شیوع کرونا؛ مدل‌سازی | ||
| عنوان مقاله [English] | ||
| A Mathematical Optimization Model for Allocating Semester Weeks to Students of Different Disciplines in Coronary-Living Conditions | ||
| نویسندگان [English] | ||
| Hassan Rashidi1؛ Zeynab Rashidi2 | ||
| 1Prof., Faculty of Statistics, Mathematics & Computer, Allameh Tabataba’i University, Tehran, Iran. | ||
| 2Ph.D. Candidate, Department of Educational Technology, Faculty of Psychology & Educational Sciences, Allameh Tabataba’i University, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective: Many of the world's top universities have already decided to hold the next semester with e-teaching. In Iran, too, the forecasts show a red situation for some areas in terms of corona prevalence. Also, several university students live in these areas. In planning the next semester, therefore, more focus should be on e-teaching. According to the instructions of the Ministry of Science, Research and Technology in Iran, education should be implemented in two parts, including e-teaching and face-to-face training. In face-to-face education with the needs of the educational space, students are divided into disciplines so that the implementation of health protocols in the university and educational space is possible. For this purpose, in this research, a mathematical optimization model is presented to allocate semester weeks to students of different disciplines in coronary-living conditions. Methods: In this paper, to determine specific weeks for students of different disciplines during the semester in face-to-face education, a mathematical optimization model is proposed in the form of nonlinear programming with integer variables. In the objective function of the model, the distribution of students in the educational space during consecutive weeks during the semester should be done in such a way that it has the maximum possible dispersion to prevent the spread of coronary heart disease. Results: This model has been implemented to allocate semester weeks to students of different majors at universities, in general, and its use has brought positive results for decision-makers, particularly at Allameh Tabataba’i University. Conclusion: The results obtained from the implementation and execution of the model will bring a clear and positive perspective for decision-makers in universities. To continue this research, another optimization model should be designed and implemented for each faculty, taking into account the limitations of each department | ||
| کلیدواژه‌ها [English] | ||
| Face-To-Face Training, Optimization, Weekly Schedule, Corona Prevalence, Modelling | ||
| مراجع | ||
|
اسماعیلیان، مجید؛ عبداللهی، سیده‌مریم (1396). ارائه یک مدل برنامه‌ریزی خطی عدد صحیح دو مرحله‌ای برای مسئله زمان‌بندی دروس دانشگاهی. مدیریت صنعتی، 9 (1)، 19-42. سلیمی‌فرد، خداکرم؛ جمالی، غلامرضا؛ بابایی‌زاده، سلمان (1392). زمان‌بندی درس‌های دانشگاه با به کارگیری هیوریستیک فرادست بر مبنای گراف. مدیریت صنعتی، 5 (2)، 49-70. سلیمی‌فرد، خداکرم؛ نخعی، میثم؛ زارع، زهرا؛ مغدانی، رضا (1397). روش آمیخته ابتکاری برای انتخاب مدل کاری و زمان‌بندی کارکنان شرکتهای پتروشیمی. مدیریت صنعتی، 10 (4)، 551-574. سیدی، سیدحسین؛ خاتمی‌فیروزآبادی، سیدمحمدعلی؛ امیری، مقصود؛ تقوی‌فرد، سیدمحمدتقی (1398). مکانیابی و تخصیص بهینه نقاط انتقال، بیمارستان و مراکز امدادی برای تشکیل زنجیره امدادرسانی در بحران، با فرض غربالگری مجروحان. مدیریت صنعتی، 11 (1)، 1-20.
References
Ashokka, B., Ong, S. Y., Tay, K. H., Loh, N. H. W., Gee, C. F., & Samarasekera, D. D. (2020). Coordinated responses of academic medical centres to pandemics: Sustaining medical education during COVID-19. Medical Teacher, 42(7), 762-771. Babaei, H., Karimpour, J., & Hadidi, A. (2015). A survey of approaches for university course timetabling problem. Computers & Industrial Engineering, 86, 43-59. Bellio, R., Ceschia, S., Di Gaspero, L., Schaerf, A., & Urli, T. (2016). Feature-based tuning of simulated annealing applied to the curriculum-based course timetabling problem. Computers & Operations Research, 65, 83-92. Eiselt, H. A., & Sandblom, C. L. (2019). Methods for nonlinearly constrained problems. In Nonlinear Optimization (pp. 243-278). Springer, Cham. Esmaelian, M., Abdollahi, S. (2017). Proposing a two-phase integer linear programming for university-course timetabling. Industrial Management, 9(1), 19-42. (in Persian) Hossain, S. I., Akhand, M. A. H., Shuvo, M. I. R., Siddique, N., & Adeli, H. (2019). Optimization of university course scheduling problem using particle swarm optimization with selective search. Expert Systems with Applications, 127, 9-24. Khodabakhshi-koolaee, A. (2020). Living in home quarantine: Analyzing psychological experiences of college students during Covid-19 pandemic. Journal of Military Medicine, 22(2), 130-138. Mesiono, M. (2020). Peer Review dan Hasil Turnitin E-Learning Management of State Islamic University of North Sumatera In Pandemic Covid-19. Peyravi, M., Marzaleh, M. A., Shamspour, N., & Soltani, A. (2020). Public education and electronic awareness of the new Coronavirus (COVID-19): Experiences from Iran. Disaster Medicine and Public Health Preparedness, 14(3), e5-e6. Rachmadtullah, R., Rasmitadila, R., Humaira, M. A., Aliyyah, R. R., & Samsudin, A. (2020). Use of blended learning with Moodle: study effectiveness in elementary school teacher education students during the COVID-19 pandemic use of blended learning with Moodle: Study effectiveness in elementary school teacher education students during the COV. Int. J. Adv. Sci. Technol, 29(7). Raja Murugadoss, J., & Krishna Kishore, K. (2020). Effectiveness of E-learning in rural India and significance of self-directed learning. International Journal of Advanced Science and Technology, 29(6), 6015-6020. Rashidi, H., & Hassanpour, M. (2020). A deep-belief network approach for course scheduling. Journal of Applied Research on Industrial Engineering, 7(3), 221-237. Salimifard, K., Jamali, G., Babaeezadeh, S. (2013). University course timetabling using graph-based hyper heuristics. Industrial Management, 5(2), 49-70. (in Persian) Salimifard, K., Nakhaei, M., Zare, Z., Moghdani, R. (2018). Developing a multi-objective meta-heuristic algorithm to select work model and staff scheduling in petrochemical companies. Industrial Management, 10(4), 551-574. (in Persian) Schreck, J., Baretton, G., & Schirmacher, P. (2020). Situation of the German university pathologies under the constraints of the corona pandemic-evaluation of a first representative survey. Der Pathologe. Seyyedi, S., khatami, M., Amiri, M., Taghavi Fard, M. (2019). Positioning and optimized allocation of transfer points, hospitals and emergency services centers to organize a crisis relief chain, assuming screening of injuries. Industrial Management, 11(1), 1-20. (in Persian) Song, K., Kim, S., Park, M. and Lee, H.S. (2017). Energy efficiency-based course timetabling for university buildings. Energy. 139(1), 394-405. | ||
|
آمار تعداد مشاهده مقاله: 525 تعداد دریافت فایل اصل مقاله: 342 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب