سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

[ 59 | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]


عنوان مقاله:روش فاز تنظیم خودکار قوی برای پیش بینی مالی
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره): (0)
سال انتشار:2015
شماره صفحات: 227249227-249
نشانگر دیجیتالی شیء:[ 10.1016/b978-0-12-411585-9.00009-9 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. The Microeconomics Of Complex Economies Evolutionary, Institutional, And Complexity Perspectives »
  4. Chapter 9 Tools III An Introduction to Simulation and Agent-Based Modeling

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 54.163.213.149

اطلاعات استنادی

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

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

خلاصه مقاله، نویسندگان و کلمات کلیدی

Chapter 9 Tools III An Introduction To Simulation And Agent-Based Modeling


مقاله: روش فاز تنظیم خودکار قوی برای پیش بینی مالی

نويسند‌گان:


خلاصه مقاله:


Backfill is the excavated material from earthworks, which constitutes over 50% of the construction wastes in Hong Kong. This paper considers a supply chain that consists of construction sites, landfills and commercial sources in which operators seek cooperation to maximize backfill reuse and improve waste recovery efficiency. Unlike the ordinary material supply chain in manufacturing industries, the supply chain for backfill involves many dynamic processes, which increases the complexity of analyzing and solving the logistic issue. Therefore, this study attempts to identify an appropriate methodology to analyze the dynamic supply chain, for facilitating the backfill reuse. A centralized optimization model and a distributed agent-based model are proposed and implemented in comparing their performances. The centralized optimization model can obtain a global optimum but requires sharing of complete information from all supply chain entities, resulting in barriers for implementation. In addition, whenever the backfill supply chain changes, the centralized optimization model needs to reconfigure the network structure and recompute the optimum. The distributed agent-based model focuses on task distribution and cooperation between business entities in the backfill supply chain. In the agent-based model, decision making and communication between construction sites, landfills, and commercial sources are emulated by a number of autonomous agents. They perform together through a negotiation algorithm for optimizing the supply chain configuration that reduces the backfill shipment cost. A comparative study indicates that the agent-based model is more capable of studying the dynamic backfill supply chain due to its decentralization of optimization and fast reaction to unexpected disturbances.


Backfill مواد کاوش های باستان شناسی از سنگر و استحکامات، که به منزله بیش از 50٪ از زباله های ساخت و ساز در هنگ کنگ است. در این مقاله در نظر زنجیره تامین است که متشکل از سایت های ساخت و ساز، محل های دفن زباله و منابع تجاری که در آن اپراتورها به دنبال به حداکثر رساندن استفاده مجدد از همکاری backfill و بهبود بهره وری بهبود ضایعات. بر خلاف عادی زنجیره تامین مواد در صنایع تولیدی، زنجیره تامین برای backfill شامل بسیاری از فرآیندهای پویا، که باعث افزایش پیچیدگی تجزیه و تحلیل و حل مسئله لجستیک. بنابراین، این مطالعه با هدف شناسایی روش های مناسب به تجزیه و تحلیل زنجیره تامین پویا، برای تسهیل استفاده مجدد backfill. مدل بهینه سازی متمرکز و یک مدل بر اساس عامل توزیع ارائه شده و به اجرا در مقایسه اجرای آنها. مدل بهینه سازی متمرکز می توانید به اشتراک گذاری جهانی مطلوب اما نیاز به اطلاعات کامل از تمام نهادهای زنجیره تامین به دست آورد، و در نتیجه موانع برای پیاده سازی. علاوه بر این، هر زمان که عرضه backfill تغییرات زنجیره ای، مدل بهینه سازی متمرکز نیاز به پیکربندی مجدد ساختار شبکه و recompute بهینه. مدل بر اساس عامل توزیع در توزیع کار و همکاری بین نهادهای کسب و کار در زنجیره تامین backfill تمرکز دارد. در مدل، تصمیم گیری بر اساس عامل و ارتباط بین سایت های ساخت و ساز، محل های دفن زباله، و منابع تجاری توسط تعدادی از عوامل مستقل شبیه سازی. آنها با هم از طریق یک الگوریتم مذاکره برای بهینه سازی زنجیره تامین پیکربندی که موجب کاهش هزینه حمل و نقل backfill انجام دهد. مطالعه مقایسه نشان می دهد که مدل بر اساس عامل بیشتر قادر به مطالعه زنجیره تامین backfill پویا است با توجه به عدم تمرکز خود را بهینه سازی و واکنش سریع به اختلالات غیر منتظره.


كلمات كليدي:

agent-based modeling, computer simulation, emergence of cooperation, Simulation computer simulation agent-based modeling emergence of cooperation Python programming C63
مدل مبتنی بر عامل, شبیه سازی کامپیوتری, ظهور همکاری, مبتنی بر عامل کامپیوتر شبیه سازی شبیه سازی ظهور مدل سازی برنامه نویسی پایتون همکاری C63



[ ]

فهرست مقالات مرتبط و مشابه

  1. Araújo, Ricardo de A. (2012) 'A robust automatic phase-adjustment method for financial forecasting', Knowledge-Based Systems, Elsevier BV, pp:245-261
  2. , (2008) 'Multiobjective optimization for automatic tuning of robust Model Based Predictive Controllers', IFAC Proceedings Volumes, Elsevier BV, pp:6980-6985
  3. (2017) 'Agent Based Modeling and Simulation, Introduction to', SpringerReference, Springer-Verlag, pp:0-0
  4. Castiglione, Filippo (2012) 'Agent Based Modeling and Simulation, Introduction to', Computational Complexity, Springer Nature, pp:118-121
  5. Castiglione, Filippo (2014) 'Agent-Based Modeling and Simulation, Introduction to', Encyclopedia of Complexity and Systems Science, Springer Nature, pp:1-5
  6. Castiglione, Filippo (2009) 'Agent Based Modeling and Simulation, Introduction to', Encyclopedia of Complexity and Systems Science, Springer Nature, pp:197-200
  7. Neri, Filippo (2012) 'Learning Predictive Models for Financial Time Series by Using Agent Based Simulations', Transactions on Compuational Collective Intelligence VI, Springer Nature, pp:202-221
  8. Entriken, R., Wan, S. (2017) 'Agent-Based Simulation of an Automatic Mitigation Procedure', Proceedings of the 38th Annual Hawaii International Conference on System Sciences, IEEE, pp:0-0
  9. Junges, Robert , Klügl, Franziska (2013) 'Learning Tools for Agent-Based Modeling and Simulation', Künstl Intell, Springer Science + Business Media, pp:273-280
  10. , (1991) 'Agents of change: managing the introduction of automated tools', Information and Software Technology, Elsevier BV, pp:245-0

 

برگشت به بالا
× 🎁 تخفیف ویژه تابستان ☀️
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×