วิธีการฮิวริสติกสำหรับการแก้ปัญหาการหาตำแหน่งที่ตั้งและการเลือกเตาเผา: กรณีศึกษา การกำจัดขยะติดเชื้อของโรงพยาบาลชุมชนในภาคตะวันออกเฉียงเหนือตอนบนของประเทศไทย
Article Sidebar
Main Article Content
Abstract
This research aims to find the location and select the type of incinerator for eliminating infection waste of community hospitals in upper North East Thailand that minimizes the total transportation and operation cost. There are 3 types of incinerators with the maximum burning rate of 100 300 and 600 kilogram per hour. The incinerator can be located at any community hospitals. The Particle Swarm Optimization (PSO) is applied to obtain the solution. To measure the performance of the proposed Heuristic, its solution is compared to that obtained from Lingo 11 program whose computational time is set to a specific time period. The results show that PSO is very efficient in finding the solution with lower total cost than that obtained from Lingo 11 program within its computational time of 94.38 minutes.
Article Details
References
[2] อนุชา ศรีบุรัมย์, สมบัติ สินธุเชาวน์. การเลือกขนาดเตา และที่ตั้ง เตาเผาขยะติดเชื้อ ส าหรับโรงพยาบาลชุมชน ภาคตะวันออกเฉียงเหนือตอนบนของประเทศไทย. ใน: การประชุมวิชาการด้านการวิจัยด าเนินงานแห่งชาติ ประจ าปี 2556. อุบลราชธานี: มหาวิทยาลัยอุบลราชธานี; 2556. หน้า 55–64.
[3] ภัทราภรณ์ ศรีเสพิลา, สมบัติ สินธุเชาวน์. การแก้ปัญหา การเลือกขนาดและการหาต าแหน่งที่ตั้งหลายแห่ง กรณีศึกษา การก าจัดขยะติดเชื้อของโรงพยาบาลชุมมชน ในภาคตะวันออกเฉียงเหนือตอนบนของประเทศไทย. วารสารวิชาการวิศวกรรมศาตร์ มหาวิทยาลัย อุบลราชธานี. 2559: 9(1).
[4] Laporte G. The p-median problem. Springer international publishing Switzerland. 2015: 21– 45.
[5] Tianyu S, Wang F. Study on distribution center location based on simulated annealing- particle swarm optimization. In: ICCSE '09. 4th International Conference on Computer Science & Education. NewJersey: IEEE Press; 2009. p.110– 121.
[6] Li-Chuan L, Min-Yuan C. A hybrid swarm intelligence based particle-bee algorithm probiem for construction site layout optimization. Expert Systems with Applications. 2012; 39(1): 9642–9650.
[7] Kayhan AH, Ceylan H, Ayvaz MT, Gurarslan G. PSOLVER: A new hybrid particle swarm optimization algorithm for solving continuous optimization problems. Expert Systems with Applications. 2010; 37(1): 6798–6808.
[8] Wang D. Parallel multi-population particle swarm optimization algorithm for the uncapacitated facility location problem using Open MP. In: Proceedings of the 2008 IEEE Congress on Evolutionary Computation. Hong Kong; 2008. p. 1214–1218.
[9] Uno T, Kato K, Katagiri H. An application of interactive fuzzy satisficing approach with particle swarm optimization for multiobjective emergency facility location problem with Adistance. In: IEEE Symposium on computational intelligence in multicriteria decision making. Hawaii; Honolulu; 2007. p.333–340.
[10] Kennedy J, Eberhart RC. Particle Swarm Optimization. In: IEEE Conference on Neural Network. New Jersey: IEEE Press; 1995. p.1942– 1948.
[11] Shi Y, Eberhart RC. Parameter selection in particle swarm optimization. Proceedings of Evolutionary Programming VII. 1998; 98: 591–600