به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « particle swarm optimization algorithm » در نشریات گروه « صنایع »

تکرار جستجوی کلیدواژه «particle swarm optimization algorithm» در نشریات گروه «فنی و مهندسی»
  • آتنا ناصری، سید احمد یزدیان*

    با افزایش آلودگی های زیست محیطی در اثر دفع محصولات مستعمل در محیط زیست، بازیابی این گونه محصولات در پایان چرخه عمرشان تبدیل به یکی از موضوعات مهم در حوزه لجستیک معکوس و تولید پایدار شده است. بازتولید یکی از گزینه های بازیابی محصولات مستعمل، با مزیت های اقتصادی بالا و کمترین اثرات مخرب زیست محیطی می باشد. برنامه ریزی همزمان تولید محصولات نو و بازتولید محصولات مستعمل، یک سیستم ترکیبی تولید/بازتولید را شکل داده که در زمره مسائل پیچیده در حوزه برنامه ریزی سیستم های تولیدی قرار می گیرد که تاکنون در این حوزه، قیمت گذاری، وارانتی و همچنین رقابت به صورت جدی بررسی نشده است. هدف این پژوهش ایجاد یک برنامه تولید بهینه برای یک سیستم ترکیبی تولید/بازتولید چنددوره ای است که در آن تولیدکننده درخصوص قیمت، میزان تولید و مدت زمان وارانتی برای محصولات نو و بازتولیدی به صورت همزمان تصمیم می گیرد. برای دستیابی به این هدف، یک مدل ریاضی غیرخطی عدد صحیح مختلط (MINLP) چنددوره ای ساخته می شود. در دوره اول تنها محصول نو تولید و به فروش می رسد، سپس از دوره های بعد محصولات مستعمل (هسته ها) در سطوح کیفیتی متفاوت از مشتریان خریداری شده و درنتیجه بازتولید به مدل اضافه می گردد. ازآنجا که هر دو نوع محصول در یک بازار به فروش می رسند، بین آن ها در کسب سهم بیشتر بازار رقابت وجود دارد، که این موضوع در مدل لحاظ شده است. باتوجه به پیچیدگی مدل توسعه یافته، از الگوریتم های بهینه سازی ازدحام ذرات و شبیه سازی تبرید برای حل آن استفاده می شود. نتایج عددی، کارایی و اثربخشی مدل پیشنهادی و رویکردهای حل را نشان می دهند.

    کلید واژگان: سیستم ترکیبی تولید, بازتولید, قیمت گذاری, وارانتی, رقابت, برنامه ریزی غیرخطی عدد صحیح مختلط, الگوریتم بهینه سازی ازدحام ذرات
    Atena Naseri, Seyyed Ahmad Yazdian *

    With the increase in environmental pollution due to the disposal of used products in the environment, recovery of such products at the end of their life cycle has become one of the important issues in the field of reverse logistics and sustainable production. Remanufacturing is one of the options for used products recovery with high economic advantages and the least harmful environmental effects. The simultaneous planning of the production of new products and remanufacturing of used ones forms a combined manufacturing/remanufacturing system, which is among the complex issues in the field of production systems planning. The combined pricing, warranty, and competition considerations has so far not been seriously investigated in this field. The aim of this research is to create an optimal production plan for a multi-period hybrid manufacturing/remanufacturing system, where the producer decides on the price, the amount of production and the warranty period for both new and remanufactuted products. To achieve this goal, a multi-period mixed integer non-linear programming (MINLP) model is built. Only new products are produced and sold in the first period, then the used products (cores), in different quality levels, are purchased from customers in the following periods, and hence, remanufacturing is added to the model. Both types of products are sold in the same market, so there is competition between them to gain more market share. Due to the complexity of the developed model, particle swarm optimization (PSO), and simulated annealing (SA) algorithms are used for its solution. Numerical results show the efficiency and effectiveness of the proposed model and solution approaches.

    Keywords: Hybrid Manufacturing, Remanufacturing System, Pricing, Warranty, Competition, Mixed-Integer Nonlinear Programming, Particle Swarm Optimization Algorithm
  • Milad Shahvaroughi Farahani *, Hamed Farrokhi-Asl, Saeed Rahimian
    Investigating stock price trends and determining future stock prices have become focal points for researchers within the finance sector. However, predicting stock price trends is a complex task due to the multitude of influencing factors. Consequently, there has been a growing interest in developing more precise and heuristic models and methods for stock price prediction in recent years. This study aims to assess the effectiveness of technical indicators for stock price prediction, including closing price, lowest price, highest price, and the exponential moving average method. To thoroughly analyze the relationship between these technical indicators and stock prices over predefined time intervals, we employ an Artificial Neural Network (ANN). This ANN is optimized using a combination of Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Harmony Search (HS) algorithms as meta-heuristic techniques for enhancing stock price prediction. The GA is employed for selecting the most suitable optimization indicators. In addition to indicator selection, PSO and HS are utilized to fine-tune the Neural Network (NN), minimizing network errors and optimizing weights and the number of hidden layers simultaneously. We employ eight estimation criteria for error assessment to evaluate the proposed model's performance and select the best model based on error criteria. An innovative aspect of this research involves testing market efficiency and identifying the most significant companies in Iran as the statistical population. The experimental results clearly indicate that a hybrid ANN-HS algorithm outperforms other algorithms regarding stock price prediction accuracy. Finally, we conduct run tests, a non-parametric test, to evaluate the Efficient Market Hypothesis (EMH) in its weak form.
    Keywords: Technical Indicators, Artificial Neural Network, Genetic Algorithm, harmony search, Particle Swarm Optimization Algorithm, Efficient market hypothesis
  • محمدرضا اعتباری، ناصر فقهی فرهمند*، سلیمان ایران زاده
    هدف

    عدم توانایی بانک ها در اعتبارسنجی و ارزیابی مالی مشتریان و پیش بینی دقیق ریسک اعتباری تسهیلات گیرندگان، تاثیرات مخربی بر سیستم مالی جهانی و فعالیت های اقتصادی داشته و از اصلی ترین دلایل بحران های مالی جهانی در سال های اخیر بوده اند. هدف این تحقیق، تدوین مدل پیش بینی اعتباری مشتریان حقوقی بانک های خصوصی با بهره گیری از الگوریتم های فراابتکاری در شعبه های بانک پاسارگاد شمال غرب کشور بوده است.

    روش شناسی پژوهش

    این تحقیق براساس هدف پژوهش، توسعه ای و براساس روش انجام کار توصیفی می باشد. جامعه آماری این تحقیق را دو بخش خبرگان و مدیران بانکی استان آذربایجان شرقی و مشتریان حقوقی بانک پاسارگاد در شمال غرب کشور تشکیل می دهند. حجم نمونه آماری برای جامعه اول، 58 خبره بانکی استان اعم از مدیران، مسیولین اعتباری و روسای شعب با سابقه کار اعتباری بانک های خصوصی تعیین شده و برای جامعه دوم، براساس نمونه گیری هدفمند 427 مشتری حقوقی بانک پاسارگاد انتخاب شده است. به منظور جمع آوری داده ها از پرسشنامه و اسناد و مدارک بانک پاسارگاد بهره گرفته شده و روایی پرسشنامه به صورت روایی محتوا و براساس شاخص های نسبت روایی محتوا و شاخص روایی محتوا و پایایی پرسشنامه با استفاده از ضریب آلفای کرونباخ مورد بررسی و تایید قرار گرفته است. به منظور تجزیه و تحلیل داده ها از آزمون t، تحلیل عاملی تاییدی، شبکه عصبی مصنوعی چند لایه، شبکه عصبی آموزش دیده با الگوریتم ژنتیک، شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات و شبکه عصبی آموزش دیده با الگوریتم تکامل تفاضلی استفاده شده است.

    یافته‎ ها

    یافته های پژوهش نشان می دهد که هر چهار مدل فوق قادر به پیش بینی اعتباری مشتریان حقوقی بانک های خصوصی هستند و بهترین روش برای پیش بینی اعتباری مشتریان حقوقی بانک های خصوصی، شبکه عصبی آموزش دیده با الگوریتم تکامل تفاضلی با کمترین مقدار خطا نسبت به سه روش دیگر است.

    کلید واژگان: پیش بینی اعتباری, الگوریتم شبکه عصبی مصنوعی, الگوریتم ژنتیک, الگوریتم تکامل تفاضلی, الگوریتم ازدحام ذرات
    Mohammadreza Etebari, Naser Feghhi Farahmand *, Soleyman Iranzadeh
    Purpose

    Banks' inability to credit assessment and financial evaluation of customers and forecasting accurately the credit risk of borrowers has devastating effects on the global financial system and economic activity and have been the main causes of global financial crises in recent years.The purpose of this paper is to compile a credit forecasting model for legal customers of private banks by using meta-heuristic algorithms in the branches of Pasargad Bank in the northwest of Iran.

    Methodology

    This research is base on the purpose of developmental research and based on the method of performing descriptive work. The statistical population of this study is in two sections of banking experts and legal customers of Pasargad Bank in the northwest of the Iran. The statistical sample size for the first community of 58 banking experts including managers, credit officials and heads of branches in with credit work experience in private banks and for the second community, 427 legal clients were selected based on targeted sampling. In order to collect data in this research, a questionnaire and documents of Pasargad Bank have been used. The validity of the questionnaire was investigated as content validity and based on the indicators of content validity ratio and content validity index. The reliability of the questionnaire was assessed using Cronbach's alpha coefficient. In order to analyze the research data, t-test, confirmatory factor analysis, multilayer neural network, genetically trained neural network, trained neural network with particle swarm optimization and trained neural network with differential evolution will be used.

    Findings

     The research findings show that all four models are able to predict the credit predictions of the legal customers of private banks and the best way to predict the credit predictions of the legal customers of private banks is the neural network trained with differential evolution algorithm with the least amount of error compared to the other three methods.Originality/Value: In this research by using meta-heuristic algorithms, a new credit forecasting model produce for legal customers of private banks with the least amount of error.

    Keywords: Credit Forecasting, Neural Network Algorithm, Genetic Algorithm, Differential evolution algorithm, Particle Swarm Optimization Algorithm
  • Raheleh Moazami Goodarzi, Fardin Ahmadizar *, Hiwa Farughi
    In this paper, a new integrated mathematical model for production and distribution planning is presented to minimize tardiness and transportation costs. A mixed-integer linear programming (MILP) formulation is developed for the problem which consists of two parts. First, the production scheduling in a hybrid flow shop (HFS) environment with identical machines in each stage, and then, the delivery of completed jobs with a fleet of vehicles that have the same capacity. Due to the NP-hard nature of the problem, a new metaheuristic approach based on Particle Swarm Optimization Algorithm (PSO) and Genetic Algorithm (GA) is presented to solve the integrated problem. GA’s operators are used to update the particle position of the PSO algorithm. The algorithm uses dispatching rules to represent the initial solution and searches in the solution space including active schedules. To investigate the efficiency and effectiveness of the proposed method, numerical studies are carried out with random problems. The computational results show that the proposed solution approach yields fairly good results in comparison with the PSO versions in the subject literature. The algorithm is capable of generating relatively good solutions for sample cases.
    Keywords: Integrated production, distribution scheduling, hybrid flow shop, vehicle routing problem, Particle Swarm Optimization Algorithm, Genetic Algorithm
  • Mojtaba Salehi*, Haniyeh Rezaei
    In the new strategies of purchasing and production, suppliers play a key role in achieving of competitive capability for big companies. The selection of suitable suppliers is a critical component of this strategy. The problem of allocation order to supplier is a multi-objective problem that includes fuzzy parameters and also suppliers usually consider discount due to different levels of purchase amount. Since there is not a multi-objective fuzzy model for allocating orders in the literature that consider discount and shortfall simultaneously in the planning horizon of multi-products, this research proposes a new model includes minimization of costs, delays and the percentage of defective parts as objective functions. Jimenez method is used to defuzzy price, demand, delay and percentage of defective parts. Since the model is NP-hard, the two metaheuristic algorithms, NSGAII and MOPSO that their parameters were set by the Taguchi method has been developed. According to the results of numerical problems, the proposed algorithms can provide a good approximation of the optimal solutions for intended objectives.
    Keywords: supplier selection, order allocation, discount, genetic algorithm, particle swarm optimization algorithm
  • محسن اکبرپور شیرازی، بهروز کریمی، عبدالرسول رادمنش

    تکنیک لجستیک جدیدی که به طور موفقیت آمیز، در تعداد زیادی از زنجیره خرده فروشان به کار گرفته شده تحت عنوان انبار میانی نامیده می شود. در این سیستم، انبارها به جای اینکه نقاطی برای انبارش موجودی باشند، به منزله هماهنگ کننده موجودی هستند.
    این مقاله، با مدلی سروکار دارد که مسئله مسیریابی وسیله نقلیه با وجود انبار میانی و امکان ارسال جزئی محصولات به مشتریان را بهینه سازی کرده است. بدین صورت که با دو نوع توزیع محصولات سروکار دارد و وسایل نقلیه پس از ترک انبار، طی مسیرهایی محصولات را از تامین کنندگان جمع آوری کرده و به انبار باز می گرداند سپس پس از جداسازی و ادغام محصولات داخل انبار، اقلام را با توجه به ارسال جزئی در مسیرهای بین مشتریان توزیع کرده یا به طور مستقیم از کارخانه ها به مشتریان ارسال می کنند.
    مسئله مورد نظر چون از مسئله مسیریابی وسیله نقلیه پیروی می کند NP-hard بوده و در نتیجه استفاده از روش های دقیق برای حل آن ممکن نیست. در این مقاله برای حل، از دو الگوریتم فرا ابتکاری بهینه سازی توده ذرات و جستجوی ممنوع و یک الگوریتم ابتکاری جستجوی همسایگی، استفاده شده است و نتایج آن برای چهار دسته داده با سایزهای 5، 8، 9 ، 10 و 20 جفت مشتری در نظر گرفته شده است که از نتایج نهایی نتیجه گرفته می شود که الگوریتم بهینه سازی توده ذرات با وجود زمان زیاد به جواب های قابل قبول و نزدیک به بهینه می رسد و الگوریتم ابتکاری جستجوی همسایگی با جواب های خوب در رده دوم ولی کمترین زمان را برای دستیابی به جواب نزدیک به بهینه صرف می کند.

    کلید واژگان: انبار میانی, الگوریتم بهینه سازی توده ذرات, الگوریتم جستجوی ممنوع, مسیریابی وسیله نقلیه
    M. Akbarpourshirazi, B. Karimi, A. Radmanesh

    The middle repository is a relatively new logistics technique that has been used successfully in a large number of retail chains. In this system, repositories instead of being points for storing goods, are coordinators of the stock. This paper by modeling two objective functions simultaneously has simulated and optimized the problem of routing vehicle with middle repository and possibility of slight sending of products to customers. In this way, vehicles after leaving repository through some routes collect goods from suppliers and return to repository and after the separation and integration of products within repository, distribute items among customers with respect to slight sending in routes or send items directly from factory to customers.
    Because of the inherent complexity of integer hybrid models and their NP-hardness, they cannot be solved by exact methods. In this paper, optimization of the mass of particles and the Tabu search as two meta-heuristic algorithms and a heuristic algorithm for searching neighborhoods are used and the results of the five data sets with different sizes are analyzed. The findings show that the algorithm of optimization of the mass of particles despite being time-consuming finds acceptable and near-optimal solutions and heuristic algorithm of searching neighborhoods despite good results is in the second rank. However, in terms of time, it takes minimum time to find near-optimal solution.

    Keywords: Cross Docking, Particle Swarm Optimization Algorithm, Tabu Search Algorithm, Vehicle Routing Problem
  • Dr. Parviz Fattahi *, Bahman Ismailnezhad
    In this paper, a stochastic cell formation problem is studied using queuing theory framework and considering reliability. Since cell formation problem is NP-Hard, two algorithms based on genetic and modified particle swarm optimization (MPSO) algorithms are developed to solve the problem. For generating initial solutions in these algorithms, a new heuristic method is developed, which always creates feasible solutions. Moreover, full factorial and Taguchi methods are implemented to set crucial parameters in the solutions procedures. Deterministic method of branch and bound (B&B) algorithm is used to evaluate the results of modified particle swarm optimization algorithm and the genetic algorithm. The results indicate that proposed algorithms have better performance in quality of the metaheurstic algorithms final answer and solving time compared with the method of Lingo software’s B&B algorithm. The solution of two metaheurstic algorithms is compared by t test. Ultimately, the results of numerical examples indicate that considering reliability has significant effect on block structures of machine-part matrixes.
    Keywords: Cell formation problem, Queuing theory, Particle swarm optimization algorithm, Genetic
  • Zohreh Omranpour, Farhad Ghassemi, Tari
    In this article a new algorithm is developed for optimizing computationally expensive simulation models. The optimization algorithm is developed for continues unconstrained single output simulation models. The algorithm is developed using two simulation optimization routines. We employed the nested partitioning (NP) routine for concentrating the search efforts in the regions which are most likely contained the global optimum, and we used the experimental design concept for selecting most promising points. Then we integrated the Particle Swarm Optimization (PSO) routine as the searching mechanism of the developed algorithm to single out the best point (optimal or a near optimal solution). Through these integrations, an algorithm was developed which is capable of optimizing digital simulation models. The efficiency of the developed algorithm was then evaluated through a computationalexperiment. Ten test problems were selected from the literature and the efficiency of the PSPO algorithm was compared by two well-known algorithms. The result of this experiment revealed that the developed algorithm provided a more accurate result comparing to these algorithms.
    Keywords: Simulation optimization, Nested Partition Algorithm, Sequential Experimental Design, Particle Swarm Optimization Algorithm
  • عاطفه کهفی اردکانی، فرناز برزین پور، رضا توکلی مقدم
    سیستم تولید سلولی، یکی از مهم ترین کاربردهای تکنولوژی گروهی است. مسئله تشکیل سلول و برنامه ریزی تولید، دو گام مهم در پیاده سازی این سیستم هستند. در این مقاله یک مدل جدید برای مسئله یکپارچه تشکیل سلول پویا و برنامه ریزی تولید با هدف حداقل سازی هزینه های کلی شامل هزینه های ماشین، حمل و نقل بین سلولی و درون سلولی، استقرار مجدد، مصرف ابزار، نگهداری موجودی و کمبود و برون سپاری قطعات با شرط در دسترس بودن ابزار، ارائه می شود. با توجه به NP-Hard بودن مدل پیشنهادی، یک الگوریتم بهینه سازی انبوه ذرات توسعه یافته برای حل مسئله طراحی می شود. در الگوریتم پیشنهادی، با استفاده از اطلاعات بهینه محلی و مقداردهی دوباره، بدترین ذرات پراکندگی جواب ها افزایش یافته و از همگرایی زودرس جلوگیری می شود. مقایسه نتایج الگوریتم پیشنهادی با نتایج حاصل از نرم افزار LINGO 8.0 در مسائل کوچک و با الگوریتم بهینه سازی انبوه ذرات استاندارد در مسائل با ابعاد مختلف، کارآمدی آن را نشان می دهد.
    کلید واژگان: سیستم تولید سلولی پویا, الگوریتم بهینه سازی انبوه ذرات, برنامه ریزی تولید, تشکیل سلول
    A. Kahfi Ardakani, F. Barzinpour, R. Tavakkoli, Moghaddam
    Cellular manufacturing system is one of the most important applications of group technology. Design of this system involves many structural and operational issues, in which the cell formation and production planning are two important steps. In this paper, a new mathematical model is proposed for integration of cell formation and production planning problems with the aim of minimizing the overall costs such as machine, inter-cell and intra-cell movements, reconfiguration, tool consumption inventory holding, backorders and partial subcontracting based on tooling available in dynamic condition. Since the cell formation problem is NP-hard, an extended particle swarm optimization is presented. In the proposed algorithm, we use the local best for updating the particle position and re-initialize the worst particles positions to increase diversity and prevent premature convergence. Comparison of the proposed algorithm with LINGO 8.0 software in small size problem and with the standard particle swarm optimization in large size problem shows the efficiency of the presented approach.
    Keywords: Particle swarm optimization algorithm, Production planning, Cell formation, Dynamic cell formation
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال