بازگشت به جستجو

رویکردهای فراابتکاری برای حداکثر مشکل جمع آوری خون

عنوان	رویکردهای فراابتکاری برای حداکثر مشکل جمع آوری خون
نویسنده	خامنه، رامین درخواست
تاریخ انتشار:	17-01-2023 T07:17: عزیزترین
موضوع	مشکل مسیریابی خودرو، مشکل مسیریابی خودرو، اهدای خون، اهدای خون، فراابتکاری، فراابتکاری
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	fe3491ec-c21c-4a95-9aaa-60f7d6c90772
محل کتابخانه	گروه مهندسی صنایع
تاریخ	17-01-2023 T07:17: عزیزترین
متن نمونه	به لطف پیشرفت های اخیر فناوری و پزشکی، اکنون می توان اجزای خون را پس از اهدا از خون کامل استخراج کرد. یکی از این اجزاء پلاکت است که کاربردهای گسترده ای در زمینه های پزشکی از جمله درمان سرطان و سایر روش های جراحی دارد. با توجه به فاسد شدنی بودن پلاکت ها، توصیه می شود تا شش ساعت پس از اهدای پلاکت جداسازی شود. علاوه بر این، پلاکت‌ها کمتر از یک درصد از کل حجم خون را تشکیل می‌دهند، اما به شدت مورد نیاز هستند. بنابراین، آشکار می شود که نیاز به یک زنجیره تامین پلاکت موثر است که نیازهای بیمار را برآورده کند. با توجه به اهمیت پلاکت ها در مراقبت های بهداشتی، فسادپذیری و عرضه محدود آنها، یک زنجیره تامین پلاکت موثر بر عملیات جمع آوری خون کامل به خوبی مدیریت شده تکیه دارد. در این مطالعه، ما یک مشکل جمع‌آوری خون (BCP) را با تمرکز بر جمع‌آوری اهدای خون کامل از سایت‌های اهدای خون (BDS) در نظر می‌گیریم. متفاوت از شکل اصلی BCP، ما محدودیت زمانی پردازش خون و الگوهای اهدای خودسرانه اهداکنندگان را در نظر می گیریم و همچنین فرض اختصاص دادن هر وسیله جمع آوری خون (BCV) را به مجموعه ای از BDS ها در نظر می گیریم. بنابراین، ما مشکل جمع‌آوری بیشینه خون غیرخوشه‌ای (NC-MBCP) را به عنوان یک نوع BCP تعریف می‌کنیم. در این مشکل، هدف به حداکثر رساندن کل پلاکت‌های جمع‌آوری‌شده از BDS‌های متعدد با استفاده از مجموعه‌ای از BCV است که خون را از آن BDSs جمع‌آوری می‌کند و قبل از غیرقابل استفاده شدن برای تولید پلاکت، آن را به یک مرکز پردازش مرکزی انتقال می‌دهد. در این مطالعه، ما تصمیم‌های مسیریابی برای مجموعه‌های پلاکتی را بررسی می‌کنیم در حالی که نیاز به خوشه‌بندی از BDSs را کاهش می‌دهیم، که منجر به افزایش قابل توجهی در پیچیدگی مشکل می‌شود. به منظور حل مشکل، ما یک الگوریتم ژنتیک ترکیبی و یک الگوریتم بهینه‌سازی علف‌های هرز تهاجمی را پیشنهاد می‌کنیم که نسبت به بهترین راه‌حل موجود در ادبیات، پیشرفت‌های قابل‌توجهی را برای نوع خوشه‌ای مسئله ارائه می‌دهد و با بهبود 9.40 درصدی توسط الگوریتم ژنتیک ترکیبی و 9.14 درصد بهبود میانگین بر روی روش بهینه‌سازی algoritik، بهبود می‌یابد. tıbbi gelişmeler sayesinde، kan bileşenleri artık bir Bagıştan sonra tam kandan elde edilebilmektedir. بو بیله شنلردن بیری ده، کانسر تداویسی و دیغر چراهی ایشلملر د داهیل اولماک وزره تیپ آلانلاریندا گنیش بیر کولانیم آلانینا صاحیپ اولان ترومبوسیتیر. ترومبوسیتلرین چابوک بوزولان یاپیسی ندنیله، باغیشتان سونرا آلتی ساعت ایچینده آیریلماسی اونریلمکتیدیر. آیریجا، ترومبوسیلر تام کان هاکمینین یوزده بیریندن داها آذینی اولوشتورماسینا راغمن اولدوکچا تالپ گورمکتیدیر. بویلچه، هستا ایهتیاچلارینی کارشیلایان اتکین بیر ترومبوسیت تداریک زینسیرین ایهتیاچ اولدوغو اورتایا چیکماکتادیر. Trombositlerin sağlık hizmetlerindeki önemi، çabuk bozulabilirlikleri، sınırlı tedarikleri ve etkili trombosit tedarik zinciri، iyi yönetilen tam kan alma işlemlerine dayanmaktadır. بو چاليشمادا، کان باغيشي مرکزلريندن (BDS) تام کان باغيشلارينين توپلانماسينا اوداکلانيلان بير کان آلما مشکلي (BCP) الي اليماکتادير. BCP'nin temel halinden farklı olarak, her bir kan toplama aracını (BCV) بیر دیزی BDS'lere atama varsayımını esnetmenin یانی سیرا، کانین ایشلم سورسی سینیرینی و دونرلرین کیفی باغیش مدللرینی ایله المکتی. Bu nedenle, kümelenmemiş maksimum kan alma problemini (NC-MBCP) BCP'nin bir çeşidi olarak tanımlanmaktadır. BCV'yi kullanarak çok sayıda BDS'den toplanan toplam trombositleri maksimize etmektir. Bu çalışmada، problemin karmaşıklığında önemli bir artışla sonuçlanan BDS'lerden kümeleme gereksinimini esnetirken trombosit toplamaları için rotalama kararları incelenmektedir. Problemi çözmek için, problemin kümelenmiş variantı için literatürdeki en iyi çözüm üzerinde önemli iyileştirmeler sağlayan bir hibrit genetik algoritma ve bir istilacı yabani ot optimization algoritması önerilmektedir. Önerilen hibrit genetik algoritma ortalama %9,40 ve istilacı yabani ot optimization algoritması ile ortalama %9,14 iyileştirme ile daha iyi performans göstermektedirler.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

رویکردهای فراابتکاری برای حداکثر مشکل جمع آوری خون

نویسنده خامنه، رامین درخواست

تاریخ انتشار 17-01-2023 T07:17: عزیزترین

موضوع مشکل مسیریابی خودرو، مشکل مسیریابی خودرو، اهدای خون، اهدای خون، فراابتکاری، فراابتکاری

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت fe3491ec-c21c-4a95-9aaa-60f7d6c90772

محل کتابخانه گروه مهندسی صنایع

تاریخ 17-01-2023 T07:17: عزیزترین

متن نمونه به لطف پیشرفت های اخیر فناوری و پزشکی، اکنون می توان اجزای خون را پس از اهدا از خون کامل استخراج کرد. یکی از این اجزاء پلاکت است که کاربردهای گسترده ای در زمینه های پزشکی از جمله درمان سرطان و سایر روش های جراحی دارد. با توجه به فاسد شدنی بودن پلاکت ها، توصیه می شود تا شش ساعت پس از اهدای پلاکت جداسازی شود. علاوه بر این، پلاکت‌ها کمتر از یک درصد از کل حجم خون را تشکیل می‌دهند، اما به شدت مورد نیاز هستند. بنابراین، آشکار می شود که نیاز به یک زنجیره تامین پلاکت موثر است که نیازهای بیمار را برآورده کند. با توجه به اهمیت پلاکت ها در مراقبت های بهداشتی، فسادپذیری و عرضه محدود آنها، یک زنجیره تامین پلاکت موثر بر عملیات جمع آوری خون کامل به خوبی مدیریت شده تکیه دارد. در این مطالعه، ما یک مشکل جمع‌آوری خون (BCP) را با تمرکز بر جمع‌آوری اهدای خون کامل از سایت‌های اهدای خون (BDS) در نظر می‌گیریم. متفاوت از شکل اصلی BCP، ما محدودیت زمانی پردازش خون و الگوهای اهدای خودسرانه اهداکنندگان را در نظر می گیریم و همچنین فرض اختصاص دادن هر وسیله جمع آوری خون (BCV) را به مجموعه ای از BDS ها در نظر می گیریم. بنابراین، ما مشکل جمع‌آوری بیشینه خون غیرخوشه‌ای (NC-MBCP) را به عنوان یک نوع BCP تعریف می‌کنیم. در این مشکل، هدف به حداکثر رساندن کل پلاکت‌های جمع‌آوری‌شده از BDS‌های متعدد با استفاده از مجموعه‌ای از BCV است که خون را از آن BDSs جمع‌آوری می‌کند و قبل از غیرقابل استفاده شدن برای تولید پلاکت، آن را به یک مرکز پردازش مرکزی انتقال می‌دهد. در این مطالعه، ما تصمیم‌های مسیریابی برای مجموعه‌های پلاکتی را بررسی می‌کنیم در حالی که نیاز به خوشه‌بندی از BDSs را کاهش می‌دهیم، که منجر به افزایش قابل توجهی در پیچیدگی مشکل می‌شود. به منظور حل مشکل، ما یک الگوریتم ژنتیک ترکیبی و یک الگوریتم بهینه‌سازی علف‌های هرز تهاجمی را پیشنهاد می‌کنیم که نسبت به بهترین راه‌حل موجود در ادبیات، پیشرفت‌های قابل‌توجهی را برای نوع خوشه‌ای مسئله ارائه می‌دهد و با بهبود 9.40 درصدی توسط الگوریتم ژنتیک ترکیبی و 9.14 درصد بهبود میانگین بر روی روش بهینه‌سازی algoritik، بهبود می‌یابد. tıbbi gelişmeler sayesinde، kan bileşenleri artık bir Bagıştan sonra tam kandan elde edilebilmektedir. بو بیله شنلردن بیری ده، کانسر تداویسی و دیغر چراهی ایشلملر د داهیل اولماک وزره تیپ آلانلاریندا گنیش بیر کولانیم آلانینا صاحیپ اولان ترومبوسیتیر. ترومبوسیتلرین چابوک بوزولان یاپیسی ندنیله، باغیشتان سونرا آلتی ساعت ایچینده آیریلماسی اونریلمکتیدیر. آیریجا، ترومبوسیلر تام کان هاکمینین یوزده بیریندن داها آذینی اولوشتورماسینا راغمن اولدوکچا تالپ گورمکتیدیر. بویلچه، هستا ایهتیاچلارینی کارشیلایان اتکین بیر ترومبوسیت تداریک زینسیرین ایهتیاچ اولدوغو اورتایا چیکماکتادیر. Trombositlerin sağlık hizmetlerindeki önemi، çabuk bozulabilirlikleri، sınırlı tedarikleri ve etkili trombosit tedarik zinciri، iyi yönetilen tam kan alma işlemlerine dayanmaktadır. بو چاليشمادا، کان باغيشي مرکزلريندن (BDS) تام کان باغيشلارينين توپلانماسينا اوداکلانيلان بير کان آلما مشکلي (BCP) الي اليماکتادير. BCP'nin temel halinden farklı olarak, her bir kan toplama aracını (BCV) بیر دیزی BDS'lere atama varsayımını esnetmenin یانی سیرا، کانین ایشلم سورسی سینیرینی و دونرلرین کیفی باغیش مدللرینی ایله المکتی. Bu nedenle, kümelenmemiş maksimum kan alma problemini (NC-MBCP) BCP'nin bir çeşidi olarak tanımlanmaktadır. BCV'yi kullanarak çok sayıda BDS'den toplanan toplam trombositleri maksimize etmektir. Bu çalışmada، problemin karmaşıklığında önemli bir artışla sonuçlanan BDS'lerden kümeleme gereksinimini esnetirken trombosit toplamaları için rotalama kararları incelenmektedir. Problemi çözmek için, problemin kümelenmiş variantı için literatürdeki en iyi çözüm üzerinde önemli iyileştirmeler sağlayan bir hibrit genetik algoritma ve bir istilacı yabani ot optimization algoritması önerilmektedir. Önerilen hibrit genetik algoritma ortalama %9,40 ve istilacı yabani ot optimization algoritması ile ortalama %9,14 iyileştirme ile daha iyi performans göstermektedirler.