Vaccine Cold Chain Network Problem using Hybrid Central Force Optimization
Article Sidebar
Main Article Content
Abstract
This research proposes the solution for solving vaccine cold chain network via Hybrid Central Force Optimization (HCFO). The proposed algorithm is the structure of central force optimization. Both tabu search and nearest neighbor search are to insert in initial solution and developing solution process respectively. This approach is to improve the potential for vaccine cold chain network problem that is to rearrange routes with the minimizing total distances. The scope of this research is to focus on the Office disease prevention and control area 1 (Chiang Mai). The experiments were conducted to compare the efficiency of the hybrid algorithm with the traditional algorithm and real situation. The results of this research provide a full factorial design approach for appropriate parameters in the supply vaccine. The HCFO can rearrange routes shorter than the other methods 22 kilometers and 117 kilometers respectively.
Article Details
Copyright of all articles published is owned by CRMA Journal.
References
World Health Organization (WHO), 2017. Vaccine cold chain. http://www.who.int/immunization/documents
แพรพรรณ ภูริบัญชา, 2555. แนวทางการดำเนินงานโครงการสร้างเสริมภูมิคุ้มกันโรคด้วยวัคซีนด้วยระบบ VMI. สำนักงานป้องกันควบคุมโรคที่ ๖ จังหวัดขอนแก่น.
กรมป้องกันและควบคุมโรค, 2559. พื้นที่ความรับผิดชอบและการให้บริการทางสาธารณสุขของสำนักงานป้องกันและควบคุมโรค, http://odpc1.ddc.moph.go.th/area61.html
เครือวัลย์ จำปาเงิน, 2547. การพัฒนาระบบสนับสนุนการตัดสินใจเพื่อจัดเส้นทางเดินรถสำหรับการขนส่งสินค้าเพื่อการบริโภคสู่ร้านค้าปลีกในสถานบริการน้ำมันจังหวัดนนทบุรี, จุฬาลงกรณ์มหาวิทยาลัย.
Jaegere N., Defraeye M., I. Van Nieuwenhuyse, 2013. Vehicle routing problem: state of the art classification and review, KU Leuven.
Rashedi E., Nezamabadi H., Saryadi S., 2009.Gravatational Search Algorithm, Information sciences, Vol 179: pp 2232-2248.
Shah-Hossemimi H., 2009. Optimization with the Nature-Inspired Intelligent Water Drops Algorithm, Evolutionary computation, Wellington Pinheiro dos Santos (Ed.)
Dorigo M. and Gambardella L. M., 1997. Ant Colony System: A cooperative learning approach to the traveling salesman problem, IEEE Transaction, Vol. 1, pp. 53-66.
Xin S.Y., Suash D., 2010. Cuckoo search via Lévy flights, Mathematical Modeling and Numerical Optimization, Vol. 1(4), pp. 210-214
Kennedy J., Eberhart R.C., 1995. The Particle swarm optimization, IEEE Transaction, Vol. 4, pp. 1942-1948
Goldberg D.E., 1989. Genetic Algorithm in Search, The Optimisation and Machine Learning, ADDISON-WESLEY PUBLISHING COMPANY, INC.
Alatas B., 2012. A novel chemistry based the metaheuristic optimization method for mining of classification rules, Expert system with application, Vol. 39, pp. 11080-11088
Gargari A.E., Lucas C., 2007. Imperialist Competitive Algorithm: An algorithm for optimization inspired by imperialistic competition. IEEE Congress on Evolutionary Computation, Vol.7, pp. 4661–4666.
Glover F., 1986. Future paths for integer programming and link to artificial intelligence, computers and operation research, Vol 13, No. 5, pp. 533-549
Knuth D., 1973. The Art of Computer Programming, Vol.3, Stanford University, ADDISON-WESLEY: An Imprint of Addison Wesley Longman inc.
Lee K.S, Geem Z.W., 2005. A new meta-heuristic algorithm for continuous engineering optimization: Harmony search theory and practice, Computer Methods in Applied mechatronic and Engineering, Vol.194, pp. 3902-3933.
คณน สุจารี, สถิตเทพ สังข์ทอง, จรีรัตน์ จิตธรรมมา, 2559. การออกแบบเครือข่ายห่วงโซ่อุปทานเลือดโดยใช้วิธีแรงเข้าสู่จุดศูนย์กลาง, การประชุมวิชาการข่ายงานวิศวกรรมอุตสาหการ ประจำปี พ.ศ. 2559. หน้า 2-10
Formato R.A., 2007, Central force optimization: A new metaheuristic with applications in applied electromagnetics, Progress in electromagnetics research, Vol 77, pp.425-491
Montgomery DC., 2001. Design and analysis of experiments, 5th edition, New York, John Wiley and Sons.