۵-۵- جمع­بندی و نتیجه ­گیری

در این فصل به مروری بر بهینه­سازی چندهدفه با کمک الگوریتم حرکت جمعی ذرات پرداخته شد و یکی از مهم­ترین و پایه­ای­ترین روش­ها در این زمینه با عنوان MOPSO معرفی گردید. سپس تعمیمی از این روش مطرح گردید که براساس آن انتخاب راهنمای سراسری یا راهنمای بخش اجتماعی حرکت ذرات، بر پایه محاسبه چگالی هسته برای هر راه­حل یافت شده تا کنون و انتخاب راهنما از بین ذراتی که دارای کمترین چگالی هسته هستند، صورت می­پذیرد. این روش، DbMOPSO نام­گذاری شده است. با بهره گرفتن از تعدادی تابع تست که توسط محققین مختلف برای سنجش کارکرد الگوریتم­های بهینه­سازی تکاملی پیشنهاد شده ­اند، نتایج الگوریتم جدید مطرح شده با نتایج الگوریتم MOPSO و همچنین روش­های PAES و NSGA II مقایسه گردید.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

با دقت در نتایج شبیه­سازی معلوم می­ شود که الگوریتم­های مبتنی بر حرکت ذرات (چه روش MOPSO و چه روش DbMOPSO) هم از نظر تعداد راه­حل­هایی که ارائه می­ دهند و هم از نظر دقت راه­ حل­های یافت شده از PAES و NSGA II بسیار بهتر عمل می­ کنند. باید توجه کرد که تعداد راه حل­های یافت شده بهینه نیز می ­تواند بعنوان یک معیار عملکرد مورد بررسی قرار بگیرد. بین روش­های MOPSO و DbMOPSO تفاوت­ها چندان فاحش نیستند. در عین حال، نتایج شبیه­سازی نشان می­دهد که روش DbMOPSO در انتخاب راه­حل­ها دقیق­تر عمل می­ کند و در ضمن دقت بالاتر، تعداد راه­ حل­های بیشتری را نیز برمی­گرداند. در واقع ضعف عمده روش DbMOPSO در مقابل MOPSO، زمان اجرای طولانی­تر است که به واسطه عملگر محاسبه چگالی هسته، به الگوریتم تحمیل می­ شود.

فصل ۶

کاربرد DbMOPSO در
برنامه­ ریزی و زمانبندی کار کارگاهی منعطف

Flexible Job Shop
Planning and Scheduling Using DbMOPSO

۶-۱- مقدمه

برنامه­ ریزی و زمانبندی کارگاهی زیر مجموعه ­ای از برنامه­ ریزی و زمانبندی تولید است که یکی از پیچیده­ترین مسائل در بهینه­سازی ترکیبیاتی است. برای هر کار، روتینگ ثابت و از پیش تعیین شده­ای وجود دارد. هر ماشین بطور پیوسته آماده انجام کار است و هر ماشین در هر زمان فقط قادر به انجام یک کار است. تمام ماشین­ها از لحظه صفر آماده انجام کار هستند. در حالت عمومی مسئله زمابندی کارگاهی یک مسئله شدیداٌ NP-hard است [۲۳]. در زمانبندی کار کارگاهی منعطف زمانبندی شکل پیچیده­تری بخود می­گیرد چراکه در اینجا علاوه بر تعیین زمان­های شروع در عملیات روی ماشین، باید زیرمسئله تخصیص انجام هر عملیات به ماشین نیز حل شود [۲۳]. در این بخش با بهره گرفتن از الگوریتمی که در فصل قبل ارائه شد، سعی می­ شود روشی ارائه داده شود که زیر مسئله تخصیص وظایف و زمانبندی عملیات را در مسئله زمانبندی کار کارگاهی منعطف بطور یکجا حل کند. در ادامه این بخش ابتدا به طراحی و انتخاب فضای جستجوی مسئله پرداخته می­ شود که یکی از مهم­ترین بخش­های حل مسائل بهینه­سازی را تشکیل می­دهد و فضای جستجوی جدیدی معرفی می­ شود که مهم­ترین و جذاب­ترین خصوصیت آن این است که تمام این فضای جستجو صرف نظر از محدودیت­ها و قیود مسئله، شدنی^[۹۵] هستند. در قسمت بعدی روش کدبرداری و کدگذاری فضای جستجو شرح داده می­ شود. در قسمت دوم، مسائلی را که برای مقایسه نتایج شبیه­سازی استفاده شده است معرفی شده و در نهایت در قسمت سوم نتایج بکارگیری الگوریتم DbMOPSO برای حل مسئله برنامه­ ریزی و زمانبندی کار کارگاهی منعطف آورده شده است. در قسمت پنجم نتایج بدست آمده را با نتایج ارائه شده در یکی از مهمترین مقالات در این زمینه مقایسه می­کنیم.

۶-۲- فضای جستجو

فضای جستجو در اینجا براساس اولویت هر عملیات بر دیگری یا هر ماشین بر دیگری در اجرای عملیات تعریف می­ شود. به این معنی که برای یک عملیات که می ­تواند روی تعدادی ماشین اجرا شود، ماشینی برای اجرای آن انتخاب می­ شود که دارای اولویت بیشتری باشد و برای چند عملیات که می­توانند در یک زمان روی یک ماشین شروع شوند، عملیاتی برای اجرا انتخاب می­ شود که دارای اولویت بیشتری باشد.
فضای مسئله را بصورت مجموعه ای از ۴-تایی ها بصورت تعریف می­کنیم که در آن نشان دهنده کار، نشان دهنده عملیات، نشان دهنده ماشین و نشان دهنده زمان اجرای عملیات روی ماشین است. اگر تعداد اعضای مجموعه را با نشان دهیم، آنگاه فضای جواب مسئله را بصورت تعریف می­کنیم که در آن هر بعد فضا نماینده عدد اولویت اجرای چهارتایی متناظر آن در فضای مسئله خواهد بود. نگاشتی که یک عضو از فضای مسئله را به یک نقطه از فضای جواب می­نگارد، با نمایش داده می­ شود و بدیهی است که .
بعنوان مثال برای مسئله­ای با ۵ کار که هر کدام دارای ۴ عملیات هستند و هر عملیات میتواند روی یکی از ۳ ماشین موجود اجرا شود، فضای جواب مسئله خواهد بود. در این مثال اگر داشته باشیم
در اینصورت برای عملیات ۱ از کار ۱، ماشین ۲ انتخاب میشود چراکه دارای اولویت بالاتری است و همچنین اگر داشته باشیم
در اینصورت عملیات ۱ از کار ۲ در لحظه جاری برای شروع اجرا روی ماشین ۲ انتخاب می­ شود.
با توجه به توضیح بالا الگوریتم بدست آوردن برنامه زمانی اجرای عملیات از یک نقطه از فضای جواب براساس دو قاعده ساده زیر نوشته می­ شود:
به ازای یک عملیات از یک کار که روی چند ماشین قابل اجرا است، ماشینی انتخاب می­ شود که عدد اولویت آن در فضای جواب بیشتر است. (تخصیص ماشین به عملیات)
به ازای چند عملیات که روی یک ماشین در یک زمان قابل اجرا هستند، عملیاتی انتخاب می­ شود که دارای عدد اولویت بیشتری در فضای جواب باشد (زمانبندی اجرای عملیات)
فضای جستجوی معرفی شده در اینجا دارای خصوصیات جالبی است که عبارتند از:
فضای جواب پیوسته و همبند است.
تمام نقاط این فضا، شدنی هستند بنابراین شرایط مربوط به اعمال محدودیت­ها و شرایط مسئله برای تضمین شدنی بودن جواب که عمدتاً در روش­های بهینه­سازی بعنوان بخشی از الگوریتم حل مطرح است در اینجا وجود نخواهد داشت.
هر نقطه از این فضا راه حلی برای هر دو مسئله تخصیص عملیات به ماشین­ها و زمانبندی اجرای عملیات بطور یکجا ارائه می­دهد.

۶-۳- مسائل مورد بررسی

مسائل مورد بررسی در این بخش تماماٌ از کارهای کاسم^[۹۶] و همکارانش استخراج شده ­اند. در اینجا شش مسئله ای که او و همکارانش در [۲۴] به آنها پرداخته­اند، آورده شده و در بخش­های بعدی نتایج تحقیقات او با نتایج بدست آمده در این تحقیق مقایسه گشته­اند. در جداول زیر زمان­های اجرای عملیات براساس کار-عملیات-ماشین مشخص شده ­اند. توابع هدف در تمام این مسائل عبارتند از آخرین زمان خاتمه کارها^[۹۷]()، ماکزیمم بارکاری ماشین ها^[۹۸]() و مجموع بارکاری ماشین ها^[۹۹]().
جدول ۶-۱: زمان های اجرای عملیات مربوط به نمونه مسئله ۱

در زیر خلاصه گام به گام این روش آورده شده است:
یک تخمین اولیه برای بردار در نظر گرفته و آن را می نامیم.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

در جهت محور انقدر حرکت می کنیم تا حداقل شود. سپس مقدار را ثابت کرده و به مرحله بعد می رویم.
در جهت محور انقدر حرکت می کنیم تا حداقل شود. سپس مقدار را ثابت کرده و به مرحله بعد می رویم.
گام ۲ و ۳ را برای یک مسئله بهینه سازی بعدی، تا بعد و حرکت در جهت محور ادامه می دهیم.
نقطه حاصا از بهینه سازی در جهت تک تک محورها را می نامیم.
در جهت بردار حرکت می کنیم تا بردار بدست آید.
در صورتی که کمتر از باشد، را با عوض می کنیم.
الگوریتم را از مرحله ۲ به بعد آنقدر تکرار می کنیم تا در یک نقطه همگرا شود.
به منظور متوقف کردن الگوریتم HJ از دو شرط توقف استفاده می شود. شرط توقف اول رسیدن به حداقل گام حرکت و شرط دوم ارزیابی تابع هدف به میزان تعریف شده می باشد. در مسائل بهینه سازی مکان چاه های نفت به دلیل اینکه نوع مسئله گسسته می باشد، حداقل گام حرکت یک انتخاب می شود. زمانی که گام حرکت کوچکتر از یک شود الگوریتم متوقف می شود و همگرایی حاصل می شود.
یکی از مهمترین معایب روش HJ ترتیبی بودن فرایند بهینه سازی می باشد و نمی توان آن را مشابه الگوریتم های تکاملی به طور موازی اجرا کرد. مشکل دیگر این روش دستیابی به بهینه محلی می باشد و این نتیجه بسیار تاثیر پذیر از شرط اولیه شروع الگوریتم می باشد.
۲-۲-۶- الگوریتم شاخه و کران^[۵۳]
یک مسئله برنامه ریزی اعداد صحیح را در نظر بگیرید. اولین گام در الگوریتم شاخه و کران، حل مسئله بدون در نظر گرفتن محدودیت های صحیح بودن متغییرهاست. اگر پاسخ مسئله صحیح نبود، قیود جدیدی برای برش زدن این پاسخ بهینه غیر صحیح ایجاد می شود. اما در اینجا به جای گسترش مسئله اصلی با اضافه کردن یک قید، دو مسئله مجزا که هر کدام با اضافه کردن یک قید جدید به مجموعه متغیر ها ساخته می شود، ایجاد می شود. برای این منظور یک متغیر مانند ، که مقدار آن در پاسخ بهینه به دست آمده است یک عدد غیر صحیح است، انتخاب می شود. فرض کنید است. پس لز آن دو مسئله جدید با افزودن قیود و ساخته می شود. باید توجه داشت که پاسخ بهینه غیر صحیح، یک جواب قابل قبول برای هیچ یک از دو مسئله جدید نیست. اما هر پاسخ صحیح مسئله اصلی، یک جواب قابل قبول برای یکی از دو مسئله فوق نیز می باشد. هر یک از دو مسئله جدید مانند قبل بدون در نظر گرفتن قید صحیح بودن حل می شود و همان روال قبل طی می شود. اگر باز هم جواب صحیح حاصل نشد، دو شاخه جدید زده می شود و مسئله ادامه می یابد.
۲-۳- تاریخچه مسئله مکان یابی بهینه چاه های نفت
بهینه سازی تولید معمولاً به دو دسته مکان یابی بهینه چاه و کنترل بهینه چاه تقسیم می شود. در مسائل مکان یابی، موقعیت چاه ها به طور بهینه به منظور ماکزیمم یا مینیمم کردن یک تابع هدف یافته می شود، در حالی که در مسئله کنترل چاه پارامترهای چاه نظیر نرخ تزریق یا تولید چاه ها یا فشار ته چاهی^[۵۴] بهینه می شود. تاریخچه مربوط به مسئله مکان یابی چاه ها بسیار گسترده می باشد. انواع روش های مختلف بهینه سازی، تکنیک های ترکیبی، پروکسی ها، روش های متنوع اعمال قیود غیرخطی در این زمینه تاکنون مطرح شده است. در این بخش، مروری بر تاریخچه مسئله مکان یابی بهینه چاه ها خواهیم داشت.
۲-۳-۱- الگوریتم های بهینه سازی
مسئله مکان یابی بهینه چاه ها یک مسئله چند بعدی و تحت قید می باشد. الگوریتم هایی که به این مسئله ها اعمال می شود به دو دسته کلی روش های مبتنی بر گرادیان^[۵۵] و روش های آزاد از گرادیان^[۵۶] تقسیم می شود. روش های آزاد از گرادیان دارای استراتژی های متفاوت جهت جستجوی نقطه بهینه هستند. می توان الگوریتم های آزاد از گرادیان را به دو گروه روش های تصادفی، جستجوی جهانی، و روش های قطعی، جستجوی محلی، دسته بندی کرد. روش های تصادفی نظیر الگوریتم ژنتیک و یا (SimA) Simulated Annealing مدل محاسباتی الهام گرفته از طبیعت یا فرایند های فیزیکی می باشد. روش های تصادفی نیازی به محاسبه مشتق ندارند، همچنین این نوع الگوریتم ها دارای مکانیزمی جهت فرار از به دام افتادن در دام بهینه های محلی می باشد. اما این روش ها نیاز به ارزیابی زیادی از تابع هدف دارند و عملکرد آن ها وابستگی مستقیمی با نحوه تنظیم پارامتر های این الگوریتم ها دارد. در حالی که روش های بهینه سازی قطعی نقطه بهینه محلی را جستجو می کنند و نیاز به ارزیابی کمی از تایع هدف دارند اما مشابه روش های تصادفی برای جستجو نیازی به محاسبه مشتق تابع هدف ندارند.
روش های بهینه سازی بر مبنای گرادیان نیاز به محاسبه گرادیان تابع هدف نسبت به متغیرهای تصمیم گیری دارند. گرادیان تابع هدف می تواند توسط فرایند مدل کمکی^[۵۷] (در ادامه بیشتر توضیح داده خواهد شد.) یا به صورت عددی محاسبه شود. روش های مبتنی بر گرادیان با حرکت در جهت جستجوی مناسب باعث بهبود تابع هدف در هر تکرار می شود. اگرچه این الگوریتم از نظر محاسباتی بسیار کارآمد است اما مضنون به دام افتادن در بهینه های محلی می باشد. در بخش آتی، به طور دقیق تر انواع الگوریتم های آزاد از گرادیان و مبتنی بر گرادیان اعمال شده به مسئله مکان یابی چاه ها بررسی خواهد شد.
۲-۳-۲- روش های بهینه سازی آزاد از گرادیان
۲-۳-۲-۱- الگوریتم بهینه سازی تصادفی
عام ترین و معروف ترین الگوریتم تصادفی اعمال شده به مسئله مکان یابی چاه ها روش های ژنتیک و SimA می باشد. الگوریتم SimA از خاصیت سرد شدن فلزات برای یافتن پاسخ در مسائل بهینه سازی بهره می گیرد. این الگوریتم با شروع از یک نقطه در فضای جستجو و ارزیابی تابع هدف در این نقطه کار خود را آغاز می کند. نقطه جدید با تغییری کوچک در نقطه قبلی حاصل می شود. سپس تابع هدف در نقطه جدید ارزیابی می شود، اگر مقدار تابع هدف (به طور مثال برای مسئله مینیمم سازی) کمتر از نقطه قبلی باشد نقطه جدید به عنوان نقطه آغازگر بعدی انتخاب می شود. اما اگر این مقدار بیشتر از نقطه قبلی باشد، این نقطه با یک احتمال متناسب با پارامتر “دما” که نشانگر میزان پیشرفت الگوریتم می باشد قابل قبول است. این الگوریتم تا زمانی که دما به مقدار مینیمم از پیش تعیین شده ای برسد ادامه می یابد. در [۱۳]، الگوریتم SimA به منظور ماکزیمم سازی سود حاصل از برداشت وقتی که متغیرهای تصمیم گیری موقعیت چاه های افقی باشد، اعمال شده است. نوع دیگری از الگوریتم بهینه سازی تصادفی اعمال شده به مخزن روش ژنتیک می باشد. در [۱۴، ۱۵]، روش ژنتیک برای مسئله مکان یابی بهینه چاه ها به کار برده شده است. همچنین در [۱۶]، روش ژنتیک برای مکان یابی بهینه چاه های افقی در یک مخزن گازی اعمال شده است. روش ژنتیک برای مسئله مکان یابی با قیود غیرخطی در [۱۷] بررسی شده است. در [۱۸]، الگوریتم ژنتیک پیوسته برای مکان یابی چاه های نفت پیشنهاد شده است و نتایج با الگوریتم ژنتیک استاندارد مقایسه شده است که نشان دهنده پیشرفت قابل توجهی در پاسخ های مسئله بود. الگوریتم تصادفی PSO یکی دیگر از پرکاربردترین روش های بهینه سازی در امر مکان یابی چاه های نفت می باشد. در [۱۹]، الگوریتم استاندارد PSO به عنوان گزینه ای مقدم بر ژنتیک پیشنهاد شده است و نشان داده شده که به طور میانگین PSO نتایج بهتری را نسبت به روش ژنتیک دارد.
یک دسته دیگر از الگوریتم های تکاملی، روش تکاملی وفقی ماتریس کوواریانس^[۵۸] می باشد، که به مسئله مکان یابی چاه ها با مکان های نامنظم اعمال شده است [۲۰]. اختلاف نتایج این روش با آنچه که از روش ژنتیک باینری بدست آمده است، بسیار مشهود است و این حاکی از عملکرد بهتر این روش می باشد.
پاسخ های بدست آمده از روش ژنتیک یا PSO می تواند با ترکیب این روش ها با الگوریتم های بهینه سازی دیگری نظیر الگوریتم مورچه ها، جستجوی مستقیم هوک- جویز (HJ)، الگوریتم پولیتپ و یا الگوریتم تابو^[۵۹] ، بهبود یابد. در قسمت های بعد تاریخچه ای از روش های ترکیبی به کاربرده شده در مسئله مکان یابی چاه ها نیز بررسی خواهد شد. به طور کلی روش های ترکیبی پاسخ بهتری را ارائه می دهند، همچنین هزینه های محاسباتی را کاهش می دهند.
۲-۳-۲-۲- روش های بهینه سازی قطعی^[۶۰]
این دسته از روش های بهینه سازی از روش های بهینه یاب محلی هستند که کارایی این الگوریتم ها وابسته به انتخاب حدس اولیه برای شروع الگوریتم می باشد. روش های ^[۶۱]GPS، ^[۶۲]HJDS و MADS روش های بهینه سازی از این دسته هستند که مشابهت هایی نیز به یکدیگر دارند. از مزایای روش های GPS و MADS قابلیت موازی کار کردن این الگوریتم ها می باشد. برای اطلاعات بیشتر درباره نحوه پیاده سازی این الگوریتم ها به [۲۱] مراجعه شود. در [۱۱، ۱۲] نشان داده شده است که الگوریتم HJDS از لحاظ تعداد ارزیابی تابع هدف عملکرد بهتری را نسبت به الگوریتم های GPS و MADS در مسئله کنترل چاه دارد، اگرچه مشخص نیست که آیا این نتیجه برای مسئله مکان یابی نیز صادق است یا نه.
۲-۳-۳- روش های بهینه سازی ترکیبی^[۶۳]
روش های هایبرید، در واقع ترکیب دو یا چند روش بهینه سازی می باشد. این کار باعث می شود تا بتوان از ویژگی های مثبت روش های مختلف استفاده نمود. در [۲۲]، الگوریتم هایبرد با ترکیب روش ژنتیک و پولیتوپ برای مسئله مکان یابی مورد بررسی قرار گرفته است. اگرچه روش ژنتیک در یافتن ناحیه بهینه در فضای جستجو قدرتمند می باشد اما در پالایش آن و رسیدن به نقطه بهینه ضعیف و کند است. در این پژوهش الگوریتم پولیتپ برای رفع این مشکل و افزایش سرعت همگرایی مورد استفاده قرار گرفته است. در [۱۴]، با اضافه کردن شبکه عصبی و روش درونیابی Kriging به عنوان پروکسی به منظور کاهش تعداد شبیه سازی ها، کار صورت گرفته در مقاله [۲۲] بهبود یافت. در این مقاله الگوریتم ژنتیک با الگوریتم پولیتوپ و روش تخمین Kriging ترکیب شده است. سپس روش بهینه سازی ترکیبی پیشنهادی بر روی یک مخزن همگن ۱۶*۱۶ گرید با نقطه بهینه معلوم، به منظور اطمینان از صحت عملکرد روش پیشنهادی تست شده است. سپس این روش بر یک مخزن بزرگتر اعمال شده است و تاثیر اپراتورهای ژنتیک و روش ترکیبی، برای یافتن مکان بهینه چاه های تولید و تزریق بررسی شده است. پس از اعمال این روش بر روی مخازن نفتی و انجام سناریوهای متفاوت مکان یابی، مشاهده می شود که الگوریتم ژنتیک ترکیب شده قادر به کاهش تعداد شبیه سازی های مورد نیاز نسبت به الگوریتم ژنتیک معمولی می باشد. مثال های متعدد پروکسی ها در مکان یابی بهینه چاه های نفت شامل روش های Kriging، حداقل مربعات و شبکه های عصبی می باشد. پروکسی ها با تخمینی از مدل مخزن و تابع هدف، از شبیه سازی مکرر مخزن در طی روند بهینه سازی جلوگیری می کند و این عمل باعث افزایش سرعت محاسباتی می شود. در ادامه تاریخچه مختصری از روش های مبتنی بر پروکسی ها ارائه خواهد شد.
روش های بهینه سازی جهانی، محلی و ترکیب آن ها در [۱۰] انجام شده است. همچنین روش های فرا بهینه سازی^[۶۴] برای نحوه ترکیب بهینه این الگوریتم ها پیشنهاد شده است. برای الگوریتم بهینه جهانی انواع مختلف خانواده PSO نظیر CP-PSO^[65] و PP-PSO^[66] و PSO معمولی مورد بررسی قرار گرفته است. الگوریتم HJDS به منظور الگوریتم بهینه یاب محلی استفاده شده است. الگوریتم ترکیبی شامل تعدادی ارزیابی تابع هدف (یا شبیه سازی مخزن) به روش PSO و استفاده از بهترین پاسخ این روش به عنوان شرط اولیه برای الگوریتم HJDS می باشد. در این پایان نامه نشان داده شده است که برای مخازن متفاوت الگوریتم ترکیبی عملکرد بهتری را نسبت به روش های PSO یا HJDS تنها دارد.
۲-۳-۴- الگوریتم های بهینه سازی مبتنی بر گرادیان
الگوریتم های بهینه سازی بر مبنای گرادیان که به مسئله مکان یابی چاه ها اعمال شده است شامل روش های تصادفی تخمین گرادیان و روش های بر مبنای مدل کمکی می باشد. در [۲۳]، روش ^[۶۷]SPSA برای مکان یابی چند چاه عمودی اعمال شده است. الگوریتم SPSA یک روش بر مبنای تخمین گرادیان می باشد. برای محاسبه گرادیان در این روش، در هر تکرار یک جهت در فضای جستجو به طور تصادفی انتخاب می شود. با بکارگیری دو نقطه ارزیابی یکی در جهت انتخابی و دیگری در جهت مخالف، تعیین می شود که آیا تابع هدف در این جهت کاهش می یابد یا افزایش و سپس یک تقریب از مشتق تابع هدف محاسبه می شود. از ویژگی های مثبت این روش این است که در هر تکرار تنها دو بار نیاز به محاسبه تابع هدف می باشد و این تعداد ارزیابی مستقل از تعداد متغیرهای مسئله بهینه سازی می باشد. در [۲۳] نیز الگوریتم مشتق تفاضل متناهی^[۶۸] (FDG) در مسئله مکان یابی چاه ها اعمال شده است. الگوریتم FDG مشابه الگوریتم SPSA می باشد با این تفاوت که در روش FDG گرادیان به کمک تقریب تفاضل متناهی برای هر متغیر مسئله بهینه سازی محاسبه می شود. در [۲۳] نشان داده شده است که مشتق محاسبه شده به روش FDG به طور قابل مقایسه ای دقیق تر از روش SPSA می باشد، اما تعداد ارزیابی های تابع هدف به منظور محاسبه مشتق در روش FDG بیش از روش SPSA می باشد. در این پژوهش نتیجه گرفته شده است که الگوریتم SPSA نتایج بهتری را نسبت به FDG برای مسئله مکان یابی ارائه می دهد.
در [۲۳]، الگوریتم SPSA با الگوریتم ژنتیک باینری، ^[۶۹]VFSA و Simplex مقایسه شده است. نشان داده شده است که الگوریتم SPSA نتایج بهتری را در بین این الگوریتم های بهینه سازی برای مسئله مکان یابی چاه های عمودی ارائه می کند.
روش های بهینه سازی دیگری بر مبنای گرادیان به مسئله مکان یابی چاه ها اعمال شده است. در [۲۴]، روش تحت قید گوس- نیوتن برای جایابی بهینه مکان چاه های عمودی به نحوی که افت فشار مینیمم شود، به کار گرفته شده است. تابع هدف افت فشار به صورت نیمه تحلیلی بدست آمده است در حالی که مشتق تابع هدف نسبت به مکان های چاه ها به صورت عددی محاسبه شده است. در [۲۵]، مسئله بهینه سازی برای بهینه کردن تعداد و محل چاه های تزریق در یک مخزن دو بعدی بررسی شده است. روش تندترین سقوط به عنوان الگوریتم بهینه سازی انتخاب شده است.
در [۲۶]، مسئله بهینه سازی تولید به کمک تئوری کنترل بهینه ارائه می گردد. در این پژوهش که یکی از مراجع اصلی و معتبر روش های مبتنی بر گرادیان می باشد، تابع هدف سود حاصل از برداشت می باشد و متغییر تصمیم گیری نرخ تزریق چاه های تزریق کننده می باشد و همچنین معادلات دینامیک مخزن نقش قید های مسئله بهینه سازی را ایفا می کند. مبنای این روش استفاده از شبیه ساز مخزن به عنوان مدل مستقیم و محاسبه گرادیان تابع هدف به کمک مدل کمکی^[۷۰] می باشد. برنامه نویسی مدل کمکی پیچیده و زمان براست و همچنین وابسته به مدل مستقیم می باشد و بایستی با تغییر مدل مستقیم، مدل کمکی به روز شود. در این روش تمام اطلاعات مورد نیاز جهت محاسبات مربوط به مدل کمکی، در هر بار اجرای مدل مستقیم ذخیره می شود. سپس مدل کمکی، تنها با چیدمان صحیح اطلاعات گرادیان تابع هدف را محاسبه می کند. پیچیدگی محاسبه گرادیان به روش مدل کمکی به اندازه دشواری شبیه سازی مخزن یا همان مدل مستقیم می باشد. این مشکل یکی از بزرگترین نقایص این روش می باشد که منجر به عدم محبوبیت این روش در صنعت نفت شده است. واضح است که در این تحقیق مسئله کنترل بهینه چاه به جای مسئله مکان یابی مد نظر قرار گرفته است. اما باید خاطر نشان کرد که نتایج این پژوهش به طور غیر مستقیم در مسئله مکان یابی بهینه چاه های نفت مورد استفاده قرار می گیرد.
در [۲۵]، الگوریتم سریع ترین سقوط را به مسئله اعمال کردند. آن ها مسئله مکان یابی یک یا چند چاه تزریق در یک مخزن دو بعدی به گونه ای که NPV حداکثر شود، مورد توجه قرار دادند. ایده اصلی روش به این صورت است که در ابتدا در هر گریدی که شامل چاه برداشت نیست، یک چاه تزریق در نظر گرفته می شود، و پس از آن در هر مرحله از الگوریتم تعداد چاه ها کاهش می یابد تا زمانی که تعداد بهینه ای از چاه ها در مکان بهینه باقی بماند. برای این منظور تابع هدف به همراه هزینه حفر چاه در نظر گرفته می شود. بنابراین هر چه تعداد چاه های تزریق حفر شده بیشتر باشد، هزینه نهایی حفر چاه ها بیشتر می شود و در نتیجه تابع هدف کاهش می یابد. الگوریتم به کمک مدل کمکی در هر مرحله گرادیان تابع هدف اصلاح شده را نسبت به نرخ هر چاه محاسبه می کند و بدین ترتیب بهبود می یابد که بنای اصلی این محاسبات از [۲۶] نتیجه شده است. در ادامه با بکارگیری روش سریع ترین سقوط از این گرادیان ها برای محاسبه نرخ بعدی هر چاه استفاده می کند. هر گاه نرخ یک چاه به سمت صفر برود، آن چاه حذف می شود. این روش کاربرد غیر مستقیم روش گرادیان است زیرا به جای محاسبه گرادیان تابع هدف نسبت به پارامترهای حقیقی بهینه سازی، گرادیان آن نسبت به نرخ چاه ها محاسبه می شود. اما چون الگوریتم با حفر یک چاه در هر گرید کارش را شروع می کند و در هر مرحله تنها یک چاه قابل حذف است، این روش برای مسائل با ابعاد بزرگ مناسب نمی باشد. مقاله [۲۷]، با تغییر کوچکی در نحوه جستجو توانسته است در هر مرحله بیش از یک چاه تزریق را حذف کند.
ایده اصلی روش ارائه شده در [۲۸]، این است که هر چاهی که قرار است بهینه شود، با ۸ چاه کاذب در ۸ گرید همسایه محاصره شود و هر کدام از این چاه ها دارای یک نرخ تولید بسیار کم است تا اثر آن بر رفتار فلوی مخزن حداقل شود. پس از آن یک مدل کمکی برای محاسبه گرادیان تابع هدف (ارزش حال پروژه) نسبت به نرخ هر چاه کاذب در طول عمر مخزن استفاده می شود. بزرگترین گرادیان مثبت در بین ۸ گرادیان، تعیین کننده جهتی است که چاه اصلی باید در آن جهت حرکت کند تا تابع هدف افزایش یابد. به عبارت دیگر، جهت مناسب به کمک مکان چاه کمکی با بزرگترین گرادیان مثبت تعیین می شود. این روش را نیز کاربرد غیر مستقیم گرادیان می نامند چرا که در اینحا به جای استفاده از گرادیان تابع هدف نسبت به پارامترهای حقیقی بهینه سازی، از گرادیان تابع هدف نسبت به نرخ چاه های کمکی استفاده می شود.
از مزایای مهم روش های مبتنی بر مدل کمکی کارامدی آن ها از نظر محاسباتی می باشد. اما این روش مضنون به دام افتادن در بهینه های محلی می باشد و همچنین پاسخ بهینه آن به شرایط اولیه نیز وابسته می باشد. به علاوه، استفاده از تکنیک چاه های کاذب برای مسئله مکان یابی دارای چالش های بی پاسخی نظیر وجود چاه های غیرمعمول مثل چاه های چند لایه ای می باشد که در [۲۸] این نوع چاه ها بررسی نشده است. اگرچه در [۲۹] با تغییراتی در تکنیک چاه های کاذب این مسئله بررسی شده است. در نهایت باید به این نکته توجه نمود که در روش های بر مبنای مدل کمکی بایستی به کد شبیه سازی های مخزن جهت محاسبه گرادیان دسترسی داشت، در صورتی که در دیگر روش های بهینه سازی به این اطلاعات نیازی نمی باشد.
مکان یابی بهینه چاه ها به کمک الگوریتم های تصادفی نیازمند تعداد زیادی ارزیابی تابع هدف می باشد که هر ارزیابی ملزم به اجرای مدل مخزن می باشد. هزینه های محاسباتی در این نوع الگوریتم ها به چندین شیوه می تواند کاهش یابد. استفاده از پردازنده های موازی جهت اجرای شبیه ساز مخزن، به کار بردن مدل های نیمه تحلیلی برای مخزن و یا استفاده از مدل جایگزین^[۷۱] (پروکسی) مخزن از راه کارهای پیشنهاد شده می باشد. در بخش بعدی، برخی از روش های بر مبنای پروکسی که در مسئله مکان یابی چاه ها به کار گرفته شده است توضیح داده خواهد شد.
۲-۳-۵- کاربرد پروکسی ها
پروکسی ها از نظر محاسباتی بسیار سریع هستند و تقریبی از مدل مخزن ارائه می دهند. این روش ها با کاهش تعداد شبیه سازی ها در طی فرایند بهینه سازی از بار محاسباتی مسئله بهینه سازی می کاهند. در واقع پروکسی ها با محاسبه تقریبی از تابع هدف از ارزیابی زیاد آن جلوگیری می کند. در موارد بسیاری از روش پروکسی ها در مسائل مکان یابی بهینه چاه ها استفاده شده است. این تکنیک ها شامل روش هایی نظیر Kriging که یک نوع درونیاب است [۳۰]، حداقل مربعات [۳۱]، شبکه های عصبی [۳۲] و روش های فازی- عصبی می باشد.
۲-۳-۶- بهینه سازی تحت قید
در مسائل بهینه یابی مکان چاه، غالباً دو دسته قید بررسی می شود: محدودیت مربوط به متغییرهای تصمیم گیری و قیدهای عملیاتی.
قیدهای محدودیت متغیرها به دلیل محدود بودن پاسخ مسئله در یک بازه مشخص جستجو به وجود می آید. برای مثال تمام چاه ها باید در یک ناحیه معین و قابل حفر، حفر شوند. قیدهای عملیاتی در پروژه های توسعه مخازن ظاهر می شود. محدودیت فاصله چاه ها از یکدیگر، قیدهای مربوط به نحوه برنامه ریزی حفر چاه، محدودیت نرخ تولید و تزریق چاه ها و امکانات تولید، محدودیت تعداد چاه ها و غیره از دسته قیدهای عملیاتی می باشد. ترکیب این قید ها منجر به پیچیدگی مسئله مکان یابی می شود.
راهکارهای مختلفی جهت در نظر گرفتن قیود در مسئله بهینه یابی مکان چاه پیشنهاد شده است. معمولترین روش استفاده از روش جریمه^[۷۲] می باشد، به طوری که پاسخ های نشدنی^[۷۳] جریمه می شوند [۳۲] یا به تابع هدف آن ها یک مقدار منفی بزرگ اختصاص داده می شود [۳۳]. نحوه اعمال قید های مختلفی نظیر ماکزیمم طول چاه و مینیمم فاصله بین دو چاه در [۳۴] بیان شده است. در این پژوهش از الگوریتم ژنتیک باینری استفاده شده است. در این روش دو دسته جمعیت وجود دارد که هر عضو بسته به نقض کردن یا نکردن قیدها به یکی از این جمعیت ها تعلق دارد. زمانی که عضوی قیدی را نقض می کند از اپراتوری برای بهبود این عضو به نحوی که به یک پاسخ شدنی تبدیل شود، کمک گرفته می شود.
فصل سوم
توصیف معادلات حاکم بر مخزن، گسسته سازی و شبیه سازی
۳-۱- مقدمه
با توجه به اینکه مدل ریاضی حاکم بر مخرن نقش قید های مسئله بهینه یابی مکان چاه های نفتی را ایفا می کند، بررسی دقیق معادلات مخزن امری ضروری می باشد. در این فصل ابتدا معادلات توصیف کننده مخزن بیان می‌گردد و در ادامه‌ نحوه گسسته سازی و حل عددی این معادلات توضیح داده می‌شود. پس از ذکر مطالب فوق، مدل مخزن بر پایه ی روش سنتی Finite Difference و Streamline معرفی می گردد. بعد از ایجاد شناخت کافی، به مقایسه‌ی این دو روش معروف مدلسازی مخازن می‌پردازیم و در ادامه نرم افزار FrontSim به عنوان یکی از نرم افزارهای شبیه ساز مخزن بر پایه Streamline معرفی خواهد شد. در انتهای فصل نیز نحوه لینک آن را به نرم افزار متلب بررسی خواهیم کرد.
۳-۲- معادلات مخزن
معادلات مخزن در اکثر مراجع مهندسی مخازن آمده است. مطالب این بخش عمدتاً از مراجع [۳، ۳۵] گرد آوری شده است. به طور معمول، معادلات جریان برای جریان سیال در محیط متخلخل بر اساس معادلات پایستگی جرم، اندازه حرکت، انرژی و معادلات ضروری برای سیالات و محیط متخلخل بدست می آیند. برای سادگی، معادله انرژی با فرض وجود شرایط همدمایی، نادیده گرفته می شود. اگرچه در شرایطی که دمای مخزن تغییر می کند، مانند عملیات حرارتی یا تزریق آب سرد به داخل مخزن گرمتر، معادله انرژی مهم بوده و باید در نظر گرفته شود.

نظر افراد در پاسخ به این سوال (۱-خیلی زیاد ۲-زیاد ۳ -متوسط ۴-کم ۵-خیلی کم) می‌توانسته باشد. نظر افراد در صورتی همسو با فرضیه خواهد بود که سه گزینه ” متوسط ، کم ،خیلی کم ” را انتخاب کنند. بنابراین پیروزی را انتخاب این سه گزینه در نظر می گیریم بنابراین احتمال انتخاب این سه گزینه از بین پنج گزینه (خیلی زیاد، زیاد، متوسط، کم، خیلی کم ) برابر ۰٫۶ می باشد و اگر این نسبت کمتر از ۰٫۶ بشود. نشان دهنده در دسترس بودن ابزارهای مشروع و قانونی برای رسیدن به اهداف و اگر این نسبت برآوردی بیشتر از ۰٫۶ بشود، نشان دهنده عدم در دسترس بودن ابزارهای مشروع و قانونی برای رسیدن به اهداف خواهد بود. از آنجایی که Sig “Exact Sig. (1-tailed)"کمتر از ۰٫۰۵ و برابر ۰٫۰۰۱ می باشد، بنابراین نسبت افرادی که ابزارهای مشروع و قانونی برای رسیدن به اهداف در دسترس آنها نبوده است با اطمینان ۹۵ درصد و حتی ۹۹ درصد نمی تواند ۰٫۶ باشد و با توجه به اینکه در این بررسی نسبت افرادی که ابزارهای مشروع و قانونی برای رسیدن به اهداف در دسترس آنها نبوده است حدود ۰٫۷۳۶ برآورد شده است. بنابراین حدود ۷۳٫۶ درصد افراد ابزارهای مشروع و قانونی برای رسیدن به اهداف در دسترس آنها نبوده است و تنها حدود۲۶٫۴ درصد افراد ابزارهای مشروع و قانونی برای رسیدن به اهداف در دسترس آنها بوده است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

جدول شماره (۳- و)

تا چه اندازه ابزار نامشروع و غیر قانونی برای ارتکاب جرم در دسترس داشتید؟
نظر افراد در پاسخ به این سوال (۱-خیلی زیاد ۲-زیاد ۳ -متوسط ۴-کم ۵-خیلی کم ) می‌توانسته باشد. نظر افراد در صورتی همسو با فرضیه خواهد بود، که سه گزینه ” خیلی زیاد، زیاد متوسط ” را انتخاب کنند. بنابراین پیروزی را انتخاب این سه گزینه در نظر می گیریم. بنابراین احتمال انتخاب این سه گزینه از بین پنج گزینه(خیلی زیاد، زیاد، متوسط، کم، خیلی کم ) برابر ۰٫۶ می باشد و اگر این نسبت کمتر از ۰٫۶ بشود نشان دهنده در دسترس نبودن ابزارهای نامشروع و غیرقانونی برای رسیدن به اهداف و اگر این نسبت برآوردی بیشتر از ۰٫۶ بشود نشان دهنده در دسترس بودن ابزارهای نامشروع و غیرقانونی برای رسیدن به اهداف خواهد بود. از آنجایی که Sig “Exact Sig. (1-tailed)"کمتر از ۰٫۰۵ نشده است، بنابراین نسبت افرادی که ابزارهای نامشروع و غیرقانونی برای رسیدن به اهداف در دسترس آنها بوده است با اطمینان ۹۵ درصد می تواند ۰٫۶ باشد و تفاوت معنی داری با ۰٫۶ ندارد به عبارتی حدود ۶۰ درصد افراد ابزارهای نامشروع و غیرقانونی برای رسیدن به اهداف در اختیار داشته اند.
جدول شماره (۳-ر)

کانو ویژگی خدمات را به سه­­­­دسته شامل؛ الزامات اساسی، الزامات عملکرد و الزامات انگیزشی تقسیم ­بندی می کند (Amin, & Muataz, 2014 ).
۱) الزامات اساسی: نیازهایی هستند که از نظر مشتریان و ناظران، کاملاً بدیهی هستند. تنها برای مصرف ­کننده و طراحان حرفه­ای، مشخص و قابل تجزیه و تحلیل هستند. در صورت عدم ارضای این نیازها، مشتری ناراضی است. اما برآورده کردن آنها مشتری را راضی نمی­کند. مثل قابلیت پخش تصاویر توسط تلویزیون.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۲) الزامات عملکردی: به­آسانی تعریف و تعیین می­شوند و به­راحتی قابل اجرا هستند. در صورت عدم برآورده کردن آنها، مشتری ناراضی است و برآورده کردن آنها، باعث رضایت مشتری می­شوند. مثل شفافیت تصاویر و رنگ مطلوب تصویر در تلویزیون.
۳) الزامات انگیزشی: برانگیزاننده علایق و نیاز مشتری هستند و به­سرعت پذیرفته می­شوند. در صورت عدم برآورده شدن این نیازها، مشتری ناراضی نیست، اما با برآورده شدن این نیازها، مشتری راضی می­ شود. مثل قابلیت ضبط تصاویر توسط تلویزیون (دهقانی، ۱۳۸۲).
وظیفه سازمان آن است که منظور مشتریان را از خدمات و کالاهای با کیفیت، دریابد و آن را به زبان مهندسی تبدیل کند، تا بتواند در مراحل بعدی؛ بر روی بهبود آن برنامه­ ریزی لازم را به­عمل آورد. مشتریان صرفاً نیاز خود را می­شناسند؛ در حقیقت این مسئولان سازمان هستند که می­توانند با برگزاری جلسات گفتگو با مشتریان و به کمک دانش فنی که نسبت به کالا دارند، نیاز حقیقی آنان را دریافته، تشریح کنند. متأسفانه، این دسته از نیازها برای مشتری بسیار اساسی هستند در حالی که خود، تعریف درستی از آنها ندارد. مشتری، داشتن تعدادی از ویژگی­ها را جزو بدیهیات کالا و خدمات ما می­شمارد، در حالی که خود نیز قادر به بیان آنها نیست.
در کنار این دو گروه از خواسته­ های مشتریان- یعنی نیازهای تعریف شده و انتظارات مبهم و تعریف نشده- عامل دیگری نیز وجود دارد که رضایت مشتریان را تا حدود زیادی تأمین می­ کند و آن عبارت است از؛ نوآوری، خلق محصولات جدید و خلاصه، ایجاد یک نیاز در مشتری و سپس برطرف نمودن همان نیاز. سازمان­هایی که همواره در مسیر پیشرفت و خلاقیت گام برمی­دارد، نه تنها نسبت به دیگر رقبای خود برتری یافته و بازار را در اختیار دارند؛ بلکه سطح بالایی از رضایت را در مشتریان خود ایجاد می­ کنند. ارائه این محصولات یا خدمات، چیزی فراتر از انتظار مشتریان است؛ به­همین دلیل، سطح بالایی از رضایت و شادی آنان را کسب خواهد کرد. عملاً نیز می­بینیم که رضایت مشتریان به برآوردن نیازهای معمول آنان و رسیدگی به شکایات مطرح­شده، محدود نمی­ شود.
مشتری راضی است.
برانگیزاننده علایق و نیاز مشتری هستند. به­سرعت پذیرفته می­شوند
به­آسانی تعریف و تعیین می­شوند. به راحتی قابل اجرا هستند.
نوآوری­ها
نیازمندی­های مطرح شده
و مورد درخواست مشتریان
نیازمندی­ها نیازمندی­ها
برآورده شده است. برآورده نشده است.
نیازمندی­های ناگفته
اما مورد نیاز مشتریان
از نظر مشتریان و ناظران معمولی کاملاً بدیهی هستند. تنها برای مصرف کنندگان و طراحان حرفه­ای، مشـخص و قـابل تجزیه و تحلیل می­باشند.
مشتری ناراضی است.
شکل ۱۳-۲: نمودار مدل کانو (مأخذ: (Amin, & Muataz, 2014, 91 ).
در این شکل، ارتباط نیازهای معمول مشتریان، نیازهای ناگفته و بدیهی آنان و همچنین نوآوری­ها و محصولات جدید، با سطح رضایت مشتریان تشریح شده است (جعفری و همکاران ، ۱۳۷۹، ۷۲). سازمان موفق، سازمانی است که همیشه چند قدم فراتر از مشتریان خود گام بردارد و حتی نیازهای آینده آنان را پیش ­بینی و تعریف کرده، به مرحله اجرا درآورد. آنچه که گفتیم، به­ طور خلاصه در شکل (۱۴-۲) مشاهده می­ شود.
نوع روابط میان سازمان خدماتی و مشتریان
روابط «عضویت» فاقد هرگونه رابطه رسمی

۲-۲-۸-۳) نظریه سازمان یاد گیرنده^[۲۲]
حسن زاده (۱۳۸۶) می نویسد: نظریه سازمان یادگیرنده از نظریاتی است که لزوم جریان دانش در سازمان ها را توجیه می کند سنگه^[۲۳] سازمان یادگیرنده را به عنوان سازمانی که به طور مستمر ظرفیت خود را برای خلق آینده اش افزایش می دهد، تعریف می کند. به عقیده او، سازمان یادگیرنده، آن سازمانی است که مد نظر است، دست یابند و بدین ترتیب الگوهای جدید تفکر، رشد یافته و اندیشه های جمهی و گروهی گسترش یابند. به رغم او دیوید گاروین^[۲۴]، سازمان یادگیرنده آن سازمانی است که دارای توانایی ایجاد، اکتساب و انتقال دانش است و رفتار خود را طوری تعدیل می کند که منعکس کننده دانش و دیدگاه های جدید باشد.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

درباره مشخصات و عناصر سازمان یادگیرنده توافق عمومی وجود ندارد. پدلر و همکاران ویژگی های سازمان یادگیرنده را عبارت رویکرد یادگیرنده به استراتژی، سیاست گذاری مشارکتی، آگاه سازی، مسئولیت پذیری و کنترل، تبادلات درونی، انعطاف پذیری ار اعطای پاداش، نظارت بر محیط، ساختار توانمند، یادگیری درون سازمانی، محیط یادگیری، و خود شکوفایی می دانند.
از نظر سنگه، سازمان یادگیرنده دارای ویژگی های چون مدل های ذهنی، تسلط بر خویشتن (بینش فردی)، یادگیری تیمی، چشم انداز و تفکر سیستمی است. به رغم مارسیک و واتکینز^[۲۵] ویژگی های سازمان یادگیرنده عبارتند از: یادگیری مستمر، بالا بردن سطح پژوهش گفتگو در سازمان، تشویق حس همکاری و یادگیری گروهی، توانمند سازی کارکنان برای رسیدن به یک بینش جمعی، طراحی و اجرای سیستم هایی برای مشارکت افراد یادگیری، ارتباط سیستم با محیط، و رهبری استراتژیک یادگیری، سرانجام، فیلیپس^[۲۶] ارکان آرمانی سازمان یاد گیرنده را رغبت و اشتیاق به یادگیری، رهبری، تفکر و چشم اندار استراتژیک، ارتباطات، یادگیری و پیشرفت، نوآوری و خلاقیت در تصمیم گیری، مدیریت تحول، مدیریت دارایی ذهنی و دانش، سنجش و ارزیابی عملکرد، و نهایتا پاداش و تمجید می داند. (فیلیپس، ۲۰۰۳)

Figure 8 شکل ۲-۸ چارچوب نظری لزوم مدیریت دانش سازمان ها؛ منبع: (حسن زاده، ۱۳۸۶)
۲-۲-۸-۴) نظریه تولید و تبدیل دانش سازمانی^[۲۷]
نظریه تولید دانش سازمانی در سال ۱۹۹۴ توسط نوناکا مطرح شد و بر ماهیت فعال و ذهنی دانش و اصلاح باور ها و جلب مشارکت مردم تاکید دارد. این نظریه کارکرد اصلی سازمان را در تقویت دانش تولید شده بوسیله افراد و متبلور ساختن به عنوان بخشی از شبکه دانشی سازمان می داند و یک سال بعد در مدل مشهور نوناکا و تاکوچی (۱۹۹۵) متجلی شد.

Figure 9 شکل ۲-۹: مدل خلق و تبدیل دانش سازمانی
اساس این مدل دانش ضمنی(نهان) ^[۲۸] و دانش صریح( عیان)^[۲۹] و فرایند های انتقال آن ها است. برای تبدیل دو نوع دانش مذکور چهار فرایند تبدیل وجود دارد که عبارتند از:
نهان به نهان ^[۳۰] (جامعه پذیری): از طریق نشست ها یا بحث های گروهی بین افراد انجام می شود.
نهان به عیان^[۳۱] (بیرون سازی): از طریق تلاش افراد برای ارائه دانسته های خود در قالب سخنرانی رسمی، آثار مکتوب و نظیر آن صورت می پذیرد.
عیان به عیان^[۳۲] (ارتباطات): این فرایند در قالب استفاده از فناوری برای سانادهی، توزیع دانش و انتقال دانش مکتوب انجام می گردد.
عیان به نهان^[۳۳] (درونی سازی): در این فرایند افراد با دریافت دانش عیان (مانند یک گزارش) به یک ایده نو دست پیدا می کند یا بر اساس عمل سودمندی را انجام می دهد و در فرایند های فوق، تبدیل دانش از پنهان به عیان و همچنین از انفرادی به جمعی اتفاق می افتد که در نهایت به خلق دانش خاص سازمانی می انجامد چنانچه فرایند های مذکور در سازمان موفقیت آمیز باشد. در همه سطوح مختلف سازمانی پنج پیامد مثبت خواهد داشت:
به اشتراک گذاری دانش به وسیله گروهی از افراد؛
تبدیل دانش نهان گروه ها به مفاهیم و نمود های عینی؛
ترکیب مفاهیم گروه با داده و دانش بیرونی موجود در سازمان؛
تبیین و بسط مفاهیم به شکل ملموس تر؛
توزیع دانش جدید در بین افراد سازمان (انتقال دانش بین افراد سازمانی) در نهایت پویایی این چرخه به تولید بیشتر دانش سازمانی می انجامد.
البته پیش شرط اصلی حفظ پویایی این چرخه، فراهم آوری زیر ساخت های لازم از سوی دیگر سازمان هاست (حسن زاده ۱۳۸۶).
با توجه به اینکه این مدل مبنای این پژوهش می باشد، در قسمت های بعدی به تفصیل مورد بررسی قرار خواهد گرفت.
نظریه های چهارگانه فوق لزوم مدیریت دانش در سازمان ها را توجیه می کنند. بنابراین شناسایی و سنجش عوامل زمینه ای برای مدیریت دانش در سازمان ها ضروری است.
۲-۲-۹)مدل های مختلف مدیریت دانش
کابادسه و همکارانش با مرور رده­بندی دانش در مقاله ای با نام (مرور ادبیات مدیریت دانش) مدل‌های مدیریت دانش را در چهار گروه به شرح زیر ارائه کرده اند: (کابادسه، ۲۰۰۳)
مدل های شبکه^[۳۴] : در این نوع از مدل ها، تمرکز بر روی ارتباطات، کسب، تسهیم و انتقال به طریق تبادل اطلاعات افقی است. دانش های مهم در شبکه ای متشکل از افراد که به وسیله ابزار مختلف به هم می پیوندند، نهفته است و آگاهی از این بینش ها و اطلاعات، خارج از گروه ها تیم های رسمی، عامل کلیدی به شمار می رود. در این نگرش، ساختن روابط اجتماعی، سرمایه اجتماعی و قائل بودن روابط متقابل، به عنوان کار و فعالیت اصلی دانش، مورد توجه قرار گرفته است.
مدل های شناختی^[۳۵]: دانش به مثابه دانش های سازمانی است که نیاز به دستیابی دقیق، بیان، ذخیره، اندازه ­گیری، نگهداری و انتشار کنترل شده دارد. ایجاد ارزش از طریق کاربرد متوالی بهترین روش های حاصل و نیز پرهیز از خطاهای ناآشکار ریشه یابی شده و کتبی و نیز بهره بردن از درس های آموخته شده به دست می آید. در این نگارش بر روی استفاده دوباره، تکثیر استاندارد سازی و حذف روش های قدیمی که کارایی خود را از دست داده اند، تمرکز می شود.
مدل های انجمنی/ارتباطی^[۳۶]: در این مدل ها درباره ویژگی های گروه های کاری که باید دارای قابلیت هایی چون خود سازماندهی، فراگیری مستمر و تبادلات غیر رسمی باشند، بحث می شود. دانش در تفکری ایجاد می شود که در یک انجمن گردش می کند؛ جایی که زبان مشترکی وجود دارد، اعتماد اجازه بهره برداری از مکاشفه ها را می دهد، ممکن است ارائه های نهفته به صورت خلاقانه برنامه ریزی شود نشانه های مهم و راه حل های کاری متوالی به وسیله بیان داستان های کاری منتشر می‌شوند.
مدل های فلسفی^[۳۷] : در این مدل ها بازار ها و برآیند های داخلی بر پایه گفتگوی دو طرفه در یک زمینه استراتژیک، پرسش در مورد فرضیات و کند و کاو مداوم درباره رفتار رقبا، مورد توجه قرار می گیرد. این دیدگاه، شخصی سازی را مقدم بر کد کردن می داند و تکنولوژی کمی را مورد استفاده قرار می دهد. همچنین محرک های فرهنگی اصلی برای این کار، حفظ ارتباط آزاد (تبادل نظر)، تشویق، انعکاس نظرات، کنکاش خلاقانه و اثبات عقیده و نظر است.
با توجه به تجربه سازمان های پیشرفته در زمینه مدیریت دانش، ترکیب مدل های شبکه، فلسفی و انجمنی به همراه استفاده از مدل شناختی، ترکیب مناسب برای مدیریت دانش در سازمان است و محرک های اصلی در این راستا؛ ارتباطات و روابط، اعتماد همدلی، انجمن گفتگوی دو جانبه عمیق و تکنولوژی برای دستیابی به گفتگو و برقراری ارتباط با ثبات هستند.
۲-۲-۹-۱) مدل کلی ساختار نظام های مدیریت دانش
این مدل نمای گسترده­ای از نظام های مدیریت دانش ارائه و نشان دهنده وابستگی بالای اینگونه نظام ها بر تعاملات بین افراد است. بر اساس این مدل نظام های مدیریت دانش به وسیله استراتژی سازمان شکل می گیرد، و در نتیجه چگونگی تبدیل این استراتژی ها به دانش سازمانی را تسهیل می کند. کاربران دانش خود را به نظام می افزایند و در مقابل، با تقویت دانش خود، از این نظام منتفع می­شوند. علاوه بر این، نظام های مذبور با در اختیار گذاردن امکان دسترسی دانش، این مهم را برای کاربران فراهم می کنند که دسترسی به نظام های فنی نیز فراهم شود. دیگر نظام های مرتبط با سیستم مدیریت دانش، از عملکرد های مهم سازمانی مانند نظام های مالی و منابع انسانی برگرفته می شوند. در چنین نظانم هایی از مدیریت دانش، حمایت کارآمد و اثربخش از گروه دانش است (دبوسکی، ۲۰۰۶). این گروه دانش، عبارت است از کاربران نهایی نظام و اولویت های کلی دانش سازمان. مهم تر از هر چیز اینکه، نظام های مدیریت دانش بدون توجه جایگاه سازمانی افراد، ارتباط تنگاتنگی بین آن­ها ایجاد می کند. شکل زیر ساختار کلی نظام های مدیریت دانش را نشان می دهد.

Figure 10 شکل ۲-۱۰: مدل کلی ساختار نظام های مدیریت دانش (دبوسکی، ۲۰۰۶)
در هریک از مراحل مدیریت دانش با شناخت یک نیاز (یا فرصت) دانش آغاز شده و وقتی که این نیاز برطرف شد پایان می یابد. مراحل مدیریت دانش می تواند مستقل یا وابسته باشند. هر یک از این مراحل مدیریت دانش می تواند مراحل دیگر را تحت تاثیر قرار دهد. در هر یک از مراحل مدیریت دانش، برخی زیر مجموعه های پردازشگران مدیریت دانش سازمان می توانند فعالیت های مختلفی را بپذیرند که بر مبنای منابع مرتبط عمل می کنند تا نیاز دانش را برطرف کرده یا فرصت دانشی بوجود آمده را حفظ کنند. این پردازشگران دانش ممکن است انسان، اجتماع، کامپیوتر و یا ترکیبی از این عناصر باشند. این الگو ها نشان می دهد که در هر مرحله از مدیریت دانش چه اتفاقی می افتد. هر یک از این مراحل می توانند در تعامل متعادل به یک تنظیم هماهنگ برسند. این تنظیم هماهنگ^[۳۸] فعالیت های فرعی که بر فعالیت های اصلی مدیریت دانش تاثیر می گذارند را حذف می کند.
۲-۲-۹-۲) مدل زنجیره دانش
مدل زنجیره دانش از یک هستی شناسی مدیرین دانش بوسیله ۳۰ فعال مدیریت دانش بوجود آمده است این هستی شناسی، پنج فعالیت های اولیه را تعریف می کند: کسب دانش، انتخاب، تولید، جذب و درونی سازی، و انتشار. این فعالیت های اولیه، دانش را در یک مرحله و چهار مرحله از فعالیت های ثانویه که مراحل مدیریتی دانش را هماهنگ می کنند به وجود می آورند: (اندازه گیری کنترل، هماهنگی، و رهبری). (هلسپل و جونز، ۲۰۰۰)

Figure 11 شکل ۲-۱۱: مدل زنجیره دانش (هلسپل و سینگ، ۲۰۰۰)
بر طبق این مدل، بکارگیری ترکیبی از فعالیت ها در نه طبقه، منجر به یادگیری و تبلور سازمانی می شود. یادگیری بیان کننده تغییرات در وضعیت منابع دانش بوده و تبلور، بیان کننده ظهور و جلوه گری دانش سازمانی در دنیای واقعی است (مانند محصولات، خدمات، فعالیت ها).
شیوه هایی که فعالیت مدیرین دانش بکار گرفته می شوند، می تواند بر موقهیت دقابتی سازمان تاثیر گذارد. به بیان دیگر، بهره وری، چالاکی، نوآوری، و اعتبار، چهار جنبه ی رقابتی هستند که هر کدان از آن ها می توانند سازمان را به نوعی از طریق انجام هر یک از فعالیت نه فعالیت بیان شده، منتفع سازند (هلسپل و جونز، ۲۰۰۰).
همانگنه که در شکل دیده می شود، مدل زنجیره دانش، نشان می دهد که منابع و محیط پیرامون سازمان می تواند بر یادگیری و تبلور سازمان و در نهایت بر توان رقابتی سازمان اثر بگذارند.
کسب دانش: منظور از کسب دانش در این مدل، فعالیت یک پردازشگر در بدست آوردن دانش از منابع خارجی و متناسب سازی آن برای استفاده زیر مجموعه های دیگر است.
انتخاب دانش: انتخاب دانش به معنی انتخاب دانش مورد نیاز از منابع داخلی و متناسب سازی آن برای زیر مجموعه هاست.
تولید دانش: تولید دانش، به معنی بوجدو آوردن دانش از دانش موجود است. تولید دانش می تواند از طریق کشف (خلاقیت یا بینش) یا از طریق استخراج (رویه ها، منطق) صورت گیرد.
جذب دانش: جذب دانش، به فعالیت هایی بر می گردد که وضعیت منابع دانش سازمان را از طریق ذخیره سازی و توزیع دانش کسب شده، انتخاب شده، یا تولید شده، تغییر می دهند.
انتشار دانش: انتشار دانش به معنی وارد کردن دانش در خروجی های سازمان برای ورود به محیط است این خروجی ها صرفا خروجی های سنتی یعنی کالا و خدمات نیستند، بلکه شامل خود دانش نیز می شوند.
اندازه گیری دانش: اندازه گیری دانش، یک فعالیت ثانویه یا فعالیت هماهنگ تنظیم شده است که به ارزیابی ارزش های منابع دانش و پردازشگران و چگونگی صف آرایی فرایند ها در مراحل مختلف مدیریت دانش سازمان می پردازد.
کنترل دانش: کنترل دانش به فعالیت هایی برمیگردد که از وجود منابع لازم دانش از نظر کیفی و کمی اطمینان حاصل می کند. اصولا دو نوع از فعالیت های کنترل دانش وجود دارد: بیمه کیفیت، و حمایت.
هماهنگی دانش: هماهنگی دانش به مدیریت وابستگی های بین فعالیت های مدیریت دانش گفته می شود که بدنبال حصول اطمینان از این امر است که فرایند ها و منابع مناسب دانش به اندازه کافی و در زمان مناسب موجود باشند.
رهبری دانش: منظور از رهبری دانش، بوجود آمدن شرایطی است که ایجاد مدیریت دانش را تسهیل و تسریع کند. انواع فعالیت هایی که درگیر در رهبری دانش هستند، وضعیت کسب و کار را برای ابتکار عمل های مدیریت دانش تجزیه و تحلیل می کنند، مدیریت دانش را برای استراتژی های سازمان هم راستا کرده، خطوط راهنمایی برای مدیریت دانش بوجود آمده، یک فرهنگ منسجم و خلاق مدیریت دانش خلاق کرده، فعالیتهای مدیریت دانش را تفویض کرده، و دانش را تسهیم می کنند (هلسپل و جونز، ۲۰۰۹).