nazmbarco

حمل اثاثیه منزل اصفهان حمل اثاثیه منزل شاهین شهر

این ترمینال دارای مساحت 4.9 هکتار است و در مجاورت بندر دریایی سنت پترزبورگ و ایستگاه راه آهن پردپورتووایا (Eurosib.biz, 2006a) با دسترسی به بزرگراه های اصلی کیف سکوئه، موسکوفسکوئه و جاده کمربندی واقع شده است. عملکرد اصلی ترمینال شامل خدمات چندوجهی و چندوجهی، انتقال بین راه آهن و جاده به مقصد روسیه و کشورهای مستقل مشترک المنافع است. این ترمینال طیف وسیعی از خدمات اضافی مانند تجمیع محموله های حمل و نقل دریایی، ادغام محموله های باری زمینی، انبارهای کانتینری خالی، انبار ترخیص کالا، نگهداری کالا در کانتینرهای دریایی، خدمات مرتبط با گمرک را ارائه می دهد.

حمل اثاثیه منزل اصفهان

1. Korovyakovsky, Y. Panova / تحقیق در اقتصاد حمل و نقل 33 (2011) 25e34 29

از جمله ترخیص کالا از گمرک، بیمه کالاهای ذخیره شده بدون هزینه برای مشتری، مشاوره به مشتریان در مورد مسائل مربوط به گمرک و کمک به رویه های گمرکی، ردیابی آنلاین محموله های کانتینری و نگهداری کانتینر.

یک انبار گرم شده با مساحت 4500 متر مربع ظرفیت ذخیره سازی 6900 پالت شامل یک اسکله راه آهن سرپوشیده برای شش واگن و 15 جایگاه برای بارگیری کامیون های سنگین و سبک را ارائه می دهد. سایت کانتینری 2 هکتاری دارای ظرفیت 1500 TEU (600 TEU برای جابجایی واحدهای ریفر و خالی، 350 TEU برای محموله های صادراتی و 550 TEU برای محموله های وارداتی) است.

طول مسیرهای ریلی 1240 متر است. این ترمینال دارای یک اتصال ریلی با جدول زمانی ثابت به بندر دریایی سنت پترزبورگ و یک سرویس ریلی اختصاصی با ظرفیت حداکثر 90 TEU است. کانتینرها دو بار در روز از طریق راه آهن به اولین ترمینال کانتینر در بندر سن پترزبورگ تحویل داده می شوند. در سال 2010، گروه Eurosib ترمینال را به Sovfraht-Sovmotrans فروخت (Lexim.ru، 2010). در آگوست 2010 Sovmotrans یک قطار بلوکی با کالاهای فاسد شدنی از ترمینال به بندر ولادی وستوک ترتیب داد. برنامه های آینده همچنین شامل خدمات قطار بلوکی به خاباروفسک و نووسیبیرسک است. حمل اثاثیه منزل اصفهان

ادغام منطقه پردپورتووی با سیستم گمرکی و اطلاعات مشترک بندر سن پترزبورگ، پردازش اسناد لازم را تسهیل می کند. این ادغام مزایای قابل توجهی را برای مشتریان فراتر از طیف خدمات کانتینری فراهم می کند، زیرا به کاهش زمان چرخش کانتینر کمک می کند.

حمل اثاثیه منزل اصفهان حمل اثاثیه منزل شاهین شهر

حمل اثاثیه منزل اصفهان حمل اثاثیه منزل شاهین شهر

30.10.1400

حمل اثاثیه منزل اصفهان حمل اثاثیه منزل خمینی شهر

حمل اثاثیه منزل اصفهان

حمل اثاثیه منزل اصفهان

29.10.1400

در جدول 1 مشاهده می کنیم که به طور کلی زمان اجرا در سطوح قابل قبول برای شکاف بهینه 2.0٪ است. حتی برای نمونه‌های بسیار بزرگ با 10000 کالا (مقدار N) و تعداد زیاد مراکز تثبیت و تثبیت‌زدایی بالقوه (مقدار M)، میانگین زمان‌های اجرا عمدتاً بسیار کمتر از 30 دقیقه است و حتی حداکثر زمان‌های اجرا کم است. واضح است که افزایش اندازه مسئله بر میانگین زمان‌های حل تأثیر می‌گذارد، با این حال، به نظر نمی‌رسد که این امر حتی زمانی که نمونه‌های بزرگ در نظر گرفته می‌شود، چندان محدودکننده نباشد.برای مقاصد مقایسه، با استفاده از CPLEX برای حل MnP با اضافه کردن (23)، ما فقط توانستیم نمونه های (A, N, M) کلاس ها شامل (0، 3000، 20)، (0، 4000، 20) را حل کنیم. (50، 3000، 20)، و (50، 4000، 20) با میانگین زمان حل به ترتیب 168، 154، 139 و 159 ثانیه و حداکثر زمان حل 293، 267، 266 و 475 ثانیه. برای بقیه کلاس ها، نیاز به حافظه بالا، عمدتاً به دلیل افزایش اندازه مدل، مشکل اصلی است. در رویکرد تجزیه Benders، این مسئله بسیار کارآمد کاهش می‌یابد زیرا این مسئله به مشکلات اصلی و فرعی کوچک‌تر تجزیه می‌شود و مهمتر از آن، ما تعداد زیادی متغیر در DBSP را با استفاده از الگوریتم فاز دوم بدون تکیه بر CPLEX حل می‌کنیم. برای تأکید بر اهمیت این نکته اخیر، ما همچنین یادآور می‌شویم که وقتی می‌خواهیم DBSP را بدون کاهش حل کنیم، زمان اجرا بیش از حد می‌شود و برای نمونه‌های بزرگ‌تر، حافظه دوباره به یک مشکل تبدیل می‌شود.این مطالعه را می‌توان برای ترکیب توابع هزینه حمل‌ونقل که منعکس‌کننده صرفه‌جویی در مسافت همراه با صرفه‌جویی در مقیاس در پیوندهای خطی است، گسترش داد. علاوه بر این، مدل ما را می‌توان برای گنجاندن ملاحظات مسیریابی وسیله نقلیه در بخش‌های مبدأ به تثبیت و تثبیت‌زدایی به مقصد عملیات گسترش داد.

حمل اثاثیه منزل اصفهانVحمل اثاثیه منزل نجف آباد

حمل اثاثیه منزل اصفهان

حمل اثاثیه منزل اصفهان

با این حال، انتظار این بود که حتی با وجود تلاش کامل این همکاری، رشد متقابل و پتانسیل هماهنگی آن، به دلیل زمان واکنش بسیار کوتاه، خط پایانی مرگبارها همیشه حدود 30 درصد باقی بماند. همه شرکا از این واقعیت آگاه بودند که دو سؤال اصلی در مورد همکاری با پتانسیل نزدیک‌تر کردن شاخص عملکرد کلیدی در موارد مرگ به این نتیجه و بحث در مورد چگونگی تقسیم سود بین شرکا به روشی منصفانه تشکیل شده است. . این قضاوت در مورد مسائل کلیدی منجر به توسعه pool.tour، DSS ما شده است که از برنامه ریزی مشارکتی و همچنین ارتباطات در این محیط بسیار حساس به زمان پشتیبانی می کند.اجازه دهید P مجموعه ای از شرکا در شبکه باشد. هر شریک p∈P در یک دپوی خاص قرار دارد و مجموعه ای از وسایل نقلیه Vp را اداره می کند. هر خودرو v به یک کلاس خودرو اختصاص داده می شود. فرض کنید VC مجموعه ای از کلاس های خودرو و vcv کلاس خودروهای خودرو vc باشد. همه وسایل نقلیه در یک کلاس خودرو vc ∈VC دارای قابلیت های فیزیکی و فنی حمل و نقل مشترک هستند، به عنوان مثال ظرفیت Qvc، سرعت متوسط، نرخ هزینه برای مسافت و زمان و غیره. فرض بر این است که مجموعه کلاس‌های خودرو تا حدی با این مفهوم مرتب شده‌اند که یک وسیله نقلیه از یک کلاس «بزرگ‌تر» همیشه می‌تواند سفارش‌هایی را که به کلاس خودروی «کوچک‌تر» نیاز دارند، منتقل کند. هر شریک p∈P مجموعه ای از دستورات را به دست آورده است. در اینجا، هر سفارش o بر اساس موقعیت پیکاپ po، محل تحویل آن، capo مورد نیاز ظرفیت و یک پنجره زمانی [eo, lo] تعریف می‌شود که به ترتیب اولین زمان تحویل و آخرین زمان تحویل را مشخص می‌کند. از ظرفیت مورد نیاز، می توان حداقل کلاس خودروی مورد نیاز برای سفارش را vco تعیین کرد. برای هر کلاس خودرو vc ∈VC دو نرخ اعمال می شود: pricevc قیمت حمل و نقل در هر کیلومتر برای مشتری و compCostvc نرخ هزینه داخلی به ازای هر کیلومتر استفاده شده برای جبران خسارت. برای دو مکان x و y بگذارید l(x,y) فاصله آنها را نشان دهد. سپس rev (p, o) که شریک p از مشتری خود پس از ارائه سفارش o به دست می آورد، به صورت زیر محاسبه می شود:بنابراین، برای تحویل گرفتن سفارش (قبل از حمل و نقل) فقط مسافت بیش از فیکس شارژ می شود. توجه داشته باشید که هر وسیله نقلیه می تواند بیش از یک سفارش را در یک زمان حمل کند، تا زمانی که از ظرفیت کل فراتر نرود، و وظیفه سیستم های دیسپاچینگ همکاران است که سفارشات را به تورها ترکیب کنند.اجازه دهید ابتدا حالت غیرهمکاری را فرض کنیم، یعنی مورد خاص فقط یک شریک p. این مشکل ترکیب سفارش‌ها با تورها به‌عنوان مشکل مسیریابی وسیله نقلیه تحویلی و تحویل با زمان ویندوز (PDVRPTW) ابداع شده است و در ادبیات تحقیقات عملیاتی به خوبی مطالعه شده است. به عنوان یک نوع به اصطلاح غنی از مسئله کلاسیک مسیریابی خودرو، NP-complete است و بنابراین تنها روش‌های اکتشافی برای حل نمونه‌های مسئله با اندازه عملی قابل استفاده هستند. الگوریتم های اکتشافی کارآمد توسط Ref ارائه شده است. [14] و رفر. [5]. اکنون، یک راه حل برای یک مشکل مسیریابی وسیله نقلیه، که به آن زمان‌بندی نیز می‌گویند، شامل تقسیم‌بندی سفارش‌ها به دسته‌ها/تورهایی است که به خودروها اختصاص داده می‌شوند و سفارشات/مسیریابی سفارش‌ها

حمل اثاثیه منزل اصفهان حمل اثاثیه منزل بین شهری

حمل اثاثیه منزل اصفهان

حمل اثاثیه منزل اصفهان

27.10.1400

ابتدا الگوریتم را با مقادیر بهترین کران بالا (UB) و کران پایین (LB) و پارامترهای الگوریتمی ε و Maxitr با مقادیر خاص همانطور که در خط 1 نشان داده شده است، مقداردهی اولیه می کنیم. سپس، یک BMP اولیه را بدون هیچ برش Benders حل می کنیم (BendersCutSet = ∅ ). سپس، حلقه تکرار اصلی (while) شروع می شود که در آن ابتدا DBSP را حل می کنیم، UB را در صورت لزوم به روز می کنیم، برش های Benders را با استفاده از راه حل آن ایجاد می کنیم و BMP را برای مقادیر جدید کران پایین و متغیرهای عدد صحیح حل می کنیم. پس از خاتمه، کران بالا و محلول مربوطه برگردانده می شود. برای آزمایش کارایی از نظر زمان حل و کیفیت روش حل خود، ما مسائل تولید شده به طور تصادفی و همچنین داده هایی را که دارای ویژگی های توزیع تقاضا هستند که کاربردهای واقعی را منعکس می کنند، حل می کنیم. تمام مطالعات محاسباتی روی دستگاهی با پردازنده مرکزی پنتیوم کور 2 چهار 3.0 گیگاهرتزی با 8 گیگابایت رم انجام شد. الگوریتم‌ها با استفاده از C++ با استفاده از STL (کتابخانه الگوی استاندارد) و Concert Technology 2.0 با CPLEX 9.0 که برای حل BMP و DBSP کاهش یافته استفاده می‌کنیم، پیاده‌سازی شدند.محموله های تلفیقی خط خطوط عمدتاً بین مناطق جغرافیایی بزرگ انجام می شود. به عنوان مثال، محموله ها بین مناطق شرقی و غربی قاره ایالات متحده یا بین بخش های شمالی و جنوبی شرق (یا غرب یا مرکزی) ایالات متحده. برای نشان دادن چنین جغرافیای زیربنایی در نمونه‌های مسئله‌ای که به‌طور تصادفی تولید می‌شوند، دو مربع یکسان به اندازه 50 ایجاد می‌کنیم که با فاصله ثابت A به صورت افقی از هم جدا شده‌اند. مربع سمت چپ فقط از گره های مبدا و مربع سمت راست فقط از گره های مقصد تشکیل شده است. ما تعداد مساوی 500 مختصات نقطه توزیع شده یکنواخت را در هر یک از مربع ها تولید می کنیم که مبدا فیزیکی بالقوه و گره های مقصد را نشان می دهد. ما همچنین M گره های متمایز را از این مجموعه نقاط در هر مربع انتخاب می کنیم تا مکان های مرکز بالقوه باشند و تمام فواصل را با استفاده از مختصات نقطه به طور تصادفی تولید شده و هنجار اقلیدسی محاسبه می کنیم. سپس، به طور تصادفی N جفت متمایز را از گره‌های مبدأ فیزیکی و مقصد بالقوه برای تعیین N کالا انتخاب می‌کنیم. متذکر می شویم که این روش روش تولید شبکه مشابه است

حمل اثاثیه منزل نقل و انتقالات شهری

حمل اثاثیه منزل

حمل اثاثیه منزل

26.10.1400

در نتیجه، هدف ما به حداقل رساندن هزینه طراحی کلی است که شامل هزینه‌های حمل و نقل نوع LTL و TL و هزینه‌های مکان/انتخاب مرکز است. از آنجایی که محموله‌های مبدأ به مرکز تثبیت و تحکیم‌زدایی از مرکز به مقصد شامل بارهای کوچک‌تری (کالاهای جداگانه) است، منطقی است که فرض کنیم این محموله‌ها در حالت LTL (کمتر از بار کامیون) هستند که معمولاً یک ارزش دلاری ثابت به ازای هر وزن به ازای هر مایل محموله در محاسبه هزینه های حمل و نقل استفاده می شود. از سوی دیگر، از آنجایی که انتقال خط (تجمیع به عدم تحکیم) شامل محموله‌های کامل کامیون است، ما یک حالت حمل و نقل TL را برای این جزء در نظر می‌گیریم و هزینه‌های مربوطه را با استفاده از هزینه‌های حمل و نقل در هر مایل برای ارسال TL محاسبه می‌کنیم. ما فرض می‌کنیم که کالاهایی با بارهای زیاد و/یا کالاهایی که گره‌های مبدا و مقصد آنها در مجاورت نزدیک هستند، می‌توانند مستقیماً بدون تلاش برای ادغام ارسال شوند.تا آنجا که ما می دانیم، مشکلی که در این مطالعه مطرح می کنیم در ادبیات قبلی مورد توجه قرار نگرفته است، با این حال، مناطق مکان هاب (HL) و همچنین طراحی شبکه شارژ ثابت (FCND) ارتباط نزدیکی با هم دارند. مشکلات HL مربوط به مکان یابی هاب ها و تخصیص گره های یک شبکه فیزیکی به این هاب ها است تا هزینه کل مکان های هاب ثابت و حمل و نقل از طریق شبکه به حداقل برسد. صرفه جویی در مقیاس برای نقل و انتقالات بین هاب، انگیزه ای را برای مکان یابی هاب ها فراهم می کند. فرمول‌بندی‌های جایگزین و مطالعات الگوریتمی برای حالت ظرفیت‌دار (که در آن هاب محدودیت ظرفیت برای جریانی دارد که می‌تواند تحمل کند) در [8،12، 18،20] و، برای مورد بدون ظرفیت، در [1،2،10] یافت می‌شود. ، 11]. یک بررسی عالی از مشکلات HL را می توان در [9] یافت.چندین تفاوت، که بر تعمیم‌هایی که ما به آن اشاره می‌کنیم نیز تأکید می‌کند، بین مشکلات HL و مطالعه ما را می‌توان به شرح زیر بیان کرد. اول، ما تصمیمات مسیریابی مبتنی بر کالا را در نظر می گیریم، که در مشکلات مکان یابی هاب صدق نمی کند. به طور خاص تر، ما علاقه مندیم که کالاها را به مراکز تجمیع و تجمیع تخصیص دهیم، برخلاف مشکلات HL که در آن انتساب یک گره به یک هاب به طور ضمنی تخصیص کالاهای مقصد و مبدا از آن گره خاص به آن هاب را تعیین می کند.

حمل اثاثیه منزل حمل کالا در اصفهان

حمل اثاثیه منزل

حمل اثاثیه منزل

25.10.1400

چالش دوم توسط رویکردهایی برای یافتن خودکار نوع مناسب اکتشافی (متا) و پارامترها، از جمله کالیبراسیون خودکار، برای یک مشکل تصمیم گیری DELS داده شده است. حتی سوالاتی که در نگاه اول ساده به نظر می رسند، مانند پارامترهای مناسب در یک قانون توزیع ترکیبی، نیازمند ابزارهایی از یادگیری ماشین، آمار یا بهینه سازی هستند. شبکه‌های عصبی و درخت‌های تصمیم‌گیری استقرایی در Mo¨nch و همکاران استفاده شده‌اند.[68] برای مقابله با این مشکل، در حالی که دباس و فاولر [69] از شبیه سازی و آزمایشات طراحی شده برای ایجاد یک مدل سطح پاسخ از سیستم پایه و فرآیند ویفر فاب استفاده می کنند. سپس از تکنیک های بهینه سازی برای انتخاب وزنه های مناسب در قانون توزیع ترکیبی استفاده می شود. پیکارد و همکاران [95] از یک مدل شبیه سازی یک ویفر فاب برای ارزیابی عملکرد استفاده می کند قوانین اعزام برنامه نویسی ژنتیکی برای یافتن قوانین ارسال جدید استفاده می شود. با این حال، به نظر می‌رسد که کاربرد گسترده شبیه‌سازی‌های آفلاین مورد نیاز برای ارزیابی عملکرد، ایجاد یک متامدل، یا تعیین داده‌های آموزشی، مانع از پذیرش گسترده این روش‌ها در کاربردهای دنیای واقعی می‌شود.هنوز نیاز به طراحی الگوریتم های برنامه ریزی و کنترل سلسله مراتبی توزیع شده برای DELS وجود دارد (ر.ک. [16]). فقدان دانش در مورد نحوه پیاده سازی چنین الگوریتم هایی از نقطه نظر فناوری نرم افزار وجود دارد. به نظر می رسد که عامل های نرم افزاری و سیستم های چند عاملی مربوطه مناسب باشند. با این حال، برای ارزیابی نهایی این پیشنهاد، به مثال‌ها و مطالعات موردی بیشتری نیاز است.هنوز یافتن رویکردها و روش‌های خاص برای توصیف قابلیت‌های رویکردهای راه‌حل به منظور انتخاب روش‌های پشتیبانی تصمیم مناسب برای یک موقعیت معین، دشوار است. در گذشته اغلب از سیستم های مبتنی بر دانش برای کمک به تصمیم گیرنده با الگوریتم مناسب استفاده می شد. به نظر می رسد که چنین پایه های روشی که با استفاده از فناوری پایگاه داده توسعه یافته اند (ر.ک. [91]) تمایلی به موفقیت ندارند. با این حال، زمانی که یک روش راه‌حل مناسب برای یک مشکل برنامه‌ریزی یا کنترلی انتخاب می‌شود، به وضوح مطلوب است که راهنمایی داشته باشیم.

حمل اثاثیه منزل حمل بار در اصفهان

حمل اثاثیه منزل

حمل اثاثیه منزل

با این حال، ادغام مدل‌های شبیه‌سازی برای پردازش کار با مدل‌های شبیه‌سازی برای جابجایی خودکار مواد همچنان چالش برانگیز است. رویکردهایی در ادبیات وجود دارد که به مدل‌سازی کل شبکه‌های زنجیره تأمین می‌پردازد (در میان دیگران، [20-23] را رجوع کنید). پارادایم های مختلف شبیه سازی که برای شبیه سازی کل زنجیره تامین مناسب هستند توسط کلیجن [24] توضیح داده شده است. پارادایم های مورد بحث شامل شبیه سازی رویداد گسسته و دینامیک سیستم (SD) است. با این حال، مطالعات توصیف شده در ادبیات معمولاً تنها یک عصاره، یعنی اغلب بخش بسیار کوچکی از زنجیره تامین واقعی را در نظر می گیرند. بنابراین، ساخت مدل‌های شبیه‌سازی شبکه تامین در سطوح مختلف انتزاع سطوح مختلف جزئیات از یک توصیف داده‌های رایج بسیار چالش برانگیز است. این مرحله مدل‌سازی باید شامل رفتار تصادفی و/یا وابسته به زمان برای چندین ذینفع باشد. توانایی ایجاد چنین مدل هایی برای دستیابی به یکپارچگی افقی ضروری است از مدل های فرعی مختلف ادغام در جریان مواد از تامین کننده اولیه تا مشتری نهایی، از جمله بازیافت حلقه بسته، می تواند با انجام این کار به دست آید. یک رویکرد جالب برای ترکیب SD و شبیه‌سازی رویداد گسسته برای مدل‌سازی زنجیره‌های تامین توسط Venkateswaran و همکاران ارائه شده است. اغلب از نقطه نظر محاسباتی نیاز است که با مدل های شبیه سازی تجمیع شده یا کاهش یافته سروکار داشته باشیم. چنین مدل هایی اغلب برای پاسخ به سوالات استراتژیک بیشتر در نظر گرفته شده اند. آنها باید از داده های عملیاتی موجود استخراج شوند. قابلیت کاهش مدل برای دستیابی به یکپارچگی عمودی مدل ها، یعنی ادغام از سطح تصمیم استراتژیک تا سطح عملیاتی زمان واقعی، ضروری است.اهمیت مدل سازی دقیق در زمینه شبیه سازی زنجیره تامین توسط جین و همکاران مورد بحث قرار گرفته است. [26]. یک رویکرد جالب برای یک نمایش فشرده از کل فاب ویفر با استفاده از زمان چرخه تجربی و توزیع‌های توان عملیاتی توسط Duarte و همکاران ارائه شده است. [27]. با این حال، گسترش این رویکرد به شبکه‌های گره‌ها تاکنون در دسترس نیست. برخلاف وضعیت فاب های تک ویفر، مدل های مرجع برای کل شبکه های تامین در تولید نیمه هادی موجود نیست، اگرچه نیاز آنها شناخته شده است.

حمل اثاثیه منزل اسباب کشی منزل در اصفهان

حمل اثاثیه منزل

حمل اثاثیه منزل

با این حال، در این وضعیت، زیرسیستم های مختلف که مطابقت دارند

spond به گره های مختلف شبکه معمولا توزیع می شود.

بعداً از تجزیه حاصل از شبکه ها استفاده خواهیم کرد

شناسایی چالش ها

زیرا سیستم های کاربردی بخش های کاملاً خودکار هستند

سیستم اطلاعاتی را می توان تطبیقی در نظر گرفت

سیستم های. اگر برنامه ریزی و کنترل داشته باشد، یک سیستم تطبیقی نامیده می شود

دستورالعمل ها به طور خودکار تولید می شوند، یعنی بدون تغییر

تصمیم گیرندگان انسانی (برای بحث در مورد انطباق، به [14] مراجعه کنید

سیستم‌ها در چارچوب سیستم‌های کنترل بازخورد). این است

مهم است که سیستم های تطبیقی مدل های داخلی را حفظ کنند

سیستم و فرآیند پایه برای انطباق با محیط. چنین مدل هایی

برای استخراج مدل های تصمیم گیری ضروری است. این مدل ها معمولا

مدل های محاسباتی (ر.ک. [15]). هر سیستم کاربردی برای

برنامه ریزی یا کنترل از دو جزء تشکیل شده است. فعال وجود دارد

جزء که برای استخراج دستورالعمل های برنامه ریزی یا کنترل استفاده می شود،

و یک جزء منفعل وجود دارد که زیربنا را نشان می دهد

سیستم و فرآیند پایه

در مرحله بعد، به طور خلاصه در مورد چگونگی تعامل سیستم های مختلف بحث می کنیم

در یک سیستم سلسله مراتبی توزیع شده به گفته Schneeweiss

[16]، تصمیم گیری ارائه شده توسط یک برنامه ریزی و

سیستم کنترل را می توان با استفاده از یک مدل تصمیم رسمی کرد

Mt :¼ ðC; آ؛ آن Þ;

که در آن C را به عنوان ساختار ترجیحی (معیار)، A را به عنوان تصمیم نشان می دهیم

فیلد (فضای عمل)، آن را به عنوان وضعیت اطلاعات در زمان t، که در آن

تصمیم گرفته می شود.

ساختار ترجیحی با تک یا چندتایی داده می شود

اهداف نهاد تصمیم گیرنده، در حالی که تصمیم

فیلد مجموعه ای از اقدامات امکان پذیر را با توجه به

محدودیت هایی که باید برآورده شوند فیلد تصمیم به طور ضمنی توسط

مجموعه ای از محدودیت ها در نهایت، وضعیت اطلاعات یک تصمیم

موجودیت سازنده توسط اطلاعات داخلی و داخلی خود ارائه می شود

وضعیت خارجی [16]. علاوه بر این، حاوی اطلاعاتی در مورد

وضعیت داخلی و خارجی سایر تصمیم گیری ها

موجودیت ها و همچنین اطلاعاتی در مورد وضعیت اطلاعاتی دیگر

نهادهای تصمیم گیرنده، اگرچه این اطلاعات ممکن است بیشتر باشد

جمع آوری شده و کمتر از اطلاعات مربوط به آن قابل اعتماد است