การศึกษาฟังก์ชันการคำนวณค่าสัมประสิทธิ์ความโน้มถ่วงแบบใหม่ ในขั้นตอนวิธีการค้นหาความโน้มถ่วงสำหรับปัญหาการบรรจุผลิตภัณฑ์แบบหนึ่งมิติ
Article Sidebar
Main Article Content
บทคัดย่อ
ปัญหาการบรรจุผลิตภัณฑ์ก่อให้เกิดการสูญเสียต้นทุนในกิจกรรมโลจิสติกส์เป็นจำนวนมากจึงมีความจำเป็นต้องศึกษาการแก้ไขปัญหาที่เหมาะสมการวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาสมรรถนะฟังก์ชันค่าสัมประสิทธิ์ความโน้มถ่วงแบบใหม่ในขั้นตอนวิธีการค้นหาความโน้มถ่วงสำหรับปัญหาการบรรจุผลิตภัณฑ์แบบหนึ่งมิติการวิจัยนี้เริ่มศึกษาขั้นตอนวิธีการดังกล่าวและปรับค่าพารามิเตอร์ที่สามารถแก้ไขปัญหาการบรรจุผลิตภัณฑ์แบบวงกว้างซึ่งในการทดสอบแบ่งออกเป็น 3 กรณีคือ (1) กรณีปัญหาแบบง่าย (2) กรณีปัญหาแบบปานกลางและ (3) กรณีปัญหาแบบยากนอกจากนั้นยังทดสอบเชิงเปรียบเทียบกับ3 ขั้นตอนวิธีการได้แก่ (1) ขั้นตอนวิธีการวิวัฒนาการเชิงควอนตัม (2) ขั้นตอนวิธีการหาค่าเหมาะที่สุดแบบกลุ่มอนุภาคและ (3) ขั้นตอนวิธีการค้นหาความโน้มถ่วงเพื่อยืนยันสมรรถนะในการแก้ไขปัญหาผลการวิจัยพบว่าขั้นตอนวิธีการค้นหาความโน้มถ่วงที่ผ่านการพัฒนาฟังก์ชันการคำนวณค่าสัมประสิทธิ์ความโน้มถ่วงแบบใหม่มีสมรรถนะสูงในการแก้ไขปัญหาการบรรจุผลิตภัณฑ์แบบหนึ่งมิติแบบง่ายและแบบปานกลางและมีค่าคำตอบใกล้เคียงกับคำตอบที่ดีที่สุด ในกรณีปัญหาแบบยากนั้นยังไม่สามารถค้นหาคำตอบที่เหมาะที่สุดและยังได้คำตอบแบบเหมาะที่สุดเฉพาะที่ดังนั้นจึงสามารถสรุปได้ว่าขั้นตอนวิธีการวิธีการดังกล่าวเหมาะกับปัญหาที่มีความซับซ้อนน้อยถึงปานกลางและปัญหาที่มีฟังก์ชันการค้นหาแบบฐานนิยมเดี่ยว
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ใน Journal of Advanced Development in Engineering and Science ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา ฯลฯ ที่ได้รับการตีพิมพ์ในJournal of Advanced Development in Engineering and Science ถือเป็นลิขสิทธิ์ของ Journal of Advanced Development in Engineering and Science หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก Journal of Advanced Development in Engineering and Scienceก่อนเท่านั้น
เอกสารอ้างอิง
Kondratjev, J. (2015). Logistics Transportation and Warehouse in Supply Chain, (Master thesis, Centria University of Applied Sciences).
Rushton, A., et al. (2014). The Handbook of Logistics and Distribution Management: Understanding the Supply Chain. London: Kogan Page.
Manyika, J., et al. (2017). A future that works: AI, automation, employment, and productivity. McKinsey Global Institute Research, 60, 1-135.
Wei, L., et al. (2020). A new branch-and-price-and-cut algorithm for one-dimensional bin-packing problems. INFORMS Journal on Computing, 32(2), 428-443.
Abdel-Basset, M., et al. (2018). An improved nature inspired meta-heuristic algorithm for 1-D bin packing problems. Personal and Ubiquitous Computing, 22(5-6), 1117-1132.
Hannenhalli, S. (1996). Polynomial-time algorithm for computing translocation distance between genomes. Discrete Applied Mathematics, 71(1-3), 137-151.
Alvim, A. C., et al. (2004). A hybrid improvement heuristic for the one-dimensional bin packing problem. Journal of Heuristics, 10(2), 205-229.
Delorme, M., et al. (2016). Bin packing and cutting stock problems: Mathematical models and exact algorithms. European Journal of Operational Research, 255(1), 1-20.
Duan, J., et al. (2022). A Data-Driven Column Generation Algorithm for Bin Packing Problem in Manufacturing Industry. Available from https://arxiv.org/pdf/2202.1246 6.pdf. Accessed date: 27 December 2022.
Davis, L. (1985). Applying adaptive algorithms to epistatic domains. In 9th International Joint Conferences on Artificial Intelligence Organization (p. 162-164). 18 – 23 August, 1985, Los Angeles, California, USA.
Lodi, A., et al. (2002). Two-dimensional packing problems: A survey. European Journal of Operational Research, 141(2), 241-252.
Dorigo, M. & Blum, C. (2005). Ant colony optimization theory: A survey. Theoretical Computer Science, 344(2-3), 243-278.
Srinivas, M. & Patnaik, L. M. (1994). Adaptive probabilities of crossover and mutation in genetic algorithms. IEEE Transactions on Systems, Man, and Cybernetics, 24(4), 656-667.
Rashedi, E., et al. (2009). GSA: a gravitational search algorithm. Information Sciences, 179(13), 2232-2248.
Tharawetcharak, P., et al. (2019). An improved gravitational coefficient function for enhancing gravitational search algorithm’s performance. International Journal of Machine Learning and Computing, 9(3), 261-266.
Sidhu, J. S., et al. (2007). The multifaceted nature of exploration and exploitation: Value of supply, demand, and spatial search for innovation. Organization Science, 18(1), 20-38.
Mansouri, R., et al. (1999). Effective time variation of G in a model universe with variable space dimension. Physics Letters A, 259(3-4), 194-200.
Scholl, A. & Klein, R. (2022). Bin Packing. Available from https://www2.wiwi.uni-jena.de/Entscheidung /binpp/bin1dat.htm. Accessed date: 01 Mar 2022.
Swain, B., et al. (2014). Quantum evolutionary algorithm for solving bin packing problem. International Journal of Engineering Science Invention, 3(8), 1-7.
Laurent, A. & Klement, N. (2019). Bin packing problem with priorities and incompatibilities using PSO: Application in a health care community. IFAC-PapersOnLine, 52(13), 2596-2601.
