ارائه الگوریتم بهینه‌سازی فرامکاشفه‌ای برای حل مسأله تخصیص منابع محدود به پروژه‌های مکانیزاسیون کشاورزی: مطالعه موردی دشت مغان

ماشین های کشاورزی

مقاله 8، دوره 14، شماره 2 - شماره پیاپی 32، تیر 1403، صفحه 215-234   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.2023.81735.1157

نویسندگان

عادل طاهری حاجی وند^{* 1}؛ کیمیا شیرینی²؛ سینا صمدی قره ورن³

¹گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

²دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

³دانشجوی دکتری مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

چکیده

پروژه‌های زمان‌بندی در کشاورزی شامل عملیات و فعالیت‌هایی است که با ترتیب معین و در یک بازه زمانی مشخص انجام می‌گیرند. چنانچه این عملیات و فعالیت‌ها به‌موقع انجام نشوند، به دلیل افت کمی و کیفی محصول، سبب افزایش هزینه‌های واحد کشاورزی و در نتیجه سبب ایجاد هزینه‌های به‌موقع نبودن خواهند شد. انجام به‌موقع عملیات و پروژه‌های مکانیزاسیون کشاورزی یکی از مهم‌ترین مسائلی است که در سال‌های اخیر مدنظر بوده است. برای حل مسأله زمان‌بندی پروژه با منابع محدود روش‌های مختلفی ارائه شده است که هریک سعی در یافتن جواب بهینه می‌باشند. با توجه به این‌که این مسائل از نوع NP-hard می‌باشند، در این پژوهش از الگوریتم رقابت استعماری به‌منظور زمان‌بندی پروژه‌های مکانیزاسیون کشاورزی دو محصول غالب کشت و صنعت مغان استفاده شده‌است. هدف اصلی این زمان‌بندی کمینه‌کردن زمان تکمیل پروژه و کاهش هزینه‌ها است به‌صورتی‌که در انجام به‌موقع عملیات کشاورزی اختلالی ایجاد نشود. اطلاعات مربوط به فعالیت‌ها، منابع مورد نیاز هر فعالیت و پیش‌نیازی فعالیت‌های هر محصول و پارامترهای الگوریتم پیشنهادی برای مساله زمان‌بندی پروژه با منابع محدود مدل‌سازی و پیاده‌سازی شده است و نتایج حاصل از اجرای الگوریتم نشان‌دهنده‌ی موفقیت‌آمیز بودن روش رقابت استعماری در زمان‌بندی و تخصیص بهینه منابع به هر یک از فعالیت‌ها است. الگوریتم رقابت استعماری ارائه‌شده در این مقاله با الگوریتم‌‌های شناخته‌شده از جمله الگوریتم ژنتیک، الگوریتم پرندگان و الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی مقایسه گردیده است. نتایج حاکی از صرفه‌جویی 25 روزه در زمان انجام پروژه‌‌ها و 16700 واحد پولی در هزینه‌ها در روش رقابت استعماری در محصول کلزا و صرفه‌جویی 42 روزه و 3233 واحد پولی در هزینه محصول گندم شده است.

کلیدواژه‌ها

الگوریتم فراابتکاری؛ به‌موقع‌بودن؛ تخصیص منابع؛ رقابت استعماری؛ زمان‌بندی پروژه

مراجع

1. Abdolshah, M. (2014). A review of resource-constrained project scheduling problems (RCPSP) approaches and solutions. International Transaction Journal of Engineering, Management, & Applied Sciences & Technologies, 5(4), 253-286.
2. Abdi, A. E. (2009). Planning and scheduling of agricultural mechanization projects with Gart networks.
3. Dumond, J., & Mabert, V. A. (1988). Evaluating project scheduling and due date assignment procedures: an experimental analysis. Management Science, 34(1), 101-118. https://doi.org/10.1287/mnsc.34.1.101
4. Dasgupta, K., Mandal, B., Dutta, P., Mandal, J. K., & Dam, S. (2013). A genetic algorithm (ga) based load balancing strategy for cloud computing. Procedia Technology, 10, 340-347. https://doi.org/10.1016/j.protcy.2013.12.369
5. Fekri, R., Amiri, M., Sajjad, R., & Golestaneh, R. (2016). Optimization of bank portfolio investment decision considering resistive economy. Journal of Money and Economy, 11(4), 375-400.
6. Gonçalves, G., Marques, P. A., Granadeiro, C. M., Nogueira, H. I., Singh, M. K., & Gracio, J. (2009). Surface modification of graphene nanosheets with gold nanoparticles: the role of oxygen moieties at graphene surface on gold nucleation and growth. Chemistry of Materials, 21(20), 4796-4802. https://doi.org/10.1021/cm901052s
7. Hourzadeh. (2013). Modeling and planning of resource allocation and cost-time balance of agricultural mechanization projects with PERT networks.
8. Hussain, K., Mohd Salleh, M. N., Cheng, S., & Shi, Y. (2019). Metaheuristic research: a comprehensive survey. Artificial Intelligence Review, 52, 2191-2233. https://doi.org/10.1007/s10462-017-9605-z
9. Küçüksayacıgil, F. (2014). Use of genetic algorithms in multi-objective multi-project resource constrained project scheduling.
10. Larrañaga, P. (2002). A Review on Estimation of Distribution Algorithms. In: Larrañaga, P., Lozano, J.A. (eds) Estimation of Distribution Algorithms. Genetic Algorithms and Evolutionary Computation, 2. Springer, Boston, MA. https://doi.org/10.1007/978-1-4615-1539-5_3
11. Mirjalili, S. (2019). Evolutionary algorithms and neural networks. Studies in computational intelligence, Springer.
12. Paraskevopoulos, D. C., Tarantilis, C. D., & Ioannou, G. (2016). An adaptive memory programming framework for the resource-constrained project scheduling problem. International Journal of Production Research, 54(16), 4938-4956. https://doi.org/10.1080/00207543.2016.1145814
13. Simon, D. (2008). Biogeography-based optimization. IEEE Transactions on Evolutionary Computation, 12(6), 702-713. https://doi.org/10.1109/tevc.2008.919004
14. Vartouni, A. M., & Khanli, L. M. (2014). A hybrid genetic algorithm and fuzzy set applied to multi-mode resource-constrained project scheduling problem. Journal of Intelligent & Fuzzy Systems, 26(3), 1103-1112. https://doi.org/10.3233/ifs-120747
15. Wang, H., Lin, D., & Li, M. Q. (2005). A competitive genetic algorithm for resource-constrained project scheduling problem. 2005 International Conference on Machine Learning and Cybernetics, IEEE. https://doi.org/10.1109/icmlc.2005.1527446
16. Wang, F., Zhang, H., Li, K., Lin, Z., Yang, J., & Shen, X. L. (2018). A hybrid particle swarm optimization algorithm using adaptive learning strategy. Information Sciences, 436, 162-177. https://doi.org/10.1016/j.ins.2018.01.027
17. Xing, B., & Gao, W. J. (2014). Innovative computational intelligence: a rough guide to 134 clever algorithms, Springer. https://doi.org/10.1007/978-3-319-03404-1