الگوریتم‌های تکاملی برای مسئله مکان‌یابی تخصیص زنجیره تأمین زیست متان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشگاه شهید بهشتی.

2 دانشیار، دانشگاه شهید بهشتی.

3 استاد، دانشگاه شهید بهشتی.

4 استادیار، دانشگاه شهید بهشتی.

چکیده

زیست­متان به‌عنوان یک منبع تجدیدپذیر و سازگار با محیط­زیست، نقش مهمی در تأمین انرژی مطابق با معیارهای توسعه پایدار ایفا می­کند. در این مقاله، مدل برنامه­ریزی مختلط عدد صحیح غیرخطی برای تصمیم­گیری در مورد مکان بهینه رآکتور تولید زیست­متان و چگونگی تخصیص انواع پسماند به­عنوان ماده اولیه به رآکتور مطالعه می­شود. در این مدل هزینه کل راه‌اندازی سیستم تولید زیست­متان، با درنظرگرفتن محدودیت­های مقدار عرضه انواع پسماند در هر مرکز جمع­آوری، مقدار تقاضای انواع پسماند در رآکتور و تعداد نیروی کار موجود، حداقل می‌‌شود. الگوریتم­های ژنتیک و تکامل تفاضلی برای حل مدل، توسعه داده شده­اند و نتایج آن‌ها با یکدیگر مقایسه شده است. زمان حل هر دو الگوریتم نسبتاً یکسان است و الگوریتم تکامل تفاضلی، عملکرد بهتری از نظر مقدار تابع هدف نشان می­دهد.

کلیدواژه‌ها


1. Akbari, M., Dorri, B., & Zandieh, M. (2012). Schedueling working shifts for multi-skilled workforces with genetic algorithm approach, Journal of industrial management perspective, 7, 87-102, In Persian

2. Alem Tabriz, A., Roghanian, E., & Hosseinzadeh, M. (2011). An optimization model for reverse logistics network under stochastic environment using genetic algorithm, Journal of industrial management perspective, 1, 61-89, In Persian

3. Berenson, M., Levine, D., Szabat, K. A., & Krehbiel, T. C. (2012). Basic business statistics: Concepts and applications: Pearson Higher Education AU.

4. Biogas/Biomethane for use as a transport fuel. (2016, May 4). Accessed in May 13, 2016, European Biofuels Technology Platform, Available from: http://biofuelstp.eu/biogas.html

5. Celli, G., Ghiani, E., Loddo, M., Pilo, F., & Pani, S. (2008). Optimal location of biogas and biomass generation plants. Paper presented at the Universities Power Engineering Conference.

6. Chang, Y.-H. (2010). Adopting co-evolution and constraint-satisfaction concept on genetic algorithms to solve supply chain network design problems. Expert Systems with Applications, 37(10), 6919-6930.

7. Cochran, W. G., & Cox, G. M. (1957). Experimental designs, 2, Oxford, England: John Wiley & Sons.

8. De Meyer, A., Cattrysse, D., Rasinmäki, J., & Van Orshoven, J. (2014). Methods to optimise the design and management of biomass-for-bioenergy supply chains: A review. Renewable and Sustainable Energy Reviews, 31, 657-670.

9. Deb, K. (2000). An efficient constraint handling method for genetic algorithms. Computer Methods in Applied Mechanics and Engineering, 186(2–4), 311-338.

10. Feoktistov, V. (2006). Differential evolution, 5. New York: Springer.

11. Franco, C., Bojesen, M., Hougaard, J. L., & Nielsen, K. (2015). A fuzzy approach to a multiple criteria and Geographical Information System for decision support on suitable locations for biogas plants. Applied Energy, 140, 304-315.

12. Ghojavand, H., Zandieh, M., & Dorri, B. (2011). Meta-heuristic algorithms for integrated logistics network model, Journal of industrial management perspective, 3, 99-119, In Persian

13. Höhn, J., Lehtonen, E., Rasi, S., & Rintala, J. (2014). A Geographical Information System (GIS) based methodology for determination of potential biomasses and sites for biogas plants in southern Finland. Applied Energy, 113, 1-10.

14. Kannan, G., Sasikumar, P., & Devika, K. (2010). A genetic algorithm approach for solving a closed loop supply chain model: A case of battery recycling. Applied Mathematical Modelling, 34(3), 655-670.

15. Khuri, A. I., & Mukhopadhyay, S. (2010). Response surface methodology. Wiley Interdisciplinary Reviews: Computational Statistics, 2(2), 128-149.

16. Kwietniewska, E., & Tys, J. (2014). Process characteristics, inhibition factors and methane yields of anaerobic digestion process, with particular focus on microalgal biomass fermentation. Renewable and Sustainable Energy Reviews, 34, 491-500.

17. Majumdar, A., & Ghosh, D. (2015). Genetic Algorithm Parameter Optimization using Taguchi Robust Design for Multi-response Optimization of Experimental and Historical Data. International Journal of Computer Applications, 127(5), 26-32.

18. Mayerle, S. F., & Neiva de Figueiredo, J. (2016). Designing optimal supply chains for anaerobic bio-digestion/energy generation complexes with distributed small farm feedstock sourcing. Renewable Energy, 90, 46-54.

19. Sawatdeenarunat, C., Surendra, K. C., Takara, D., Oechsner, H., & Khanal, S. K. (2015). Anaerobic digestion of lignocellulosic biomass: Challenges and opportunities. Bioresource Technology, 178, 178-186.

20. Sharma, B., Ingalls, R. G., Jones, C. L., & Khanchi, A. (2013). Biomass supply chain design and analysis: Basis, overview, modeling, challenges, and future. Renewable and Sustainable Energy Reviews, 24, 608-627.

21. Sheskin, D. J. (2003). Handbook of parametric and nonparametric statistical procedures. Boka raton: crc Press.

22. Storn, R., & Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4), 341-359.

23. Taguchi, G. (1986). Introduction to quality engineering: designing quality into products and processes. Tokyo, Japan: White Plains: Asian Productivity Organization/UNIPUB.

24. Talbi, E.-G. (2009). Metaheuristics: from design to implementation, 74: John Wiley & Sons.

25. Wu, B., Sarker, B. R., & Paudel, K. P. (2015). Sustainable energy from biomass: Biomethane manufacturing plant location and distribution problem. Applied Energy, 158, 597-608.

26. Yılmaz Balaman, Ş., & Selim, H. (2014). A network design model for biomass to energy supply chains with anaerobic digestion systems. Applied Energy, 130, 289-304.

27. Yue, D., You, F., & Snyder, S. W. (2014). Biomass-to-bioenergy and biofuel supply chain optimization: Overview, key issues and challenges. Computers & Chemical Engineering, 66, 36-56.