- ข้อความ
- ประวัติศาสตร์
4. ResultsThis section presents, co
4. Results
This section presents, compares and evaluates the results of our computational experiments. The proposed model is solved by using IBM ILOG CPLEX Optimization Studio (Version 12.2). The experiments were performed on an Intel Core Quad 2.66 GHz processor with 6 GB RAM on a 64-bit platform under Windows 7 environment. The model is composed of 10,916 constraints and 133,380
variables (of which 120 are integer variables). The problem is modeled by FGP approach taking the steps given in the following sections.
4.1. Efficient extreme solutions
The developed multiobjective MILP model (see Section 2.3) is solved as a single objective problem using each time only one objectiveandignoretheotherstospecifytheefficient extreme solutions (i.e. upper bound e z
max k
and lower bound e z
)for each objective. For this purpose, the problem is divided into nine sub-problems. Each time, one of the upper, lower and expected values of the fuzzy objective function coefficients and fuzzy resource are taken into consideration and sub-problems are solved according to either profit maximization or weighted unused biomass minimization objectives. The subproblems and corresponding objective function values are reported in Table 3. As seen from the table, upper and lower bounds for total supply chain profitareV623,826,998 and V449,213,032, for weighted unused waste biomass are 4355 t and 0 t, respectively.
4.2. Membership functions
Formulations of linear membership functions for each fuzzy objective and fuzzy constraint are determined considering the upper and lower bounds and are represented by the following equations.
min k
4.3. Fuzzy solution approaches
Considering the membership functions, the fuzzy model is transformed to an MILP model by introducing the auxiliary variable
l using: (1) “min operator”, (2) Modified Version of Werners' “Fuzzy and” operator, and (3) weighed additive approach. The MILP
The results obtained by each solution approach are presented in the following sections with related comparisons. It should be noted that, each solution result belongs to a supply chain configurationtion. Optimal configuration can be chosen among the options according to the decision maker's preferences related to supply chain performance indicators. Payback period of an investment isimportant factor which should be considered in decision making for supply chain design and management. Therefore, we consider payback period as well as total supply chain profit and weighted unused waste biomass amount as supply chain performance indicator when comparing the results.
4.3.1. Bellman and Zadeh's min operator The results of the problem obtained by using “min operator”
reveal that, total profit of the supply chain is V456,936,593 and corresponding membership function values of total supply chainofit and weighted unused waste biomass amount are 4.423% and 6.793%, respectively. In this case, 51.23 tons of biomass remains in the biomass supply regions and payback period of the investment is.62 years.
4.3.2. Modified version of Werners' “fuzzy and” operator Table 4 reports optimal solutions obtained by the modified
version of Werners' “Fuzzy and” operator according to different g
(coefficient of compensation) values. At this stage, a sensitivity analysis is conducted to see the impact of the coefficient of compensation on the results.In real life decision problems, relative importance of the objectives assigned by the decision makers may change according to decision maker or over time. To provide a broader decision spectrum to decision makers, the solutions are obtained by using two different relative weight combinations for the objectives (W
and W
). Fig. 3(a) and (b) illustrates the results presented in Table 4 graphically, in terms of membership function. The effects of variations in coefficient of compensation on membership functions can be observed in Fig. 3(a) and (b) for two differentight structures.
Unused Biomass
The results provide a broad perspective to decision makers. As stated before, any solution alternative can be selected as the best one concerning the priorities of the decision maker on different supply chain performance indicators. In this regard, tradeoffs among the solution alternatives need to be considered. Although the two objective functions in our case study seem to be nonconflicting, they are actually conflicting depending on the valuesthe parameters regarding these objectives. For instance, in caserelatively higher transportation costs or lower electricity price,
utilization of the biomass in some biomass source sites may cause the decrease in total profit. In such a situation, the two objectives behave in a conflicting manner.
As reported in Table 4, if profitability is more important than other supply chain performance ind
This section presents, compares and evaluates the results of our computational experiments. The proposed model is solved by using IBM ILOG CPLEX Optimization Studio (Version 12.2). The experiments were performed on an Intel Core Quad 2.66 GHz processor with 6 GB RAM on a 64-bit platform under Windows 7 environment. The model is composed of 10,916 constraints and 133,380
variables (of which 120 are integer variables). The problem is modeled by FGP approach taking the steps given in the following sections.
4.1. Efficient extreme solutions
The developed multiobjective MILP model (see Section 2.3) is solved as a single objective problem using each time only one objectiveandignoretheotherstospecifytheefficient extreme solutions (i.e. upper bound e z
max k
and lower bound e z
)for each objective. For this purpose, the problem is divided into nine sub-problems. Each time, one of the upper, lower and expected values of the fuzzy objective function coefficients and fuzzy resource are taken into consideration and sub-problems are solved according to either profit maximization or weighted unused biomass minimization objectives. The subproblems and corresponding objective function values are reported in Table 3. As seen from the table, upper and lower bounds for total supply chain profitareV623,826,998 and V449,213,032, for weighted unused waste biomass are 4355 t and 0 t, respectively.
4.2. Membership functions
Formulations of linear membership functions for each fuzzy objective and fuzzy constraint are determined considering the upper and lower bounds and are represented by the following equations.
min k
4.3. Fuzzy solution approaches
Considering the membership functions, the fuzzy model is transformed to an MILP model by introducing the auxiliary variable
l using: (1) “min operator”, (2) Modified Version of Werners' “Fuzzy and” operator, and (3) weighed additive approach. The MILP
The results obtained by each solution approach are presented in the following sections with related comparisons. It should be noted that, each solution result belongs to a supply chain configurationtion. Optimal configuration can be chosen among the options according to the decision maker's preferences related to supply chain performance indicators. Payback period of an investment isimportant factor which should be considered in decision making for supply chain design and management. Therefore, we consider payback period as well as total supply chain profit and weighted unused waste biomass amount as supply chain performance indicator when comparing the results.
4.3.1. Bellman and Zadeh's min operator The results of the problem obtained by using “min operator”
reveal that, total profit of the supply chain is V456,936,593 and corresponding membership function values of total supply chainofit and weighted unused waste biomass amount are 4.423% and 6.793%, respectively. In this case, 51.23 tons of biomass remains in the biomass supply regions and payback period of the investment is.62 years.
4.3.2. Modified version of Werners' “fuzzy and” operator Table 4 reports optimal solutions obtained by the modified
version of Werners' “Fuzzy and” operator according to different g
(coefficient of compensation) values. At this stage, a sensitivity analysis is conducted to see the impact of the coefficient of compensation on the results.In real life decision problems, relative importance of the objectives assigned by the decision makers may change according to decision maker or over time. To provide a broader decision spectrum to decision makers, the solutions are obtained by using two different relative weight combinations for the objectives (W
and W
). Fig. 3(a) and (b) illustrates the results presented in Table 4 graphically, in terms of membership function. The effects of variations in coefficient of compensation on membership functions can be observed in Fig. 3(a) and (b) for two differentight structures.
Unused Biomass
The results provide a broad perspective to decision makers. As stated before, any solution alternative can be selected as the best one concerning the priorities of the decision maker on different supply chain performance indicators. In this regard, tradeoffs among the solution alternatives need to be considered. Although the two objective functions in our case study seem to be nonconflicting, they are actually conflicting depending on the valuesthe parameters regarding these objectives. For instance, in caserelatively higher transportation costs or lower electricity price,
utilization of the biomass in some biomass source sites may cause the decrease in total profit. In such a situation, the two objectives behave in a conflicting manner.
As reported in Table 4, if profitability is more important than other supply chain performance ind
0/5000
4. ผลลัพธ์ส่วนนี้แสดง เปรียบเทียบ และประเมินผลการทดลองของเราคำนวณ แบบจำลองที่เสนอเป็นแก้ไขโดย IBM อยู่ CPLEX เพิ่มประสิทธิภาพสตูดิโอ (เวอร์ชัน 12.2) ดำเนินการทดลองในการประมวลผล Intel Core Quad 2.66 GHz มี 6 GB RAM บนแพลตฟอร์ม 64-บิตภายใต้สภาพแวดล้อมของ Windows 7 รูปแบบประกอบด้วยข้อจำกัดของ 10,916 และ 133,380ตัวแปร (120 ซึ่งเป็นตัวแปรจำนวนเต็ม) เป็นจำลองปัญหา ด้วยวิธี FGP ทำตามขั้นตอนในส่วนต่อไปนี้4.1. Efficient โซลูชั่นมากรุ่น MILP multiobjective พัฒนา (ดูหัวข้อ 2.3) เป็นแก้เป็นปัญหาวัตถุประสงค์เดียวที่ใช้แต่ละครั้งเดียว objectiveandignoretheotherstospecifytheefficient มากโซลูชั่น (เช่นขอบเขตบน e zk สูงสุดและ z e ขอบต่ำสุด) สำหรับแต่ละวัตถุประสงค์ สำหรับวัตถุประสงค์นี้ ปัญหาถูกแบ่งออกเป็นปัญหาย่อยที่ 9 กัน หนึ่งส่วนบน ล่างและค่าคาดหมายของ coefficients ฟังก์ชันวัตถุประสงค์เอิบเอิบทรัพยากรจะนำมาพิจารณา และมีแก้ไขปัญหาย่อย profit maximization หรือวัตถุประสงค์การลดชีวมวลไม่ถ่วงน้ำหนัก Subproblems และค่าฟังก์ชันวัตถุประสงค์สอดคล้องกันมีรายงานในตาราง 3 เท่าที่เห็นจากตาราง ขอบเขตบน และล่างสำหรับจำนวนโซ่ profitareV623, 826, 998 และ V449, 213, 032 สำหรับถ่วงน้ำหนักชีวมวลขยะไม่ได้ใช้ใจ 4355 t 0 t ตามลำดับ4.2 ฟังก์ชันสมาชิกสูตรฟังก์ชันสมาชิกเชิงเส้นสำหรับแต่ละเอิบเอิบ และวัตถุประสงค์ข้อจำกัดที่กำหนดพิจารณาขอบเขตบน และล่าง และจะถูกแสดง โดยสมการต่อไปนี้k นาที4.3 วิธีแก้ปัญหาชัดเจนพิจารณาฟังก์ชันสมาชิก แบบชัดเจนมีแปลงเป็นรุ่น MILP โดยแนะนำตัวแปรเสริมใช้ l: "ดำเนินการขั้นต่ำ (1)" (2) Modified รุ่น Werners ของ " Fuzzy และ" ดำเนินการ และ (3) ชั่งน้ำหนักสามารถวิธีการ MILPมีแสดงผลได้รับ โดยแต่ละวิธีการแก้ปัญหาในส่วนต่อไปนี้ด้วยการเปรียบเทียบที่เกี่ยวข้อง มันควรจดบันทึกว่า ผลการแก้ปัญหาแต่ละเป็นของ configurationtion แบบห่วงโซ่อุปทาน Configuration สูงสุดสามารถเลือกระหว่างตัวเลือกตามลักษณะการตัดสินใจของที่เกี่ยวข้องกับตัวบ่งชี้ประสิทธิภาพห่วงโซ่อุปทาน ระยะเวลาคืนทุน isimportant ลงทุนเป็นปัจจัยที่ควรพิจารณาในการตัดสินใจในการออกแบบโซ่อุปทานและการจัดการ ดังนั้น เราพิจารณาคืนทุนระยะเวลา ตลอดจนรวมซัพพลายเชน profit และยอดชีวมวลขยะไม่ถ่วงน้ำหนักเป็นตัวบ่งชี้ประสิทธิภาพของโซ่อุปทานเมื่อเปรียบเทียบผลลัพธ์4.3.1 การบริการและของ Zadeh นาทีดำเนินการผลลัพธ์ของปัญหาได้ โดยใช้ "นาทีดำเนิน"เปิดเผยว่า V456, 936, 593 เป็น profit รวมของห่วงโซ่อุปทาน และค่าฟังก์ชันสมาชิกที่เกี่ยวข้องจำนวน chainofit และชีวมวลขยะไม่ถ่วงน้ำหนักจำนวน 4.423% และ 6.793% ตามลำดับ ในกรณีนี้ อยู่ในชีวมวลชีวมวล 51.23 ตันใส่ภูมิภาคและระยะเวลาคืนทุน is.62 ปีลงทุน4.3.2. รุ่น Modified Werners' "ปุย และ" โซลูชั่นที่เหมาะสมได้ โดยการ modified รายงานตัว 4 ตารางรุ่นของ Werners " Fuzzy และ" ดำเนินตาม g แตกต่างกันค่า (coefficient ของค่าตอบแทน) ในขั้นตอนนี้ การวิเคราะห์ความไวจะดำเนินเพื่อดูผลกระทบของ coefficient ของค่าตอบแทนผลในชีวิตจริงตัดสินปัญหา ความสำคัญของวัตถุประสงค์ที่กำหนด โดยผู้ตัดสินใจอาจเปลี่ยนแปลง ตามการตัดสินใจ หรือ ช่วงเวลา ให้รุ้งตัดสินใจกว้างกับผู้ตัดสินใจ โซลูชั่นจะได้รับ โดยสัมพันธ์กับน้ำหนักแตกต่างกันสองชุดสำหรับวัตถุประสงค์ (Wและ W). Fig. 3(a) และ (b) แสดงผลแสดงในตาราง 4 ภาพ ในรูปแบบของฟังก์ชันสมาชิก ผลกระทบของการเปลี่ยนแปลงใน coefficient ของค่าตอบแทนในฟังก์ชันสมาชิกสามารถสังเกต Fig. 3(a) และ (b) สำหรับโครงสร้าง differentight สองชีวมวลที่ไม่ได้ใช้ผลให้มุมกว้างกับผู้ตัดสินใจ ตามที่ระบุไว้ก่อน สามารถเลือกทางเลือกแก้ปัญหาใด ๆ เป็นสุดเกี่ยวข้องกับความสำคัญของการตัดสินใจเกี่ยวกับตัวบ่งชี้ประสิทธิภาพของโซ่อุปทานที่แตกต่างกัน ในการนี้ ยืนยันระหว่างทางเลือกแก้ปัญหาจำเป็นต้องพิจารณาการ แม้ว่าฟังก์ชันวัตถุประสงค์สองในกรณีศึกษาของเราดูเหมือนจะ เป็น nonconflicting พวกเขาเป็นจริง conflicting ต่อ valuesthe เกี่ยวกับวัตถุประสงค์เหล่านี้ ใน caserelatively ต้นทุนขนส่งสูงกว่าหรือต่ำกว่าไฟฟ้าราคา เช่นใช้ชีวมวลในบางไซต์แหล่งมวลชีวภาพอาจทำให้ลดลงรวม profit เช่นสถานการณ์ วัตถุประสงค์สองทำงานในลักษณะ conflictingตามรายงานในตาราง 4 ถ้า profitability สำคัญกว่าประสิทธิภาพห่วงโซ่อุปทานอื่น ๆ ind
การแปล กรุณารอสักครู่..
4. Results
This section presents, compares and evaluates the results of our computational experiments. The proposed model is solved by using IBM ILOG CPLEX Optimization Studio (Version 12.2). The experiments were performed on an Intel Core Quad 2.66 GHz processor with 6 GB RAM on a 64-bit platform under Windows 7 environment. The model is composed of 10,916 constraints and 133,380
variables (of which 120 are integer variables). The problem is modeled by FGP approach taking the steps given in the following sections.
4.1. Efficient extreme solutions
The developed multiobjective MILP model (see Section 2.3) is solved as a single objective problem using each time only one objectiveandignoretheotherstospecifytheefficient extreme solutions (i.e. upper bound e z
max k
and lower bound e z
)for each objective. For this purpose, the problem is divided into nine sub-problems. Each time, one of the upper, lower and expected values of the fuzzy objective function coefficients and fuzzy resource are taken into consideration and sub-problems are solved according to either profit maximization or weighted unused biomass minimization objectives. The subproblems and corresponding objective function values are reported in Table 3. As seen from the table, upper and lower bounds for total supply chain profitareV623,826,998 and V449,213,032, for weighted unused waste biomass are 4355 t and 0 t, respectively.
4.2. Membership functions
Formulations of linear membership functions for each fuzzy objective and fuzzy constraint are determined considering the upper and lower bounds and are represented by the following equations.
min k
4.3. Fuzzy solution approaches
Considering the membership functions, the fuzzy model is transformed to an MILP model by introducing the auxiliary variable
l using: (1) “min operator”, (2) Modified Version of Werners' “Fuzzy and” operator, and (3) weighed additive approach. The MILP
The results obtained by each solution approach are presented in the following sections with related comparisons. It should be noted that, each solution result belongs to a supply chain configurationtion. Optimal configuration can be chosen among the options according to the decision maker's preferences related to supply chain performance indicators. Payback period of an investment isimportant factor which should be considered in decision making for supply chain design and management. Therefore, we consider payback period as well as total supply chain profit and weighted unused waste biomass amount as supply chain performance indicator when comparing the results.
4.3.1. Bellman and Zadeh's min operator The results of the problem obtained by using “min operator”
reveal that, total profit of the supply chain is V456,936,593 and corresponding membership function values of total supply chainofit and weighted unused waste biomass amount are 4.423% and 6.793%, respectively. In this case, 51.23 tons of biomass remains in the biomass supply regions and payback period of the investment is.62 years.
4.3.2. Modified version of Werners' “fuzzy and” operator Table 4 reports optimal solutions obtained by the modified
version of Werners' “Fuzzy and” operator according to different g
(coefficient of compensation) values. At this stage, a sensitivity analysis is conducted to see the impact of the coefficient of compensation on the results.In real life decision problems, relative importance of the objectives assigned by the decision makers may change according to decision maker or over time. To provide a broader decision spectrum to decision makers, the solutions are obtained by using two different relative weight combinations for the objectives (W
and W
). Fig. 3(a) and (b) illustrates the results presented in Table 4 graphically, in terms of membership function. The effects of variations in coefficient of compensation on membership functions can be observed in Fig. 3(a) and (b) for two differentight structures.
Unused Biomass
The results provide a broad perspective to decision makers. As stated before, any solution alternative can be selected as the best one concerning the priorities of the decision maker on different supply chain performance indicators. In this regard, tradeoffs among the solution alternatives need to be considered. Although the two objective functions in our case study seem to be nonconflicting, they are actually conflicting depending on the valuesthe parameters regarding these objectives. For instance, in caserelatively higher transportation costs or lower electricity price,
utilization of the biomass in some biomass source sites may cause the decrease in total profit. In such a situation, the two objectives behave in a conflicting manner.
As reported in Table 4, if profitability is more important than other supply chain performance ind
This section presents, compares and evaluates the results of our computational experiments. The proposed model is solved by using IBM ILOG CPLEX Optimization Studio (Version 12.2). The experiments were performed on an Intel Core Quad 2.66 GHz processor with 6 GB RAM on a 64-bit platform under Windows 7 environment. The model is composed of 10,916 constraints and 133,380
variables (of which 120 are integer variables). The problem is modeled by FGP approach taking the steps given in the following sections.
4.1. Efficient extreme solutions
The developed multiobjective MILP model (see Section 2.3) is solved as a single objective problem using each time only one objectiveandignoretheotherstospecifytheefficient extreme solutions (i.e. upper bound e z
max k
and lower bound e z
)for each objective. For this purpose, the problem is divided into nine sub-problems. Each time, one of the upper, lower and expected values of the fuzzy objective function coefficients and fuzzy resource are taken into consideration and sub-problems are solved according to either profit maximization or weighted unused biomass minimization objectives. The subproblems and corresponding objective function values are reported in Table 3. As seen from the table, upper and lower bounds for total supply chain profitareV623,826,998 and V449,213,032, for weighted unused waste biomass are 4355 t and 0 t, respectively.
4.2. Membership functions
Formulations of linear membership functions for each fuzzy objective and fuzzy constraint are determined considering the upper and lower bounds and are represented by the following equations.
min k
4.3. Fuzzy solution approaches
Considering the membership functions, the fuzzy model is transformed to an MILP model by introducing the auxiliary variable
l using: (1) “min operator”, (2) Modified Version of Werners' “Fuzzy and” operator, and (3) weighed additive approach. The MILP
The results obtained by each solution approach are presented in the following sections with related comparisons. It should be noted that, each solution result belongs to a supply chain configurationtion. Optimal configuration can be chosen among the options according to the decision maker's preferences related to supply chain performance indicators. Payback period of an investment isimportant factor which should be considered in decision making for supply chain design and management. Therefore, we consider payback period as well as total supply chain profit and weighted unused waste biomass amount as supply chain performance indicator when comparing the results.
4.3.1. Bellman and Zadeh's min operator The results of the problem obtained by using “min operator”
reveal that, total profit of the supply chain is V456,936,593 and corresponding membership function values of total supply chainofit and weighted unused waste biomass amount are 4.423% and 6.793%, respectively. In this case, 51.23 tons of biomass remains in the biomass supply regions and payback period of the investment is.62 years.
4.3.2. Modified version of Werners' “fuzzy and” operator Table 4 reports optimal solutions obtained by the modified
version of Werners' “Fuzzy and” operator according to different g
(coefficient of compensation) values. At this stage, a sensitivity analysis is conducted to see the impact of the coefficient of compensation on the results.In real life decision problems, relative importance of the objectives assigned by the decision makers may change according to decision maker or over time. To provide a broader decision spectrum to decision makers, the solutions are obtained by using two different relative weight combinations for the objectives (W
and W
). Fig. 3(a) and (b) illustrates the results presented in Table 4 graphically, in terms of membership function. The effects of variations in coefficient of compensation on membership functions can be observed in Fig. 3(a) and (b) for two differentight structures.
Unused Biomass
The results provide a broad perspective to decision makers. As stated before, any solution alternative can be selected as the best one concerning the priorities of the decision maker on different supply chain performance indicators. In this regard, tradeoffs among the solution alternatives need to be considered. Although the two objective functions in our case study seem to be nonconflicting, they are actually conflicting depending on the valuesthe parameters regarding these objectives. For instance, in caserelatively higher transportation costs or lower electricity price,
utilization of the biomass in some biomass source sites may cause the decrease in total profit. In such a situation, the two objectives behave in a conflicting manner.
As reported in Table 4, if profitability is more important than other supply chain performance ind
การแปล กรุณารอสักครู่..
4 . ผลลัพธ์
ส่วนนี้นำเสนอ เปรียบเทียบและประเมินผลการทดลองเชิงคอมพิวเตอร์ของเรา แนวทางแก้ไข โดยการเพิ่มประสิทธิภาพ IBM ILOG ซับซ้อนสตูดิโอ ( เวอร์ชั่น 12.2 ) ผลการทดลองบน Intel Core Quad 2.66 GHz processor กับ 6 GB RAM บน 64 บิตแพลตฟอร์มภายใต้ Windows 7 สภาพแวดล้อม รูปแบบประกอบด้วยข้อจำกัด และ 10916 133380
ตัวแปร ( ตัวแปรจำนวนเต็มที่ 120 ) ปัญหาคือแบบ fgp วิธีการทำตามขั้นตอนที่ระบุในส่วนต่อไปนี้ .
4.1 . EF จึง cient มากโซลูชั่น
โมเดลการหา multiobjective ( ดูมาตรา 2.3 ) แก้ไขเป็นปัญหาเดียว วัตถุประสงค์ ใช้เวลาเพียงหนึ่ง objectiveandignoretheotherstospecifytheef จึง cient มากโซลูชั่น ( คือขอบเขตบน E Z K
แม็กขอบเขตล่างและ E Z
) ในแต่ละวัตถุประสงค์ สำหรับวัตถุประสงค์นี้ ปัญหาจะแบ่งออกเป็นเก้าซับมีปัญหา แต่ละครั้งที่หนึ่งของบนและล่างคาดว่าค่า fuzzy วัตถุประสงค์ฟังก์ชั่น coef จึง cients และทรัพยากร ฟัซซี่จะนำมาพิจารณาและแก้ไขปัญหาย่อย จะตามให้ โปร จึงมีการใช้ชีวมวลแบบ T หรือวัตถุประสงค์การ subproblems และวัตถุประสงค์การทำงานสอดคล้องค่าจะมีการรายงานในตารางที่ 3 เท่าที่เห็นจากตารางบนและขอบเขตล่างเพื่อรวมห่วงโซ่อุปทานและ Pro จึง tarev623826998 v449213032 เพื่อถ่วงน้ำหนัก ใช้ขยะชีวมวลเป็น 4355 T 0 T )
4.2 . ฟังก์ชันสมาชิก
สูตรของฟังก์ชันเชิงเส้นสำหรับแต่ละสมาชิกมีข้อจำกัดและเลือนเลือนกำหนดพิจารณาขอบเขตบนและล่าง และถูกแทนด้วยสมการดังต่อไปนี้ มิน
K 4.3 . โซลูชั่นวิธีฟัซซี่
พิจารณาสมาชิกฟังก์ชันแบบจำลองฟัซซี่จะแปลงไปเป็นรูปแบบการหาโดยแนะนำ L ตัวแปร
ช่วยใช้ : ( 1 ) " มินผู้ประกอบการ "( 2 ) โมดิจึงเอ็ดรุ่น werners " เลือน " ผู้ประกอบการ และ ( 3 ) น้ำหนักวิธีการเสริม ส่วนการหา
ผลลัพธ์ที่ได้โดยแต่ละวิธีการที่นำเสนอจะถูกนำเสนอในส่วนต่อไปนี้ที่เกี่ยวข้องกับการเปรียบเทียบ มันควรจะสังเกตว่า แต่ละโซลูชั่นผลเป็นของห่วงโซ่อุปทานคอน จึง gurationtion .ที่เหมาะสมด้วยจึง guration สามารถเลือกระหว่างตัวเลือกตามการตัดสินใจของผู้ให้กำเนิดการตั้งค่าที่เกี่ยวข้องกับการจัดหาตัวชี้วัดประสิทธิภาพโซ่ ระยะเวลาคืนทุนจากการลงทุนสำคัญปัจจัยที่ควรพิจารณาในการตัดสินใจในการออกแบบห่วงโซ่อุปทานและการจัดการ ดังนั้นเราพิจารณาคืนทุนตลอดจนโซ่อุปทานจึงไม่รวมโปรและไม่ได้ใช้จำนวนน้ำหนักขยะชีวมวลเป็นโซ่อุปทานบ่งชี้ประสิทธิภาพเมื่อเปรียบเทียบผลลัพธ์ .
ใน . ยาม zadeh มินและผู้ประกอบการจากปัญหาที่ได้จากการใช้ " มิน เปิดเผยว่า ผู้ประกอบการ "
, T Pro จึงรวมของห่วงโซ่อุปทานเป็น v456936 ,แล้วตรงค่าฟังก์ชันสมาชิกทั้งหมดจัดหา chaino จึงไม่หนักที่ไม่ได้ใช้และขยะชีวมวลจํานวนเป็น 4.423 % และ 6.793 ตามลำดับ ในกรณีนี้ 51.23 ตันของชีวมวลชีวมวลผลิตยังคงอยู่ในภูมิภาคและระยะเวลาคืนทุนจากการลงทุน is.62 ปี .
4.3.2 . โมไดจึงเอ็ดรุ่น werners " เลือน " โต๊ะ 4 รายงานโซลูชั่นที่เหมาะสมได้โดย Modi จึงเอ็ด
รุ่นของ werners " เลือน " ผู้ประกอบการตามที่แตกต่างกัน g
( coef จึง cient ชดเชย ) ค่า ในขั้นตอนนี้ , การวิเคราะห์ความอ่อนไหวมีวัตถุประสงค์เพื่อดูผลกระทบของ coef จึง cient ชดเชยในผล ปัญหาในการตัดสินใจในชีวิตจริง ความสําคัญของวัตถุประสงค์ที่กำหนดโดยผู้ผลิตตัดสินใจอาจเปลี่ยนแปลงตามผู้ตัดสินใจหรือตลอดเวลาให้กว้างสเปกตรัมการตัดสินใจการตัดสินใจ แก้ปัญหาได้โดยใช้สองชุดที่แตกต่างกันน้ำหนักสัมพัทธ์สำหรับวัตถุประสงค์ ( W และ w
) รูปที่ 3 ( ก ) และ ( b ) แสดงให้เห็นถึงผลลัพธ์ที่แสดงในตารางที่ 4 กราฟ ในแง่ของการทำงานของสมาชิก ผลของการเปลี่ยนแปลงใน coef จึง cient ค่าตอบแทนในการทำงาน สมาชิก สามารถสังเกตได้ในฟิค3 ( a ) และ ( b ) 2 differentight โครงสร้าง
ชีวมวลไม่ได้ใช้ผลลัพธ์ที่ให้มุมมองที่กว้างให้ผู้ตัดสินใจ ตามที่ระบุไว้ก่อน , ทางเลือกใด ๆสามารถเลือกหนึ่งที่ดีที่สุดเกี่ยวกับลำดับความสำคัญของผู้ตัดสินใจในห่วงโซ่อุปทานประสิทธิภาพแตกต่างกัน ตัวชี้วัด ในการนี้ tradeoffs ระหว่างโซลูชั่นทางเลือกที่ต้องพิจารณาแม้ว่าวัตถุประสงค์สองในการทำงานกรณีศึกษาของเราดูเหมือนจะ noncon fl icting พวกเขาได้จริง ๆ แล้ว คอนfl icting ขึ้นอยู่กับ valuesthe พารามิเตอร์เกี่ยวกับวัตถุประสงค์เหล่านี้ ตัวอย่างเช่นใน caserelatively สูงกว่าต้นทุนการขนส่ง หรือลดการใช้ไฟฟ้าราคา ,
ของชีวมวลในบางเว็บไซต์แหล่งชีวมวลอาจทำให้เกิดการลดลงในทั้งหมด Pro จึงที ในสถานการณ์ดังกล่าวสองวัตถุประสงค์ประพฤติตัวในลักษณะคอนfl icting .
รายงานตารางที่ 4 ถ้า Pro จึง tability สำคัญกว่า
IND ประสิทธิภาพโซ่อุปทาน อื่น ๆ
ส่วนนี้นำเสนอ เปรียบเทียบและประเมินผลการทดลองเชิงคอมพิวเตอร์ของเรา แนวทางแก้ไข โดยการเพิ่มประสิทธิภาพ IBM ILOG ซับซ้อนสตูดิโอ ( เวอร์ชั่น 12.2 ) ผลการทดลองบน Intel Core Quad 2.66 GHz processor กับ 6 GB RAM บน 64 บิตแพลตฟอร์มภายใต้ Windows 7 สภาพแวดล้อม รูปแบบประกอบด้วยข้อจำกัด และ 10916 133380
ตัวแปร ( ตัวแปรจำนวนเต็มที่ 120 ) ปัญหาคือแบบ fgp วิธีการทำตามขั้นตอนที่ระบุในส่วนต่อไปนี้ .
4.1 . EF จึง cient มากโซลูชั่น
โมเดลการหา multiobjective ( ดูมาตรา 2.3 ) แก้ไขเป็นปัญหาเดียว วัตถุประสงค์ ใช้เวลาเพียงหนึ่ง objectiveandignoretheotherstospecifytheef จึง cient มากโซลูชั่น ( คือขอบเขตบน E Z K
แม็กขอบเขตล่างและ E Z
) ในแต่ละวัตถุประสงค์ สำหรับวัตถุประสงค์นี้ ปัญหาจะแบ่งออกเป็นเก้าซับมีปัญหา แต่ละครั้งที่หนึ่งของบนและล่างคาดว่าค่า fuzzy วัตถุประสงค์ฟังก์ชั่น coef จึง cients และทรัพยากร ฟัซซี่จะนำมาพิจารณาและแก้ไขปัญหาย่อย จะตามให้ โปร จึงมีการใช้ชีวมวลแบบ T หรือวัตถุประสงค์การ subproblems และวัตถุประสงค์การทำงานสอดคล้องค่าจะมีการรายงานในตารางที่ 3 เท่าที่เห็นจากตารางบนและขอบเขตล่างเพื่อรวมห่วงโซ่อุปทานและ Pro จึง tarev623826998 v449213032 เพื่อถ่วงน้ำหนัก ใช้ขยะชีวมวลเป็น 4355 T 0 T )
4.2 . ฟังก์ชันสมาชิก
สูตรของฟังก์ชันเชิงเส้นสำหรับแต่ละสมาชิกมีข้อจำกัดและเลือนเลือนกำหนดพิจารณาขอบเขตบนและล่าง และถูกแทนด้วยสมการดังต่อไปนี้ มิน
K 4.3 . โซลูชั่นวิธีฟัซซี่
พิจารณาสมาชิกฟังก์ชันแบบจำลองฟัซซี่จะแปลงไปเป็นรูปแบบการหาโดยแนะนำ L ตัวแปร
ช่วยใช้ : ( 1 ) " มินผู้ประกอบการ "( 2 ) โมดิจึงเอ็ดรุ่น werners " เลือน " ผู้ประกอบการ และ ( 3 ) น้ำหนักวิธีการเสริม ส่วนการหา
ผลลัพธ์ที่ได้โดยแต่ละวิธีการที่นำเสนอจะถูกนำเสนอในส่วนต่อไปนี้ที่เกี่ยวข้องกับการเปรียบเทียบ มันควรจะสังเกตว่า แต่ละโซลูชั่นผลเป็นของห่วงโซ่อุปทานคอน จึง gurationtion .ที่เหมาะสมด้วยจึง guration สามารถเลือกระหว่างตัวเลือกตามการตัดสินใจของผู้ให้กำเนิดการตั้งค่าที่เกี่ยวข้องกับการจัดหาตัวชี้วัดประสิทธิภาพโซ่ ระยะเวลาคืนทุนจากการลงทุนสำคัญปัจจัยที่ควรพิจารณาในการตัดสินใจในการออกแบบห่วงโซ่อุปทานและการจัดการ ดังนั้นเราพิจารณาคืนทุนตลอดจนโซ่อุปทานจึงไม่รวมโปรและไม่ได้ใช้จำนวนน้ำหนักขยะชีวมวลเป็นโซ่อุปทานบ่งชี้ประสิทธิภาพเมื่อเปรียบเทียบผลลัพธ์ .
ใน . ยาม zadeh มินและผู้ประกอบการจากปัญหาที่ได้จากการใช้ " มิน เปิดเผยว่า ผู้ประกอบการ "
, T Pro จึงรวมของห่วงโซ่อุปทานเป็น v456936 ,แล้วตรงค่าฟังก์ชันสมาชิกทั้งหมดจัดหา chaino จึงไม่หนักที่ไม่ได้ใช้และขยะชีวมวลจํานวนเป็น 4.423 % และ 6.793 ตามลำดับ ในกรณีนี้ 51.23 ตันของชีวมวลชีวมวลผลิตยังคงอยู่ในภูมิภาคและระยะเวลาคืนทุนจากการลงทุน is.62 ปี .
4.3.2 . โมไดจึงเอ็ดรุ่น werners " เลือน " โต๊ะ 4 รายงานโซลูชั่นที่เหมาะสมได้โดย Modi จึงเอ็ด
รุ่นของ werners " เลือน " ผู้ประกอบการตามที่แตกต่างกัน g
( coef จึง cient ชดเชย ) ค่า ในขั้นตอนนี้ , การวิเคราะห์ความอ่อนไหวมีวัตถุประสงค์เพื่อดูผลกระทบของ coef จึง cient ชดเชยในผล ปัญหาในการตัดสินใจในชีวิตจริง ความสําคัญของวัตถุประสงค์ที่กำหนดโดยผู้ผลิตตัดสินใจอาจเปลี่ยนแปลงตามผู้ตัดสินใจหรือตลอดเวลาให้กว้างสเปกตรัมการตัดสินใจการตัดสินใจ แก้ปัญหาได้โดยใช้สองชุดที่แตกต่างกันน้ำหนักสัมพัทธ์สำหรับวัตถุประสงค์ ( W และ w
) รูปที่ 3 ( ก ) และ ( b ) แสดงให้เห็นถึงผลลัพธ์ที่แสดงในตารางที่ 4 กราฟ ในแง่ของการทำงานของสมาชิก ผลของการเปลี่ยนแปลงใน coef จึง cient ค่าตอบแทนในการทำงาน สมาชิก สามารถสังเกตได้ในฟิค3 ( a ) และ ( b ) 2 differentight โครงสร้าง
ชีวมวลไม่ได้ใช้ผลลัพธ์ที่ให้มุมมองที่กว้างให้ผู้ตัดสินใจ ตามที่ระบุไว้ก่อน , ทางเลือกใด ๆสามารถเลือกหนึ่งที่ดีที่สุดเกี่ยวกับลำดับความสำคัญของผู้ตัดสินใจในห่วงโซ่อุปทานประสิทธิภาพแตกต่างกัน ตัวชี้วัด ในการนี้ tradeoffs ระหว่างโซลูชั่นทางเลือกที่ต้องพิจารณาแม้ว่าวัตถุประสงค์สองในการทำงานกรณีศึกษาของเราดูเหมือนจะ noncon fl icting พวกเขาได้จริง ๆ แล้ว คอนfl icting ขึ้นอยู่กับ valuesthe พารามิเตอร์เกี่ยวกับวัตถุประสงค์เหล่านี้ ตัวอย่างเช่นใน caserelatively สูงกว่าต้นทุนการขนส่ง หรือลดการใช้ไฟฟ้าราคา ,
ของชีวมวลในบางเว็บไซต์แหล่งชีวมวลอาจทำให้เกิดการลดลงในทั้งหมด Pro จึงที ในสถานการณ์ดังกล่าวสองวัตถุประสงค์ประพฤติตัวในลักษณะคอนfl icting .
รายงานตารางที่ 4 ถ้า Pro จึง tability สำคัญกว่า
IND ประสิทธิภาพโซ่อุปทาน อื่น ๆ
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- นะ คับ
- I would like to inform your team about o
- ตะลุยกินอาหารรอบโลก
- บริการทำบัญชี
- it have medical indication. There are fi
- Near term is closed.
- ดูแลเด็กในระดับ ปวช.2
- we can concentrate on that ?do you like
- ต้องการซื้อสมาร์ทโฟนที่สามารถถ่ายรูปได้แ
- I'm gonna live likeTomoror donesn't exis
- วัดพระศรีรัตนศาสดาราม หรือที่เรียกกันทั่
- Smile of you
- turistik
- สรัญยส
- ท่าเต้น
- ออกแบบสร้างความน่าสนใจให้กับสื่อ
- investigated
- Marking of traffic lanes
- ปรับปรุงการดำเนินงานของธุรกิจให้เกิดความ
- รีคอนเนค
- geun means bothe 'carrot' and 'of course
- Please proceed with, Thank you.
- liberty
- The area around the falls is a peaceful
