مجله دفاع هوافضایی

چکیده در جهانی که امنیت غذایی و دارویی به یکی از ارکان اساسی پدافند غیرعامل تبدیل شده است، حفظ و مدیریت زنجیره تأمین داروهای حساس به شرایط محیطی از اهمیت ویژه‌ای برخوردار است. در چنین شرایطی، نقش لجستیک دارویی در تأمین داروهای حیاتی برای جامعه، به‌خصوص در شرایط بحرانی و تحریم‌ها، از اولویت‌های اصلی دولت‌ها به شمار می‌آید. سامانه‌های توزیع دارو در کشورهایی مانند ایران، به دلیل حساسیت بالای مواد بیولوژیکی و گرماپذیری آن‌ها، نیازمند نظارت دقیق و لحظه‌ای هستند. عدم حمل صحیح داروها منجر به قاچاق دارو، از دست رفتن آن‌ها و درنتیجه تهدید جدی سلامت جامعه می‌شود.
این مقاله با الهام از الگوریتم ژنتیک و پیشنهاد ایده‏ای جهت کاهش زمان و عملکرد صحیح، روشی به نام SEGA جهت بهینه‌سازی بخش‌بندی خط سیر ناوگان توزیع دارو معرفی می‌کند و به بررسی و بهینه‌سازی یکی از چالش‌های عمده در لجستیک دارویی ایران می‌پردازد: حجم عظیم داده‌های مکانی-زمانی خودروهای یخچال‌دار توزیع دارو. این داده‌ها که شامل اطلاعاتی همچون دمای داخلی یخچال، دمای محیط خارجی، سرعت خودرو، محدوده و موقعیت جغرافیایی می‌شوند، برای حفظ امنیت و کیفیت داروهای حمل‌شده ضروری هستند؛ اما ازآنجاکه این داده‌ها به‌صورت لحظه‌ای ارسال می‌شوند، سیستم با مشکل سرریز شدن پایگاه‌های داده مواجه و نیاز به راه‌حلی برای خلاصه‌سازی این داده‌ها احساس می‌شود.
نتایج شبیه‌سازی‌ها و آزمایش‌ها نشان می‌دهد که ارائه‌ ایده مناسب جهت بهبود عملکرد الگوریتم ژنتیک، بخش‌بندی و خلاصه‌سازی داده‌ها را به‌درستی و باکیفیت بالا انجام دهد؛ به‌طوری‌که نتایج نشان می‌دهد که روش پیشنهادی می‌تواند سرعت و کارایی سیستم را در حد 92 درصد بهبود بخشند.

چکیده سیستم فرماندهی حادثه نیازمند وجود عامل‌هایی است که به طور معمول با تعداد زیادی از وظایف جستجو و نجات، روبرو می‌شوند. علاوه بر این، واکنش‌دهنده‌ها باید در محیط‌های بسیار نامطمئن و پویا که در آن وظایف جدید ظاهر می‌شوند و خطرات ممکن است در فضای فاجعه پخش شوند، کار کنند. بنابراین یافتن تخصیص بهینه و صحیح برای تکمیل تمام فعالیت‌ها در یک زمان مناسب یک چالش محاسباتی بزرگ است.

در ایران، سامانه فرماندهی حادثه به صورت غیرسیستماتیک و غیرهوشمندانه فعالیت می‌کند و حضور یک سامانه تصمیم‌ساز صحیح که دارای توانایی یادگیری بوده و توانایی تصمیم‌های صحیح و سریع را داشته باشد، از اهمیت بالایی برخوردار است.

در این مقاله روشی برای حل مسئله تخصیص، که از مسائل بهینه‌سازی محدودیت توزیع شده می‌باشد، ارائه می‌شود. در این روش از تکنیک‌های تصمیم‌گیری مارکوف و تکنیک‌های یادگیری همچون آتوماتای یادگیر استفاده می‌گردد.

نتایج شبیه‌سازی‌ها و آزمایشات نشان می‌دهد که وجود تکنیک یادگیری و رفتار غیرمتمرکز عامل‌ها، می‌تواند جایگزین روش‌های گذشته شده و کمبود روش‌های قبل را جبران کند. روش پیشنهادی به خوبی می‌تواند در مقابل روش متمرکز و روش‌های گذشته از لحاظ میانگین فعالیت انجام شده در حدود 85 درصد و از لحاظ همگرایی و زمان بسیار بهتر عمل کند.

چکیده پیشرفت‌ فناوری و بکارگیری تسلیحات مدرن و هوشمند موجب ایجاد ماهیت پیچیده و مخرب‌تر سلاح‌ها در جنگهای احتمالی آینده گردیده و توجه جدی به کاربردی‌کردن اقدامات پدافند غیرعامل علیه عوامل تهدید مراکز حساس و حیاتی را ضروری‌تر ساخته است که در پژوهش حاضر که از نوع کاربردی- توسعه‌ای بوده و از روش آمیخته انجام می‌پذیرد، مساله‌ی اصلی، «چیستی اقدامات پدافند غیرعامل علیه عوامل تهدید سامانه‌های راداری در جنگ‌های آینده» لحاظ گردیده و بر اساس مطالعات و مصاحبه‌های انجام‌شده با خبرگان، تعداد پانزده/15 تهدید در حوزه سامانه‌های کشف راداری در جنگ‌های آینده شناسایی شده و بکارگیری روش‌های نوینی از چهارده/14 اصل از اصول پدافند غیرعامل(استتار و نامرئی‌سازی؛ اختفاء با استفاده از عوارض طبیعی؛ فریب و ابتکار عمل؛ پوشش در همه زمینه‌ها؛ کوچک‌سازی؛ کورکردن سامانه‌های اطلاعاتی؛ انتخاب مقیاس بهینه پراکندگی؛ مقاوم‌سازی، استحکامات و ایمنی؛ مکان‌یابی استقرار سامانه‌ها؛ مدیریت بحران دفاعی؛ پراکندگی در توزیع ایستگاه‌های راداری؛ انتخاب عرصه‌های ایمن؛ موازی‌سازی سامانه‌ها و حفاظت اطلاعات) در راستای ارتقاء مصونیت سامانه‌های راداری در مقابله با این تهدیدات ، احصاء گردیده است.