CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

بکارگیری روش یادگیریتقویتی سارسا در یادگیری بافر مقدار سفارش در سیستمهای کنترل موجودی غیرایستا

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۱۴۸ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: ICISE02_077
زبان مقاله: فارسی
حجم فایل: ۸۴۶.۸۷ کیلوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۹ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بکارگیری روش یادگیریتقویتی سارسا در یادگیری بافر مقدار سفارش در سیستمهای کنترل موجودی غیرایستا

  حمیده احمدی - کارشناسی ارشد مهندسی صنایع، دانشگاه صنعتی سجاد، مشهد، ایران؛
  امین نوری - عضو هیئت علمی دانشکده مهندسی برق، دانشگاه صنعتی سجاد ، مشهد، ایران؛
  محسن باقری - استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی سجاد ، مشهد، ایران؛

چکیده مقاله:

شیوه ی کنترل موجودی مورد مطالعه در این مقاله از نوع مدیریت موجودی توسط فروشنده (VMI) میباشد که در سالهای اخیر با پیشرفت فناوری اطلاعات از یک سو و افزایش رقابت از سوی دیگر، مورد توجه بسیاری از زنجیرههای تامین کالا قرار گرفته است. در این پژوهش از تلفیق مدیریت موجودی توسط فروشنده و یادگیریتقویتی به مدیریت سفارشات در یک زنجیره تامین سه سطحی پرداخته شده است. در این مدل عامل توزیع کننده مسئول پایش و کنترل موجودی خردهفروش است. تقاضای مشتری غیرایستا بوده و توسط دو روش پیشبینی هموارسازی نمایی و هموارسازی خطی هولت، پیشبینی میشود. برای مواجهه با نوسانات تقاضای غیرایستا، مقدار بازپرسازی احتیاطی به عنوان بافر مقدار سفارش با کمک یادگیری تقویتی به نحوی اتخاذ میشود که کمترین هزینه موجودی را به سیستم اعمال کند. روش یادگیری تقویتی استفاده شده روش سارسا میباشد که یکی از روشهای متداول تفاوت گذرا میباشد. نتایچ حاصل از شبیه سازی در طی 1000 دوره بازپرسازی حاکی از عملکرد مناسب یادگیری تقویتی در مساله مدیریت موجودی در محیط غیرایستا است.

کلیدواژه‌ها:

مدیریت موجودی توسط فروشنده، یادگیری تقویتی، مقدار بازپرسازی احتیاطی، الگوریتم سارسا

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICISE02-ICISE02_077.html
کد COI مقاله: ICISE02_077

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
احمدی, حمیده؛ امین نوری و محسن باقری، ۱۳۹۵، بکارگیری روش یادگیریتقویتی سارسا در یادگیری بافر مقدار سفارش در سیستمهای کنترل موجودی غیرایستا، دومین کنفرانس بین المللی مهندسی صنایع و سیستم­ها (ICISE 2016)، بصورت الکترونیکی، گروه مهندسی صنایع دانشگاه فردوسی، https://www.civilica.com/Paper-ICISE02-ICISE02_077.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (احمدی, حمیده؛ امین نوری و محسن باقری، ۱۳۹۵)
برای بار دوم به بعد: (احمدی؛ نوری و باقری، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Tsitsiklis. A neuro-dynamic programming approach to retailer inventory management. In ...
  • reinforcement learning approach. Int. J. Prod. Res. 40, 1299-1317. ...
  • Giannoccaro, I., Pontrandolfo, P., 2002. Inventory management in supply chains: ...
  • Kim, C. O., Kwon, I. H., & Baek, J. G. ...
  • Kwon, Ick-Hyun, Kim, Chang Ouk, Jun, Jin, & Lee, Jung ...
  • Chaharsooghi, K., Heydari, J., Zegordi, H., 2008. A reinforcement learning ...
  • Kwak, C., Choi, J.S., Kim, C.O., Kwon, I.-H., 2009. Situation ...
  • Kim, C.O., Kwon, I.-H., Kwak, C., 2010. Multi- agent based ...
  • Zheng Sui, Abhijit Gosavi, and Li Lin. 2010. A reinforcement ...
  • Fazel zarand, M.H., Moosavi, V., Zarinbal, M., (2013), A fuzzy ...
  • Engineering Applications of Artificial Intelligence 37 (2015) 207-220 ...
  • A. G. Barto, and R. S. Sutton, Reinforcement Learning an ...
  • L. P. Kaelbling, M. L. Littman, and A. W. Moore, ...
  • Hyndman, R. Koehler, A., Keith, O. and Synder, R. (2008). ...
  • Achabal, D. D., Mcintyre, S. H., Smith, S. A., & ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: موسسه غیرانتفاعی
    تعداد مقالات: ۵۸۵
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.