تحقیق در عملیات در کاربردهای آن
سال:1389 | دوره:7 | شماره:2 (پیاپی 25) |تعداد مقالات:8

مقاله حاضر، ابتدا تاثیر امواج داخلی بر سرعت صوت و به ویژه پایداری زمانی کانال صوتی در حوزه تاثیر این امواج را بررسی می کند. سپس جواب های معادلات حاکم بر امواج داخلی را به روش تفاضلات متناهی و مبتنی بر ایده های عددی موجود در روش مدهای نرمال مورد بحث قرار می دهد. بعد از آن پروفیل سرعت صوت تغییر یافته و چگالی را در روش معادلات سهموی اعمال می نماید. همچنین شرایط تاثیر امواج داخلی بر نوسان های سرعت صوت و پایداری زمانی کانال های صوتی را بررسی می کند. در نهایت با مقایسه تاثیر این امواج بر انتشار صوت، تغییر رویکرد امواج آکوستیکی را در نمودارهایی با حالت انتشار بدون تاثیر امواج داخلی، به طور همزمان مورد تجزیه و تحلیل قرار داده که نتایج به دست آمده، کارایی روش را تایید می نماید.

هدف نهایی کنترل ترافیک هوایی برقراری جریان هواپیمایی کارا با حفظ امنیت عملیات هواپیمایی است. به هرحال هدف اصلی امنیت است که به هیچ وجه نمی توان آن را نادیده گرفت. تاخیرات ترافیک هوایی زمانی بوجود می آید که تقاضا برای فرود آمدن و یا پرواز کردن از ظرفیت موجود تجاوز کند. اثرات این تاخیرات را می توان با افزایش ظرفیت یا تعدیل تقاضا کاهش داد. البته افزایش ظرفیت یک راه حل خوب اما اقدامی بلند مدت است که با ساخت فرودگاه های جدید، توسعه فرودگاه های موجود و روش های فرود جدید امکان پذیر است. بنابراین، یک تصمیم کوتاه مدت برای کاهش تاخیرات با توجه به امکانات موجود، به یک مدل بهینه سازی تاکتیکی نیاز دارد. در این مقاله چارچوب این مدل را که تعمیمی از مدل شبکه جریان پویا با ظرفیت تصادفی است، ارایه می دهیم.

اخیرا روش جدیدی برای خوشه بندی داده ها، توسط گو و همکارانش در [13] ارایه شده است، که از تحلیل پوششی داده ها (DEA) برای خوشه بندی استفاده می کند. این روش، برای خوشه بندی داده هایی با مولفه های ورودی و خروجی، از توابع تولید قطعه قطعه خطی به دست آمده از مدل های DEA استفاده می کند. اما الگوریتمی که به این منظور پیشنهاد شده است، به دلیل وجود جواب های چندگانه برای مدل های DEA، یک مشکل اجرایی دارد. لذا در مقاله حاضر، مشکل الگوریتم مذکور تشریح و الگوریتم جدیدی جهت خوشه بندی صحیح یک گروه از داده ها با استفاده از DEA، ارایه خواهد شد.

مدل های تحلیل پوششی داده ها (DEA) در انتخاب بهترین وزن ها آزاد هستند. برای رفع مشکلات حاصل از آزادی وزن روی وزن های ورودی و خروجی محدودیت هایی قرار داده می شود. یکی از انواع محدودیت های وزنی که تا کنون معرفی شده، محدودیت های وزنی متقارن است. محدودیت های وزنی متقارن نخستین بار توسط دیمیترو و ساتون در سال 2009 [3] مطرح شد. آنها با استفاده از محدودیت های وزنی جدیدی که به مدل ماهیت ورودی و خروجی CCR اضافه نمودند، مبادرت به حذف وزن های صفر از وزن های ورودی و خروجیDMU  تحت ارزیابی کردند. تکنیک تخصیص وزن متقارن (SWAT) پیشنهادی دیمیترو و ساتون روی ناحیه شدنی مدل تاثیر نمی گذارد و در نتیجه همیشه شدنی است. همچنین به DMU ها اجازه می دهد که وزن ها را متقارن انتخاب کنند.

دراین مقاله، تحلیل پوششی داده ها با بازده به مقیاس متغیر ارایه شده است. واحدهای تصمیم گیرنده (DMU) به صورت کارآ یا ناکارآ طبقه بندی می شوند که بعد از تغییرات ورودی / خروجی های آن ها، ممکن است طبقه بندی شان تغییر کند. یعنی یک DMU کارآ می تواند ناکارآ شود و بالعکس. هدف این مقاله ارزیابی تغییرات ورودی / خروجی های یک DMU سوپر کارآی راسی است به گونه ای که وضعیت کارآیی آن تغییر نکند و در نتیجه ناحیه ای کارآ برای آن واحد مشخص می گردد. تشخیص این ناحیه با استفاده از روش تکرار می باشد. دراولین گام، مدل بسط داده شده تحلیل پوششی داده ها (DEA) لحاظ شده که با استفاده از آن DMU تحت ارزیابی از مجموعه مرجع جدا می شود. با استفاده از برنامه ریزی پارامتریک و با به کار بردن جدول سیمپلکس جواب بهینه به دست می آید، سپس جواب های دوآل استخراج و معادله وجهک متناظر مشخص می گردد. با تکرار روش از وجهکی به وجهک مجاور رفته و تا تعیین همه وجهک های مرز ناحیه کارآیی برای DMU مورد نظر این عمل ادامه یافته، تا ناحیه کاملی از کارآیی به دست آید.

از آنجایی که مکانیسم بازار در پاسخ گویی به سوالات اساسی اقتصاد (چه چیزی تولید شود؟، چگونه تولید شود؟، برای چه کسی تولید شود؟) نقش مهمی را ایفا می کند لذا می بایست توجه ویژه ای به چگونگی تعیین قیمت و مقدار در این مکانیسم صورت بگیرد. در واقع قیمت بازاری کالا و مقدار تولید به وسیله تعادل میان عرضه (مقدار کالایی که فروشنده مایل و قادر است با توجه به قیمت آن و ثابت بودن سایر عوامل در یک دوره زمانی معین در بازار ارایه کند) و تقاضا (مقدار کالایی که فرد خریدار مایل و قادر است با توجه به قیمت آن و ثابت بودن سایر عوامل در یک دوره زمانی معین خریداری کند) تعیین می شود. از یک طرف برای دستیابی به مقدار تعادلی عرضه و تقاضا مجبور به حل یک دستگاه معادلات خطی هستیم. از طرف دیگر، در شرایط واقعی برخی داده های مبهم در روابط میان مقادیر عرضه شده و تقاضا شده در یک قیمت مشخص در دسترس هستند و طبیعتا این روابط منجر به تشکیل یک دستگاه معادلات خطی فازی می شود. در این مقاله روی حل چنین دستگاه هایی متمرکز می شویم که مستقیما به حل یک مساله اقتصادی (تعیین مقادیر تعادلی بازار) مرتبط می شوند.

در این مقاله، حل دستگاه معادلات خطی منفرد n´n مورد بررسی قرار گرفته است. ما نشان داده ایم هر دستگاه معادلات خطی منفرد با یک دستگاه معادلات خطی فرومعین هم ارز است. با ارایه مثال های عددی، نیز نشان داده شده است که جواب مینیمال به دست آمده برای دستگاه معادلات خطی فرومعین در دستگاه معادلات خطی منفرد هم ارز با آن نیز صدق می کند.

نمودار کنترل T2 هتلینگ به عنوان یک روش چند متغیره دارای بیش ترین کاربرد برای دو یا چند مشخصه مرتبط است، ولی فاقد دقت لازم در تشخیص تغییرات کوچک و متوسط می باشد. اخیرا، ثابت شده است، طرح کنترل با فواصل نمونه گیری و حدود کنترل متغیر (VSICL) در مقایسه با نمودار کنترل T2 هتلینگ با نرخ نمونه گیری ثابت(FRS) ، توانایی بسیار خوبی در تشخیص تغییرات کوچک و متوسط دارد. به علاوه، نشان داده شده است که طرح با فواصل نمونه گیری و حدود کنترل متغیر، اقتصادی تر از نوع متعارف آن است. این مقاله پیامدهای اقتصادی یک طرح کنترل جدید به نام طرح کنترل با اندازه های نمونه، فواصل نمونه گیری و حدود کنترل متغیر (VSSICL) را بررسی می کند که در آن اندازه نمونهn ، فاصله نمونه گیری h و حد کنترل k، بین دو مقدار مینیمم و ماکسیمم تغییر می کند. در این ارتباط، مدل هزینه کوستا و رحیم (2001) را مورد استفاده قرار می دهیم. این مدل هزینه، شامل هزینه هشدارهای اشتباه، هزینه کشف و اصلاح یک انحراف با دلیل، هزینه تولید اقلام خارج از کنترل و هزینه نمونه گیری و آزمایش است. علاوه بر این، فرض می کنیم طول زمانی که فرایند در حالت کنترل باقی می ماند، دارای توزیع نمایی است که با این فرض قادر به به کارگیری دیدگاه زنجیر مارکوف برای تعمیم مدل هزینه خواهیم بود. به منظور تعیین مقدار بهینه پارامترهای مدل با مینیمم کردن تابع هزینه، از الگوریتم ژنتیک استفاده می کنیم. سرانجام، نمودارهای T2 -VSICL و T2 -VSSICL را از طریق متوسط هزینه در واحد زمان مقایسه می کنیم.