دانلود رایگان ترجمه مقاله مدل احتمال جدید برای ضمانت کردن مشکل مسیر بحرانی با الگوریتم اکتشافی (نشریه الزویر ۲۰۱۵)

این مقاله انگلیسی ISI در نشریه الزویر در ۷ صفحه در سال ۲۰۱۵ منتشر شده و ترجمه آن ۲۱ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است. 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

مدل احتمال جدید برای ضمانت کردن مشکل مسیر بحرانی با الگوریتم اکتشافی

عنوان انگلیسی مقاله:

A new probability model for insuring critical path problem with heuristic algorithm

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۵
تعداد صفحات مقاله انگلیسی ۷ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی صنایع، مدیریت، مهندسی کامپیوتر
گرایش های مرتبط با این مقاله مدیریت پروژه، مدیریت بحران، برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها، مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) محاسبات عصبی – Neurocomputing
کلمات کلیدی مسیر بحرانی، مدل احتمال، بهینه سازی تصادفی، شرایط ریسک مینیمم، الگوریتم پیوندی
ارائه شده از دانشگاه دانشکده ریاضی و علوم کامپیوتر، دانشگاه هبی، چین
رفرنس دارد  
کد محصول F1222
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۱ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه نشده است 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱- مقدمه
۲- فرمولاسیون مسأله مسیر بحرانی ضامن تصادفی و مرحله مخالف ریسک
۳- مسأله مسیر بحرانی تضمینی SAA
۴- روش های راه حل اکتشافی
۱-۴- یافتن مسیر بحرانی
۲-۴- GPN-BPSO پیوندی
۵- نتایج محاسباتی
۶- بحث
۷- نتایج

 

بخشی از ترجمه
 چکیده
برای بدست آوردن شرح کافی در مورد ریسک مخالفت با ضمانت مشکل مسیر بحرانی، این مقاله رده جدیدی از مسائل ریسک حداقل دو مرحله ای توسعه می دهد. تابع هدف مرحله اول برای به حداقل رساندن احتمال وجود هزینه های مجموع متجاوز از مقدار آستانه از پیش تعیین شده است، در حالی که کار تابع هدف مرحله دوم به حداکثر رساندن طول مدت وظیفه تضمین است. برای توزیع دوره وظیفه عمومی، ما روش تخمین میانگین نمونه (SAA) را برای تابع هدف احتمال اتخاذ می کنیم. مسأله SAA منتج شده یک مدل برنامه نویسی صحیح دو مرحله ای است، که در آن نمود تحلیل از تابع ارزش مرحله دوم قابل دسترس نیست، و ما نمی توانیم آن را با الگوریتم های بهینه سازی مرسوم حل کنیم. برای جلوگیری از بروز این مشکل، ما الگوریتم پیوندی جدیدی با تلفیق روش برنامه نویسی پویا (DPM) و مجاورت ژنوتیپ-فنوتیپ مبنی بر بهینه سازی گروه حروف باینری (DPN-BPSO) طراحی کرده ایم که در آن DPM برای یافتن مسیر بحرانی در مسأله برنامه نویسی مرحله دوم به کار رفته استو ما چند آزمایش عددی از طریق مسأله مسیر بحرانی یا ۳۰ گره و ۴۲ کمان انجام داده ایم و در مورد مدل مغایر ریسک و نتایج تجربی حاصل شده با GPN-BPSO پیوندی، الگوریتم ژنتیک پیوندی (GA) و BPSO پیوندی بحث کرده ایم. نتایج محاسباتی نشان می دهند که GPN-BPSO به عملکرد بهتری نسبت به GA پیوندی و BPSO پیوندی دست می یابد، و مدل مسیر بحرانی پیشنهادی برای تصمیم گیرندگان مخالف ریسک مهم است. 
 
۱- مقدمه
در مسأله مدیریت پروژه پیچیده، ما اغلب از گراف شبکه جهتدار برای شرح وظایف مختلف و روابط میان وظایف استفاده می کنیم. در این چارچوب، کمان ها نشان دهنده وظایف و وزن های کمان ها به عنوان دوره وظیفه متناظر با آن در نظر گرفته شده اند. همچنینی، گره ۰ وجود دارد که نشان دهنده آفاز پروژه است و گره n نشان دهنده خاتمه (پایان) آن است. یک پروژه را در صورتی می توان تکمیل شده در نظر گرفت که تمام فعالیت های آن به اتمام رسیده باشند. نتیجه نظری مهم این است که حداقل زمان برای تکمیل تمام فعالیت ها در شبکه فعالیت معادل با طول طولانی ترین مسیر از گره منبع به گره مقصد است. از اینرو، این مسیر، که مسیر بحرانی نامیده شده است، نشان دهنده دنباله فعالیت هایی است که بیشترین زمان را برای تکمیل خواهد گرفت. Chen و همکارانش الگوریتم زمان چند جمله ای را برای یافتن مسیر بحرانی توسعه داده اند و روایی هر کمان را در شبکه فعالیت محدود زمانی تجزیه و تحلیل کرده اند. Guerriero و Talarico روشی کلی برای یافتن مسیر بحرانی در شبکه فعالیت روی کمان قطعی پیشنهاد کرده اند، و این کار را با در نظر گرفتن سه نوع مختلف از محدودیت های زمانی انجام داده اند.
حوزه دیگر تحقیق مرتبط با طبیعت تصادفی زمان فعالیت است. به عنوان مثال، Kelley و Moehring احتمالی را تخمین زده اند که یک پروژه با آن احتمال با ضرب العجل های معینی، در صورتی که طول مدت هر فعالیت با قطعیت مشخص نباشد، تکمیل خواهد شد؛ Burt و Garman، Bowman و Mitchell و Klastorin اطلاعات غیر قطعی انبوه را با تکنیک های مبتنی بر شبیه سازی اکتشافی و مبتنی بر شبیه سازی مونت کارلو بهبود داده اند، و Shen و همکارانش مدل های استثنایی و محدود به شانس را برای ضمانت کردن مسائل مسیر بحرانی پیشنهاد کرده اند و استراتژی های تجزیه را برای حل این مدل ها طراحی کرده اند.

 

بخشی از مقاله انگلیسی

Abstract

In order to obtain an adequate description of risk aversion for insuring critical path problem, this paper develops a new class of two-stage minimum risk problems. The first-stage objective function is to minimize the probability of total costs exceeding a predetermined threshold value, while the second-stage objective function is to maximize the insured task durations. For general task duration distributions, we adapt sample average approximation (SAA) method to probability objective function. The resulting SAA problem is a two-stage integer programming model, in which the analytical expression of second-stage value function is unavailable, we cannot solve it by conventional optimization algorithms. To avoid this difficulty, we design a new hybrid algorithm by combining dynamic programming method (DPM) and genotype-phenotype-neighborhood based binary particle swarm optimization (GPN-BPSO), where the DPM is employed to find the critical path in the second-stage programming problem. We conduct some numerical experiments via a critical path problem with 30 nodes and 42 arcs, and discuss the proposed risk averse model and the experimental results obtained by hybrid GPN-BPSO, hybrid genetic algorithm (GA) and hybrid BPSO. The computational results show that hybrid GPN-BPSO achieves the better performance than hybrid GA and hybrid BPSO, and the proposed critical path model is important for risk averse decision makers.

۱ Introduction

In a complex project management problem, we often use a directed network graph to describe various tasks and the relationships among the tasks. In this framework, the arcs represent dependent tasks and the arc weights serve as associated task durations. Also, there exists a node 0 representing the start of the project and a node n representing its termination. A project can be considered completed if all its activities have been finished. An important theoretical result is that the minimum time to complete all the activities in the activity network equals to the length of the longest path from the source node to the destination node [1]. Thus, this path, called critical path, represents the sequence of activities, which will take the longest time to complete. Chen et al. [2] developed a polynomial time algorithm to find the critical path and analyzed the float of each arc in a time-constrained activity network. Guerriero and Talarico [3] proposed a general method to find the critical path in a deterministic activity-on-the-arc network, considering three different types of time constraints. Another area of research dealt with the stochastic nature of activity time. For example, Kelley [4,5] and Moehring [6] estimated the probability that a project would be completed by a given deadline if the duration for each activity is not known with certainty; Burt and Garman [7], Bowman [8] and Mitchell and Klastorin [9] treated mass uncertain information by heuristicbased and Monte Carlo simulation-based techniques, and Shen et al. [10] proposed expectation and chance-constrained models for insuring critical path problems and designed decomposition strategies to solve these models

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا