
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,650,430 |
تعداد دریافت فایل اصل مقاله | 8,256,585 |
ارائه یک رویکرد برنامه ریزی ریاضی برای بهینه سازی مساله برنامه ریزی کاشت محصولات کشاورزی تحت شرایط عدم قطعیت عدد زی | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 1، دوره 25، شماره 5، آذر و دی 1397، صفحه 1-24 اصل مقاله (1014.46 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.14505.2932 | ||
نویسندگان | ||
احمدعلی عابدین پور1؛ آرمین جبارزاده* 2؛ محسن یحیائی3 | ||
1دانشجوی کارشناسی ارشد لجستیک و زنجیره تامین دانشگاه علم و صنعت ایران | ||
2استادیار دانشکده صنایع دانشگاه علم و صنعت ایران | ||
3دانشجوی دکتری مهندسی صنایع صنایع دانشگاه علم و صنعت ایران | ||
چکیده | ||
سابقه و هدف: کشاورزی به عنوان یکی از منابع اصلی ثروت در اقتصاد به شمار میرود. بنابراین کشورهای در حال توسعه برای برون رفت از بحرانهای اقتصادی و به دلیل نقش به سزایی که این بخش در تامین غذا، رفاه جامعه و در نهایت رشد اقتصاد ملی ایفا میکند، آن را سر لوحه برنامه های اقتصادی خود قرار میدهند. مدیریت و برنامهریزی در خصوص منابع آب کشاورزی بسیار حیاتی است. در این پژوهش، علاوه بر تولید محصول به جنبه واردات آن هم توجه شده است. هدف این پژوهش بررسی ظرفیت زمین برای کاشت و منابع موجود برای تولید محصول می باشد تا از این طریق بتوان در راستای بهبود شرایط اقتصادی و اجتماعی کشاورزان در کشور گام برداشت. مواد و روشها: در این پژوهش داده های مورد مطالعه برگرفته از گزارشات مستند از وزارت جهاد کشاورزی و کمیته ملی آبیاری و زهکشی ایران است. در این مطالعه ابتدا یک مدل ریاضی جامع ارائه داده شد که اهدافی نظیر کاهش میزان آب مصرفی، افزایش تولید محصولات استراتژیک و توجه به عوامل اجتماعی همچون اشتغال نیروهای محلی را در نظر گرفته است. در واقع، میتوان تعیین نمود که چه میزان آب برای تولید چه محصولی بایستی اختصاص یابد تا هم از لحاظ مدیریت جامع منابع آب مفید باشد و هم کشاورزان سود بیشتری داشته باشند. بهطور عمومی ذات مسائل تصمیم در دنیای واقعی دارای عدم قطعیت میباشد و یافتن جواب بهینه و درست بدون توجه به این موضوع موجب تصمیم گیری غیر واقعی خواهد شد. اگر چه رویکرد تصمیم گیری فازی می تواند بسیاری از شرایط غیر قطعی مساله را در نظر بگیرد، اما این رویکرد دارای محدودیتهای کاربردی می باشد و در بعضی از شرایط ممکن است نتواند عدم قطعیت موجود در دنیای واقعی را بخوبی ترسیم نماید. بر همین اساس، مفهوم جدیدی از عدم قطعیت با عنوان عدد زی مورد استفاده قرار می گیرد. همچنین، برای حل مسئله چند هدفه از یک رویکرد چند هدفه تعاملی استفاده شده است. روش مورد استفاده در این پژوهش برنامه ریزی ریاضی خطی است و با نرم افزار سیپلکس حل شده است. یافتهها: در کشور الگوی کشت محصولات کشاورزی بر مبنای نیاز منطقهای، وضعیت ذخایر آبی و میزان صادرات وجود ندارد و این مسئله نهتنها هدر رفت منابع آبی را به دنبال داشته که باعث کاهش بهرهوری و زیان کشاورزان شده است. بدون تبعیت از برنامه خاصی، نوسان شدید قیمت محصولات کشاورزی در بازار مصرف وجود دارد. با توجه به استراتژیک در نظر گرفته شدن برخی محصولات کشاورزی مانند گندم، یونجه و جو در تحقیق حاضر، میزان تولید این محصولات نسبت سایر محصولات بیشتر است. در 22% از حجم زمین مورد نظر محصولی کاشت نخواهد شد و این امر به عواملی همچون منابع مورد نیاز برای کاشت و همچنین به صرفه بودن کاشت نسبت به واردات آن بستگی دارد. نتیجهگیری: نتایج بدست آمده نشان میدهد که برای مدل، استراتژیک بودن محصولات کشاورزی از اهمیت بالا و میزان تولید آنها از اولویت بیشتری برخوردار است. این پژوهش با توجه به آمار وزارت کشاورزی در سال 1393، 18/61% سهم کل محصولات کشاورزی را پوشش میدهد که این رقم در مقایسه با مقالات قبل بسیار رقم چشمگیری است. از طرفی تحلیل نتایج بدست آمده بر اساس رویکرد عدد زی بیانگر ارائه یک جواب محافظ کارانه نسبت به سایر روش های رویکرد فازی و قطعی است. | ||
کلیدواژهها | ||
برنامه ریزی کاشت؛ عدم قطعیت؛ عدد زی؛ مدیریت منابع آب؛ برنامه ریزی چند هدفه | ||
مراجع | ||
1.Adeyemo, J., and Otieno, F. 2010. Differential evolution algorithm for solving multi-objective crop planning model. Agric. Water Manag. 97: 6. 848-856.
2.Arab, E., Purasghar Sangachin, F., and Nasrabadi, T. 2013. Investigating the flow of virtual water in Iran’s major agricultural products and providing a solution for optimizing net flow of water. University of Tehran. 32: 123-150.(In Persian)
3.Azadeh, A., and Kokabi, R. 2016. Z-number DEA: A new possibilistic DEA in the context of Z-numbers. Adv. Eng. Informatics. 30: 3. 604-617.
4.Babuye Moghadam, M., and Saedlu, H. 1983. Iranian Agriculture in the 1966-76. University of Tehran. 25: 88-103. (In Persian)
5.Bafkar, A., Farhadi Bansouleh, B., and Boroomandnasab, S. 2017. Optimization of water use in agriculture using the results of a crop growth simulation model (WOFOST) (Case study: Mahidasht-Kuzaran, ermanshah Province). J. Water Soil Conserv. 23: 6. 301-315. (In Persian)
6.Dadgar, L., Adibi, H., and Amini, A. 2008. Review of government support policies in the production and consumption of agricultural products and their results in 1335-1352. University of Tehran. 61: 534-551. (In Persian)
7.Dasturani, M., Tavili, A., Zehtabian, G., and Seyed-Seragi, H. 2010. Criteria and Indicators of Agriculture in Sustainable Development. University of Tehran. 72: 512-529. (In Persian)
8.Eyupoglu, S.Z., Jabbarova, K.I., and Aliyeva, K.R. 2017. The Identification of Job Satisfaction under Z-Information,” Intell. Autom. Soft Comput., vol. 8587, no. October, Pp: 1-5.
9.Flavell, R.B. 2017. Innovations continuously enhance crop breeding and demand new strategic planning. Glob. Food Sec. 12: 15-21. (In Persian)
10.Gupta, A.P., Harboe, R., and Tabucanon, M.T. 2000. Fuzzy multiple-criteria decision making for crop area planning in Narmada river basin. Agric. Syst. 63: 1. 1-18.
11.Hatefi, S.M., Jolai, F., Torabi, S.A., and Tavakkoli-Moghaddam, R. 2014. Reliable Design of an Integrated Forward-Revere Logistics Network under Uncertainty and Facility Disruptions: A Fuzzy Possibilistic rograming Model. KSCE J. Civ. Eng. 00: 1. 1-12.
12.Hoseininam, Feizi, and Khakzand. 2015. Designing a Center for Organic Food Production in Tehran Using the Urban Agriculture Approach to Ensure Food Security. University of Tehran. 48: 348-362. (In Persian)
13.Hu, Z., Wei, C., Yao, L., Li, C., Zeng, Z., and Asce, A.M. 2015. Integrating Equality and Stability to Resolve Water Allocation Issues with a Multiobjective Bilevel Programming Model. Water Resour. Plann. Manag. 142: 7.
14.Itoh, T., Ishii, H., and Nanseki, T. 2003. A model of crop planning under uncertainty in agricultural management. 3: 3. 1-15.
15.Jiménez, M., Arenas, M., Bilbao, A., and Rodríguez, M.V. 2007. Linear programming with fuzzy parameters: An interactive method resolution. Eur. J. Oper. Res. 177: 3. 1599-1609.
16.Kermani, M., Périn Levasseur, Z., Benali, M., Savulescu, L., and Maréchal, F. 2016. A novel MILP approach for simultaneous optimization of water and energy: Application to a Canadian softwood Kraft pulping mill. Comput. Chem. Eng. 102: 238-257.
17.Kiani, Z., Montazer, A.A., and Mashal, M. 2012. Investigating the Effect of Integrated Approach and Optimal Distribution of Water in Different Irrigation Network Areas in Improving Agricultural Water Utilization. 12: 86-97. (In Persian)
18.Liu, J., Li, Y.P., Huang, G.H., Zhuang, X.W., and Fu, H.Y. 2017. Assessment of uncertainty effects on crop planning and irrigation water supply using a Monte Carlo simulation based dual-interval stochastic programming method. J. Clean. Prod. 149: 945-967.
19.Molinos Senante, M., Hernández Sancho, F., Mocholí Arce, M., and Sala Garrido, R. 2014. A management and optimisation model for water supply planning in water deficit areas. J. Hydrol. 515: 139-146.
20.Monajemi, E., and Rashedmahsal, M.T. 1992. The Importance of Agriculture, Water and Plant in Ancient Iran. University of Tehran. 5: 32-51. (In Persian)
21.Naderi, M.J., Pishvaee, M.S., and Ali ahmadi, A. 2016. Designing a water supply and sewage collection system under uncertainty. Iran University of Science and Technology. 72: 305-322. (In Persian)
22.Niu, G., Li, Y.P., Huang, G.H., Liu, J., and Fan, Y.R. 2016. Crop planning and water resource allocation for sustainable development of an irrigation region in China under multiple uncertainties. Agric. Water Manag. 166: 53-69.
23.Qiu, D., Dong, R., Chen, S., and Li, A. 2017. On an Optimization Method Based on Z-Numbers and the Multi-Objective Evolutionary Algorithm. Intell. Autom. Soft Comput. 24: 1.
24.Radulovich, R. 1987. AQUA, a model to evaluate water deficits and excesses in tropical cropping. Part I. Basic assumptions and yield. Agric. For. Meteorol. 40: 4. 305-321. 25.Radulovich, R. 1990. AQUA, a model to evaluate water deficits and excesses in tropical cropping. Part II. Basic assumptions and yield. Agric. For. Meteorol. 40: 4. 253-261.
26.Sakawa, M., Yano, H., and Yumine, T. 1987. An Interactive Fuzzy Satisficing Method for Multiobjective Linear-Programming Problems and Its Application. Trans. Syst. MAN, Cybern. 8714520: 654-661.
27.Salazar, M., Fitz, R., and Pérez, S. 2017. Agricultural Production Planning in a Fuzzy Environment. Optim. Dyn. with Their Appl. Pp: 282-293.
28.Santos Pereira, L., Oweis, T., and Zairi, A. 2002. Irrigation management under water scarcity. Agric. Water Manag. no. 57: 175-206.
29.Sarker, R., and Ray, T. 2017. An improved evolutionary algorithm for solving multi-objective crop planning models. Comput. Electron. Agric. 68: 2. 191-199.
30.Sharma, D.K., Ghosh, D., and Alade, J.A. 2006. A fuzzy goal programming approach for regional rural development planning. Appl. Math. Comput. 176: 1. 141-149.
31.Sharma, D.K., Gaur, A., and Ghosh, D. 2008. Goal Programming Model for Agricultural LandAllocation Problems. Int. J. Model. Simul. 28: 1. 43-48.
32.Soroudi, A., and Amraee, T. 2013. Decision making under uncertainty in energy systems: State of the art. Renew. Sustain. Energy Rev. 28: 376-384.
33.Srivastava, P., and Singh, R.M. 2017. Agricultural land allocation for crop planning in a canal command area using fuzzy multiobjective goal programming. J. Irrig. Drain. Eng. 143: 6. 1-9.
34.Torabi, S.A., and Hassini, E. 2008. An interactive possibilistic programming approach for multiple objective supply chain master planning. Fuzzy Sets Syst. 159: 2. 193-214.
35.Toyonaga, T., Itoh, T., and Ishii, H. 2005. A crop planning problem with fuzzy random profit coefficients. Fuzzy Optim. Decis. Mak. 4: 1. 51-69.
36.Yousefi, H., Mohammadi, A., Noorollahi, Y., and Sadatinejad, S. 2017. Water footprint evaluation of Tehran’s crops and garden crops. J. Water Soil Conserv. 24: 6. 67-85. (In Persian)
37.Zadeh, L.A. 1965. Fuzzy sets. Inf. Control. 8: 3. 338-353.
38.Zadeh, L.A. 2011. A Note on Z-numbers. Inf. Sci. (Ny). 181: 2923-2932.
39.Zhang, C., Li, M., and Guo, P. 2017. Two-Stage Stochastic Chance-Constrained Fractional Programming Model for Optimal Agricultural Cultivation Scale in an Arid Area. J. Irrig. Drain. Eng. 143: 9. 1-13.
40. Zhang, C., Li, M., and Guo, P. 2018. An interval multistage joint-probabilistic chance-constrained programming model with left-hand-side randomness for crop area planning under uncertainty. J. Clean. Prod. 167: 1276-1289.
41.Zhang, D., and Guo, P. 2016. Integrated agriculture water management optimization model for water saving potential analysis. Agric. Water Manag. 170: 5-19.
42.Zimmermann, H.J. 1978. Fuzzy programming and linear programming with several objective functions. Fuzzy Sets Syst. 1: 1. 45-55. | ||
آمار تعداد مشاهده مقاله: 955 تعداد دریافت فایل اصل مقاله: 874 |