Conclusions and discussionIn this p

Conclusions and discussion
In this paper, we propose a new decision support system to
solve the problem of hen allocation to hen houses with the aim
to minimize the total cost. Clustering of hen houses was first determined
to allocate hens to hen houses effectively. The problem of
hen allocation to hen houses has many similarities to the Growing
Neural Gas algorithm (GNG), in which groups of similar hen houses
will be clustered together. However, the traditional GNG often
solves the clustering problem by considering distance only. Therefore
the hybrid Growing Neural Gas (hGNG) was proposed by considering
both the distance from the centroids of the clusters to the
hen houses and the weights of hen house sizes. In the second
phase, allocating and determining routes to allocate hens to the
hen houses using the nearest neighbor approach were carried out
in order to minimize the total distance. The performance of the
algorithm was measured using the relative improvement (RI),
which compared the total cost consisting of three components
being the cost of farm utilization, hen transportation cost, and loss
from mixing hens at different ages. The results obtained from this
study showed that the hGNG algorithm provided better total cost
values than the firm’s current practice by 7.92–20.83% (with an
average of 14.56%), and 5.90–17.91% (with an average of 11.14%)
better than the traditional GNG algorithm.
The statistical results obtained from ANOVA and Duncan’s test
showed that the RI increased as the number of hen houses
increased. This implies that a higher number of hen houses would
most probably yield high flexibility for the hGNG algorithm to allocate
hens to hen houses effectively. Therefore, a long-term planning
horizon can be beneficial for reducing the number of hen
houses used and especially the loss from mixing hens will be
decreased significantly. Additionally, paired sample tests based
on the values of RI were performed to compare the total cost of
the proposed hGNG and the traditional GNG algorithm, which
showed that the proposed hGNG was significantly better than
the traditional GNG. Hence, the hGNG algorithm was used to compare
the total cost with that of the current practice for the algorithm’s
effectiveness. The result on paired sample tests indicated
that the hGNG algorithm can be used efficiently to solve the problem
of hen allocation to hen houses. Therefore, the proposed
method developed in this paper will help the egg industry reduce
the total cost resulting in economically sustainable production.
The proposed hGNG method is not only useful for reducing the
total cost when compared to the current practice, but also for efficient
management of a poultry production system. Furthermore,
the method of this research should prove beneficial to other similar
agro-food sectors in Thailand and around the world. Therefore,
there is still much greater opportunity to extend our work in many
areas. Our planned future work will be to improve the routes from
pullet houses to hen houses in order to minimize the transportation
cost. Another valuable avenue for future research is to consider
some other parameters of the problem as fuzzy variables,
such as egg demand. We believe that this can add to the ability
of our method to model real world problems and will be a valuable
extension. Additionally, although the hGNG algorithm has shown
an outstanding ability to solve the problem at hand, there is a possibility
to use hybrid methods or other meta-heuristics to solve the
same problem or to conduct an empirical study to compare the
strength of various approaches in solving other problems of this
nature.

ผลลัพธ์ (ไทย) 1:

บทสรุปและอภิปรายในเอกสารนี้ เราได้เสนอระบบสนับสนุนการตัดสินใจใหม่จะแก้ปัญหาการปันส่วนไก่กับไก่บ้าน ด้วยจุดมุ่งหมายเพื่อลดต้นทุนรวม คลัสเตอร์ของไก่บ้านก่อนกำหนดการปันส่วนไก่กับไก่บ้านได้อย่างมีประสิทธิภาพ ปัญหาของการปันส่วนไก่กับไก่บ้านมีความคล้ายคลึงมากกับ Growingประสาทก๊าซอัลกอริทึม (GNG), ในกลุ่มที่คล้ายไก่บ้านจะจับกลุ่มกัน อย่างไรก็ตาม GNG แบบดั้งเดิมมักจะแก้ปัญหาระบบคลัสเตอร์ โดยพิจารณาระยะทางเท่านั้น ดังนั้นไฮบริดเติบโตประสาทแก๊ส (hGNG) ถูกนำเสนอ โดยพิจารณาทั้งระยะ centroids ของคลัสเตอร์เพื่อการไก่บ้านและไก่บ้านขนาดน้ำหนัก ในที่สองขั้นตอน การปันส่วน และการกำหนดเส้นทางจัดสรรไก่เพื่อไก่บ้านใช้วิธีเพื่อนบ้านที่ใกล้ที่สุดได้ดำเนินการเพื่อลดระยะทางรวม ประสิทธิภาพของการอัลกอริทึมที่วัดโดยใช้การปรับปรุงสัมพันธ์ (RI),การเปรียบเทียบต้นทุนรวมประกอบด้วยส่วนประกอบ 3ต้นทุนของการใช้ประโยชน์ฟาร์ม ไก่ต้นทุนขนส่ง และขาดทุนจากการผสมของไก่แต่ละช่วงวัย ผลได้รับจากนี้การศึกษาพบว่า อัลกอริทึม hGNG ให้ราคาดีกว่าต้นทุนรวมค่ามากกว่าปฏิบัติการปัจจุบันของบริษัทโดย 7.92-20.83% (มีการเฉลี่ยของ 14.56%), และ 5.90-17.91% (โดยเฉลี่ย 11.14%)ดีกว่าอัลกอริทึม GNG ดั้งเดิมผลลัพธ์ทางสถิติที่ได้จากการทดสอบการวิเคราะห์ความแปรปรวนและของดันแคนแสดงให้เห็นว่า RI ที่เพิ่มขึ้นตามจำนวนของไก่บ้านเพิ่มขึ้น หมายความว่า ของไก่บ้านจะที่ผลผลิตมีความยืดหยุ่นสูงสำหรับ hGNG อัลกอริทึมการปันส่วนไก่กับไก่บ้านได้อย่างมีประสิทธิภาพ ดังนั้น แบบแผนขอบเขตสามารถเป็นประโยชน์ต่อการลดจำนวนของไก่บ้านใช้และโดยเฉพาะอย่างยิ่งการสูญเสียจากการผสมไก่จะลดลงอย่างมีนัยสำคัญ นอกจากนี้ ตามตัวอย่างจัดเป็นคู่ค่า RI ดำเนินการเปรียบเทียบต้นทุนรวมของhGNG นำเสนอและขั้นตอนวิธี GNG ดั้งเดิม ซึ่งแสดงให้เห็นว่า hGNG นำเสนอได้อย่างมีนัยสำคัญดีกว่าGNG ดั้งเดิม ดังนั้น อัลกอริทึม hGNG ถูกใช้เพื่อเปรียบเทียบต้นทุนกับการปฏิบัติปัจจุบันสำหรับอัลกอริทึมรวมประสิทธิผล แสดงผลบนตัวอย่างจัดเป็นคู่ว่า อัลกอริทึม hGNG สามารถใช้ได้อย่างมีประสิทธิภาพเพื่อแก้ไขปัญหาการปันส่วนไก่กับไก่บ้าน ดังนั้น เสนอวิธีพัฒนาในเอกสารนี้จะช่วยให้อุตสาหกรรมไข่ลดรวมต้นทุนผลผลิตอย่างยั่งยืนวิธีการนำเสนอ hGNG ไม่เพียงแต่เป็นประโยชน์สำหรับการลดการรวมต้นทุนเมื่อเปรียบเทียบกับการปฏิบัติปัจจุบัน แต่ยังสำหรับการมีประสิทธิภาพการจัดการระบบการผลิตสัตว์ปีก นอกจากนี้วิธีการวิจัยนี้ควรพิสูจน์ประโยชน์การอื่น ๆ คล้ายคลึงกันภาคเกษตรอาหาร ในประเทศไทย และ ทั่วโลก ดังนั้นมีโอกาสยิ่งยังขยายงานในหลายพื้นที่ แผนงานในอนาคตจะมีการ ปรับปรุงเส้นทางจากpullet บ้านไก่บ้านเพื่อลดการขนส่งต้นทุนการ อเวนิวมีคุณค่าอื่นสำหรับการวิจัยในอนาคตจะพิจารณาบางพารามิเตอร์อื่น ๆ ของปัญหาเป็นตัวแปรที่ชัดเจนเช่นความต้องการไข่ เราเชื่อว่า นี้สามารถเพิ่มความสามารถของเราวิธี การจำลองปัญหาโลกจริงจะถูกค่ะนามสกุล นอกจากนี้ ถึงแม้ว่าอัลกอริทึม hGNG ได้แสดงให้เห็นโดดเด่นความสามารถในการแก้ปัญหาในมือ มีความเป็นไปได้การใช้วิธีการแบบผสมผสานหรือ meta-รุกอื่น ๆ แก้ปัญหาเดียวกันหรือ การดำเนินการศึกษาผลการเปรียบเทียบการความแข็งแรงของวิธีการต่าง ๆ ในการแก้ปัญหาอื่น ๆ ของธรรมชาติ

ผลลัพธ์ (ไทย) 2:

สรุปผลการวิจัยและการอภิปราย
ในบทความนี้เรานำเสนอระบบการตัดสินใจใหม่สนับสนุนการ
แก้ปัญหาของการจัดสรรไก่บ้านไก่โดยมีจุดประสงค์
เพื่อลดค่าใช้จ่ายทั้งหมด การจัดกลุ่มของไก่บ้านถูกกำหนดเป็นครั้งแรก
ที่จะจัดสรรให้กับไก่บ้านไก่ได้อย่างมีประสิทธิภาพ ปัญหาของการ
จัดสรรไก่บ้านไก่มีความคล้ายคลึงกันมากกับการเจริญเติบโต
ขั้นตอนวิธีประสาทก๊าซ (GNG) ซึ่งในกลุ่มของบ้านไก่ที่คล้ายกัน
จะได้รับการจัดกลุ่มเข้าด้วยกัน อย่างไรก็ตาม GNG แบบดั้งเดิมมักจะ
แก้ปัญหาการจัดกลุ่มโดยพิจารณาระยะทางเพียง ดังนั้น
ไฮบริดที่กำลังเติบโตประสาทก๊าซ (hGNG) ที่เสนอโดยพิจารณา
ทั้งระยะทางจาก centroids กลุ่มเพื่อ
บ้านไก่และน้ำหนักขนาดบ้านไก่ ในครั้งที่สอง
ขั้นตอนการจัดสรรและการกำหนดเส้นทางที่จะจัดสรรให้กับไก่
บ้านไก่ใช้วิธีเพื่อนบ้านที่ใกล้ที่สุดได้ดำเนินการ
เพื่อลดระยะทางรวม ประสิทธิภาพการทำงานของ
อัลกอริทึมถูกวัดโดยใช้การปรับปรุงญาติ (RI)
ซึ่งเมื่อเทียบกับค่าใช้จ่ายทั้งหมดที่ประกอบด้วยสามส่วน
เป็นค่าใช้จ่ายของการใช้ฟาร์มไก่ต้นทุนการขนส่งและการสูญเสีย
จากการผสมไก่ที่ทุกเพศทุกวัยที่แตกต่างกัน ผลที่ได้รับจาก
การศึกษาพบว่าอัลกอริทึม hGNG ให้ดีกว่าค่าใช้จ่ายรวม
ค่ากว่าการปฏิบัติในปัจจุบันของ บริษัท โดย 7.92-20.83% (มี
ค่าเฉลี่ยของ 14.56%) และ 5.90-17.91% (มีค่าเฉลี่ย 11.14%)
ที่ดีกว่า ขั้นตอนวิธีการแบบดั้งเดิม GNG.
ผลทางสถิติที่ได้จากการทดสอบและวิเคราะห์ความแปรปรวนของดันแคน
แสดงให้เห็นว่า RI เพิ่มขึ้นเป็นจำนวนบ้านไก่
เพิ่มขึ้น นี่ก็หมายความว่าจำนวนที่สูงขึ้นของบ้านแม่ไก่จะ
ให้ผลผลิตมากที่สุดอาจมีความยืดหยุ่นสูงสำหรับขั้นตอนวิธีการจัดสรร hGNG
ไก่บ้านไก่ได้อย่างมีประสิทธิภาพ ดังนั้นการวางแผนระยะยาว
ขอบฟ้าสามารถเป็นประโยชน์สำหรับการลดจำนวนของไก่
บ้านใช้และโดยเฉพาะอย่างยิ่งการสูญเสียจากการผสมไก่จะได้รับการ
ลดลงอย่างมีนัยสำคัญ นอกจากนี้การจับคู่การทดสอบตัวอย่างตาม
ค่าของโรตารีสากลได้ดำเนินการเพื่อเปรียบเทียบต้นทุนรวมของการ
เสนอ hGNG และอัลกอริทึม GNG แบบดั้งเดิมซึ่ง
แสดงให้เห็นว่าการเสนอ hGNG อย่างมีนัยสำคัญดีกว่า
แบบดั้งเดิม GNG ดังนั้นขั้นตอนวิธี hGNG ถูกใช้ในการเปรียบเทียบ
ค่าใช้จ่ายรวมกับที่ของการปฏิบัติในปัจจุบันสำหรับขั้นตอนวิธีการที่
มีประสิทธิภาพ ผลการทดสอบตัวอย่างที่จับคู่แสดงให้เห็น
ว่าอัลกอริทึม hGNG สามารถนำมาใช้อย่างมีประสิทธิภาพในการแก้ปัญหา
ของการจัดสรรไก่บ้านไก่ ดังนั้นจึงเสนอ
วิธีการพัฒนาในบทความนี้จะช่วยให้อุตสาหกรรมไข่ลด
ค่าใช้จ่ายทั้งหมดที่เกิดขึ้นในการผลิตอย่างยั่งยืนทางเศรษฐกิจ.
เสนอวิธี hGNG ไม่เพียงมีประโยชน์ในการลด
ค่าใช้จ่ายทั้งหมดเมื่อเทียบกับการปฏิบัติในปัจจุบัน แต่ยังมีประสิทธิภาพ
การบริหารจัดการของ ระบบการผลิตสัตว์ปีก นอกจากนี้
วิธีการของการวิจัยนี้ควรพิสูจน์ประโยชน์กับคนอื่น ๆ ที่คล้ายกัน
ภาคเกษตรอาหารในประเทศไทยและทั่วโลก ดังนั้นจึง
ยังคงมีโอกาสมากขึ้นที่จะขยายการทำงานของเราในหลาย
พื้นที่ วางแผนการทำงานในอนาคตของเราจะได้รับการปรับปรุงเส้นทางจาก
บ้านไก่สาวไก่บ้านเพื่อลดการขนส่ง
ค่าใช้จ่าย อีกถนนที่มีคุณค่าสำหรับการวิจัยในอนาคตคือการพิจารณา
บางพารามิเตอร์อื่น ๆ ของปัญหาที่เป็นตัวแปรเลือน
เช่นความต้องการไข่ เราเชื่อว่านี้สามารถเพิ่มความสามารถ
ของวิธีการของเราในการจำลองปัญหาโลกแห่งความจริงและจะเป็นที่มีคุณค่า
ขยาย นอกจากนี้ถึงแม้ว่าขั้นตอนวิธี hGNG ได้แสดงให้เห็น
ความสามารถโดดเด่นในการแก้ปัญหาที่อยู่ในมือที่มีความเป็นไปได้
ที่จะใช้วิธีการวิเคราะห์พฤติกรรมหรือไฮบริดเมตาอื่น ๆ เพื่อแก้
ปัญหาเดียวกันหรือที่จะดำเนินการศึกษาเชิงประจักษ์เพื่อเปรียบเทียบ
ความแข็งแรงของวิธีการต่างๆในการ การแก้ปัญหาอื่น ๆ นี้
ธรรมชาติ

ผลลัพธ์ (ไทย) 3:

สรุปและอภิปราย
ในกระดาษนี้เราเสนอใหม่ ระบบสนับสนุนการตัดสินใจเพื่อแก้ปัญหาการจัดสรร
ไก่แม่ไก่บ้านที่มีจุดมุ่งหมาย
เพื่อลดต้นทุนรวม การจัดกลุ่มของแม่ไก่บ้านก่อนตัดสินใจ
จัดสรรแม่ไก่ให้แม่ไก่บ้านได้อย่างมีประสิทธิภาพ ปัญหาของการจัดสรร
ไก่บ้านแม่ไก่มีความคล้ายคลึงกันมากกับการเติบโต
ประสาทขั้นตอนวิธี ( กง ) , แก๊สซึ่งในกลุ่มที่คล้ายกันแม่ไก่บ้าน
จะจับกลุ่มด้วยกัน อย่างไรก็ตาม แบบกงบ่อยๆ
แก้ปัญหา โดยพิจารณาจากข้อมูลระยะทางเท่านั้น ดังนั้น
ลูกผสมเติบโตประสาทก๊าซ ( hgng ) ถูกเสนอโดยพิจารณา
ทั้งระยะห่างจากจุดเซนทรอยด์ของกลุ่มที่จะ
แม่ไก่บ้านและขนาดน้ำหนักของบ้านไก่ ในช่วงระยะที่สอง
,การกำหนดเส้นทางและการจัดสรรแม่ไก่กับ
แม่ไก่บ้านเพื่อนบ้านที่ใกล้ที่สุดโดยใช้วิธีการทดลอง
เพื่อลดระยะทางรวม ประสิทธิภาพของขั้นตอนวิธี
การวัดการปรับปรุงญาติ ( RI )
ซึ่งเปรียบเทียบต้นทุนรวมประกอบด้วยสามส่วนประกอบ
เป็นค่าใช้จ่ายของการใช้ฟาร์ม ต้นทุนการขนส่งและการสูญเสีย
ไก่จากการผสมไก่ที่อายุที่แตกต่างกัน ผลที่ได้จากการศึกษาในครั้งนี้พบว่าขั้นตอนวิธี hgng

ค่าต้นทุนรวมให้ดีขึ้นกว่าปัจจุบันของ บริษัท ฯโดย 7.92 20.83 ( ด้วย
14.56 เฉลี่ยร้อยละ 5.90 ) และ 17.91 % ( โดยเฉลี่ย 11.14 ) %
ดีกว่าแบบกง
สถิติผลลัพธ์ขั้นตอนวิธี ที่ได้จากการวิเคราะห์ความแปรปรวน ( ANOVA ) และการทดสอบ
ดันแคนพบว่า ริ เพิ่มขึ้นจำนวนแม่ไก่บ้าน
เพิ่มขึ้น นอกจากนี้ ตัวเลขที่สูงขึ้นของบ้านแม่ไก่จะ
ส่วนใหญ่อาจผลผลิต ความยืดหยุ่นสูงสำหรับ hgng ขั้นตอนวิธีการจัดสรร
ไก่ให้แม่ไก่บ้านได้อย่างมีประสิทธิภาพ ดังนั้น ขอบฟ้าวางแผน
ระยะยาวสามารถเป็นประโยชน์ในการลดจำนวนของไก่
บ้านใช้ และโดยเฉพาะอย่างยิ่งการสูญเสียจากการผสมแม่ไก่จะ
ลดลงอย่างมีนัยสำคัญ นอกจากนี้ การจับคู่การทดสอบตัวอย่างตาม
บนค่าของริการเปรียบเทียบต้นทุนรวมของ
เสนอ hgng และขั้นตอนวิธีแบบกงซึ่ง
แสดงว่าเสนอ hgng อย่างมีนัยสำคัญดีกว่า
แบบกง . ดังนั้น hgng ขั้นตอนวิธีที่ใช้เปรียบเทียบ
ต้นทุนรวมกับของปัจจุบันเพื่อประสิทธิผลของ
ขั้นตอนวิธีผลการจับคู่การทดสอบตัวอย่าง พบว่า hgng
อัลกอริทึมที่สามารถใช้อย่างมีประสิทธิภาพเพื่อแก้ปัญหา
จัดสรรแม่ไก่บ้านแม่ไก่ ดังนั้น การเสนอ
วิธีที่พัฒนาขึ้นนี้ได้จะช่วยให้อุตสาหกรรมไข่ลดต้นทุนที่เกิดขึ้นในทางเศรษฐกิจ

hgng ยั่งยืน การผลิต การนำเสนอวิธีการที่ไม่เพียงมีประโยชน์สำหรับการลด
ค่าใช้จ่ายทั้งหมดเมื่อเทียบกับปัจจุบัน แต่ยังสำหรับการจัดการที่มีประสิทธิภาพ
ระบบการผลิตสัตว์ปีก นอกจากนี้
วิธีการศึกษาควรพิสูจน์ประโยชน์อื่น ๆที่คล้ายกัน
อาหารเกษตรทั้งในประเทศไทยและทั่วโลก ดังนั้น
ยังมีโอกาสมากขึ้นที่จะขยายงานของเราในหลายพื้นที่

เราวางแผนอนาคตการทำงานจะต้องปรับปรุงเส้นทางจาก