برای مشاهده و دانلود پایان نامه های لاتین رایگان بر روی لینک زیر کلیک نمایید


>>>>  فهرست پایان نامه های لاتین رایگان  <<<<

 

دانلود رایگان پایان نامه لاتین از دانشگاه The University of Texas at Arlington با عنوان

Designing multi-objective reverse logistics networks using genetic algorithms
by Yimsiri, Sanya, The University of Texas at Arlington, 2009, 101 pages; 3355916

Abstract

Reverse logistics (RL) involves management of activities that include collection, sort/storage, transportation, recovery, disposal and re-distribution. The product return process is more complicated than forward logistics due to presence of multiple reverse distribution channels, individualized returns with small quantities, extended order cycles associated with product exchanges and a variety of recovery and disposition options. Reverse logistics has been gaining interest from many sectors due to rising costs, environmental concern and tougher regulations. As a result, good reverse logistics network design can help business save costs and meet their bottom lines in this competitive global environment. Most of the previous research in reverse logistics network design has focused on minimizing total costs. However, focusing on minimizing total costs alone is not adequate as there are other environmental and economical factors that contribute to increasing total costs. Therefore, in real life, such design problems usually have multiple objectives to be satisfied. In this research, not only total costs but also total transportation are minimized using non-conventional optimization algorithms. Evolutionary Computation (EC) has been gaining attention due to its effectiveness and robustness in searching for a set of noninferior solutions for a multi-objective problem. Genetic Algorithms (GA) are considered the most well known class of EC. They are stochastic search techniques that mimic the natural evolution process, and do not require prior domain knowledge.

The purpose of this research has been to develop a technique to solve the reverse logistics network design problem with multiple objectives approach. The Pareto based Multi-objective Genetic Algorithm (MOGA) was used to obtain non-dominated solutions. A case study was conducted and sensitivity analysis was performed to compare robustness and stability between typical aggregation based multi-objective genetic algorithms and the Pareto based genetic algorithms developed in this research. The outcome shows that the Pareto based genetic algorithms technique provides an efficient design tool for the reverse logistics network design problem with multiple objectives.




دریافت لینک دانلود


در صورت نیاز به پایان نامه خاصی از پایگاه ProQuest می توانید عنوان آن را از طریق لینک زیر جستجو کرده و به آدرس ایمیل زیر ارسال نمایید.

برای جستجوی پایان نامه مورد نظر خود بر روی تصویر زیر کلیک نمایید:


جستجوی پایان نامه



ardabil.sci@gmail.com


هزینه دانلود و ارسال متن کامل پایان نامه : 3000 تومان


لجستیک معکوس (RL) شامل مدیریت فعالیت های است که شامل مجموعه، مرتب کردن / ذخیره سازی، حمل و نقل، بهبود، دفع و توزیع مجدد. روند بازگشت کالا به دلیل وجود از کانال های متعدد توزیع معکوس، بازده فردی با مقادیر کوچک، چرخه طولانی در ارتباط با مبادلات کالا و انواع گزینه های بازیابی و انتقال پیچیده تر از تدارکات به جلو است. لجستیک معکوس شده است به دست آوردن منافع از بسیاری از بخش به دلیل افزایش هزینه ها، نگرانی های زیست محیطی و مقررات سخت تر. در نتیجه، لجستیک معکوس خوب طراحی شبکه می توانید کسب و کار صرفه جویی در هزینه کمک و دیدار با خط پایین خود در این محیط رقابتی جهانی. بسیاری از تحقیقات قبلی در طراحی شبکه لجستیک معکوس است در به حداقل رساندن هزینه های کل متمرکز شده است. با این حال، با تمرکز بر به حداقل رساندن هزینه های کل به تنهایی کافی نیست به عنوان دیگر عوامل محیطی و اقتصادی که به افزایش هزینه های کل کمک کنند. بنابراین، در زندگی واقعی، چنین مشکلاتی طراحی معمولا اهداف چندگانه به راضی است. در این تحقیق، نه تنها کل هزینه بلکه حمل و نقل کل به حداقل می رسد با استفاده از الگوریتم بهینه سازی غیر معمولی است. محاسبات تکاملی (EC) شده است به دست آوردن توجه به اثربخشی و مقاوم بودن آن در جستجو برای یک مجموعه ای از راه حل های noninferior برای یک مشکل چند هدفه. الگوریتم ژنتیک (GA) در کلاس شناخته شده ترین EC در نظر گرفته. آنها از تکنیک های جستجو تصادفی که تقلید از فرآیند تکامل طبیعی، و دامنه دانش قبل از نیاز نیست.

هدف از این پژوهش به منظور توسعه یک روش برای حل این مشکل طراحی شبکه لجستیک معکوس با رویکرد اهداف چندگانه. الگوریتم ژنتیک چند هدفه پارتو بر اساس (MOGA) برای به دست آوردن راه حل های غیر تحت سلطه مورد استفاده قرار گرفت. مطالعه موردی انجام شد و مقایسه استحکام و ثبات بین تجمع معمول بر اساس الگوریتم ژنتیک چند هدفه و الگوریتم ژنتیک پارتو بر اساس توسعه در این تحقیق تجزیه و تحلیل حساسیت انجام شد. نتیجه نشان می دهد که روش الگوریتم ژنتیک پارتو بر اساس یک ابزار طراحی کارآمد برای مشکل طراحی شبکه لجستیک معکوس با اهداف چندگانه را فراهم می کند.