توصيفگر ها :
مسئله مسيريابي وسايل نقليه , پسماندهاي پزشكي , جمعآوري پسماند , مراكز دفع متعدد , بهينهسازي
چكيده فارسي :
چكيده
در سالهاي اخير، با رشد جمعيت و پيشرفت فناوريهاي نوين، ميزان توليد پسماند در سراسر جهان به طور چشمگيري افزايش يافته است. در همين راستا، مديريت پسماند و به طور خاص، مسائل مربوط به پسماندهاي ويژه از جمله پسماندهاي پزشكي، به دليل بروز آلودگي و انتقال بسياري از بيماريهاي عفوني و خطرناك به يك جامعه، بسيار حائز اهميت ميباشد. بهبود فرآيند جمعآوري و انتقال اين پسماندها از مراكز درماني به مراكز دفع، يكي از چالشهاي اساسي و حياتي در مديريت پسماندهاي پزشكي به شمار ميآيد. در نتيجه، تلفيق مسائل بهينهسازي با چالشهاي موجود در اين حوزه، ميتواند تا حد زيادي به رفع اين معضلات و بهبود كارايي و اثربخشي سيستم مديريت پسماند منجر شود. يكي از مسائل مهم بهينهسازي در اين زمينه، مسئله مسيريابي وسايل نقليه براي انتقال پسماندهاي پزشكي ميباشد كه از طريق انتخاب مسيرهاي بهينه ميتواند تأثير قابل توجهي بركاهش هزينهها، زمان و ريسكهاي زيستمحيطي داشته باشد و به طور همزمان ميزان انتشار آلايندهها و اثرات منفي بر محيط زيست را كاهش دهد. اين پژوهش، با تمركز بر تحليل جامع و دقيق عوامل مؤثر بر بهينهسازي مسيرها و بهرهگيري از الگوريتمهاي بهينهسازي، به¬دنبال يافتن جواب بهينه براي مسيريابي وسايل نقليه بهمنظور جمع آوري پسماندهاي پزشكي با در نظرگرفتن مراكز دفع متعدد و سفرهاي چندگانه ميباشد. در راستاي تحقق اين هدف، يك مدل برنامهريزي خطي عدد صحيح مختلط ( MILP)، به صورت تك هدفه و داراي دو بخش طراحي شده است كه با انتخاب مسيرهاي بهينه، سعي در به حداقل رساندن ميزان هزينهها و زمان حملونقل دارد كه از طريق روش مجموع وزني نيز خطيسازي شده است. بهمنظور حل مدل پيشنهادي و با توجه به NP- hardبودن مسئله، ابتدا مدل در ابعاد كوچك توسط حلكننده CPLEX و در محيط GAMS حل شده و پس از آن براي حل مسائل در ابعاد بزرگ، از نرمافزار متلب و دو الگوريتم فراابتكاري ژنتيك ( GA) و ازدحام ذرات ( PSO) استفاده شده است. اگرچه نتايج حاصل از پيادهسازي اين دو الگوريتم تفاوت زيادي با يكديگر ندارند، اما در مجموع، نتايج الگوريتم GAنسبت به الگوريتم PSO، جوابهاي بهتري را ميدهد. در ابعاد بزرگ مسئله و با توجه به مقادير ميانگين مربوط به 22 مسئله مورد بررسي، الگوريتم GA، براي دو بخش از تابع هدف يا بهعبارتي هزينه و زمان جابجايي به ترتيب؛ مقدار 82/2419 دلار و 75/53 ساعت و الگوريتم PSO، مقدار 15/2474 دلار و 12/57 ساعت را بدست آوردهاند. در نتيجه، الگوريتم GA، با كاهش 9/9 درصد براي هزينه كل و 9/5 درصد براي زمان انتقال پسماندهاي پزشكي نسبت به الگوريتمPSO بهتر عمل كرده است. همچنين مسئله فوق، تحت سناريوهاي مختلف، تحليل حساسيت ميشود تا تاثير آنها در بهينهسازي مسئله مشخص شود. براي مثال، نتايج بدست آمده از تحليل حساست مدل در ابعاد بزرگ نشان ميدهد كه افزايش تنوع وسايل نقليه، باعث بهبود هزينه كل به ميزان 7 درصد، همراه با كاهش 12 درصدي در زمان جابجايي ميشود. همچنين از اين مدل ميتوان در مسائل دنياي واقعي كه از اهميت زيادي از منظر مراكز مديريت پسماند برخوردار است، استفاده كرد و به كمك آن، با نزديك شدن به جواب بهينه ضمن كاهش هزينههاي مربوطه، مديريت در اين زمينه را بهبود بخشيد.
چكيده انگليسي :
In recent years, with the growth of the population and the development of new technologies, the amount of waste production has increased dramatically around the world. In this regard, waste management and specifically, issues related to special waste, including medical waste, are very important due to the occurrence of pollution and transmission of many infectious and dangerous diseases to a society. Improving the process of collecting and transferring these wastes from medical centers to disposal centers is one of the basic and vital challenges in medical waste management. As a result, combining optimization problems with existing challenges in this field can lead to solving these problems and improving the efficiency and effectiveness of the waste management system.One of the important issues of optimization in this field is the issue of vehicle routing for the transportation of medical waste, which through the selection of optimal routes can have a significant effect on reducing costs, time and environmental risks, and at the same time, the amount of emissions of pollutants and negative effects on the environment. This research, focusing on the comprehensive and accurate analysis of factors affecting route optimization and using optimization algorithms, seeks to find the optimal solution for routing vehicles for the purpose of collecting medical waste, taking into account multiple disposal centers and multiple trips. In order to achieve this goal, a mixed integer linear programming (MILP) model has been designed as a single objective and has two parts, which tries to minimize the amount of costs and transportation time by choosing the optimal routes, which is also linear through the weighted sum method. In order to solve the proposed model and considering that the problem is NP hard, first the model is solved in small dimensions by the CPLEX solver and in the GAMS environment, and then to solve the problems in large dimensions, using MATLAB software and two meta-heuristic algorithms. Genetics (GA) and particle swarm (PSO) have been used. Although the results of the implementation of these two algorithms are not much different from each other, in general, the results of the GA algorithm give better answers than the PSO algorithm. In the large dimensions of the problem and according to the average values related to the 22 investigated problems, the GA algorithm, for two parts of the objective function, i.e. the cost and time of moving, respectively; The value of $2419.82 and 53.75 hours and the PSO algorithm obtained the value of $2474.15 and 57.12 hours. As a result, the GA algorithm has performed better than the PSO algorithm with a reduction of 9.9% for the total cost and 5.9% for the transfer time of medical waste.Also, the above problem is subjected to sensitivity analysis under different scenarios to determine their effect in optimizing the problem. For example, the results obtained from the sensitivity analysis of the model in large dimensions show that the increase in the variety of vehicles improves the total cost by 7%, along with 12% reduction in the transportation time. Also, this model can be used in real-world problems that are of great importance from the point of view of waste management centers, and with its help, by getting closer to the optimal solution while reducing related costs, management in this field can be improved.
