Technological Design of Car Service Stations using Genetic Algorithms

Cover Page

Cite item

Full Text

Abstract

The study describes the use of evolutionary methods or genetic algorithms for the technological design of newly constructed or modernized car service stations. Genetic algorithms are one of the types of machine learning models and are actively used to solve multifactor optimization problems. A task of this type is to search for the technical parameters of a car service enterprise under which the economic indicators of its activities will correspond to the profit or capital cost restrictions set by the user. The paper presents the parameters of the developed model, fitness functions, and also provides an assessment of the effectiveness of using the method of genetic algorithms relative to the method of simply enumerating different options for combinations of initial factors.

Purpose. Increasing the efficiency of management of road transport enterprises by using the method of genetic algorithms for strategic planning tasks.

Methodology. The research uses the method of genetic algorithms to solve a multi-criteria reverse optimization problem in the technological design of a car service station

Results. The use of the method of genetic algorithms for the design of service stations and enterprises for the maintenance and repair of vehicles is justified, taking into account the restrictions or targets established at the beginning of the design.

Practical implications. The results of the research can be used by the management of enterprises for the maintenance and repair of vehicles in their technological design, strategic planning of activities and modernization.

About the authors

Nikolay S. Zakharov

Industrial University of Tyumen

Email: zakharovns@tyuiu.ru

Head of the Department of Car Service and Technological Machines, Doctor of Technical Sciences, Professor

Russian Federation, 38, Volodarsky Str., Tyumen, 625000, Russian Federation

Evgeniy S. Kozin

Industrial University of Tyumen

Author for correspondence.
Email: kozines@tyuiu.ru

Associate Professor of the Department of Car Service and Technological Machines, Candidate of Technical Sciences, Associate Professor

Russian Federation, 38, Volodarsky Str., Tyumen, 625000, Russian Federation

References

  1. Karagodin V.I. Effekt ot ucheta vzaimosvyazi proizvodstvennykh uchastkov pri proektirovanii stantsii tekhnicheskogo obsluzhivaniya avtomobiley [The effect of taking into account the relationship of production areas when designing a car service station]. Avtotransportnoe predpriyatie, 2015, no. 2, pp. 21-24.
  2. Kozin E.S. Sistema podderzhki prinyatiya resheniy po upravleniyu stantsiey tekhnicheskogo obsluzhivaniya avtomobiley [Decision support system for car service station management]. Transport Urala, 2022, no. 3 (74), pp. 73-77.
  3. Lyalin, K.V. Tekhnologicheskiy raschet i planirovka stantsiy tekhnicheskogo obsluzhivaniya avtomobiley: uchebnoe posobie [Technological calculation and planning of car service stations]. Ekaterinburg: RGPPU, 2019, 124 p.
  4. Sokolova, A.V. Obosnovanie moshchnosti dorozhnoy stantsii tekhnicheskogo obsluzhivaniya avtomobiley [Justification of the capacity of a road vehicle maintenance station]. Transport. Transportnye sooruzheniya. Ekologiya, 2020, no. 4, pp. 5-14.
  5. Adomavicius G. et al. Workshop on Context-Aware Recommender Systems 2023. Proceedings of the 17th ACM Conference on Recommender Systems, 2023, pp. 1234-1236. https://doi.org/10.1609/aimag.v32i3.2364
  6. Antuori V. et al. Combining Monte Carlo tree search and depth first search methods for a car manufacturing workshop scheduling problem. International Conference on Principles and Practice of Constraint Programming, 2021. https://doi.org/10.4230/LIPIcs.CP.2021.14
  7. Baturu C. et al. Brute force algorithm implementation of dictionary search. Jurnal Info Sains: Informatika dan Sains, 2020, vol. 10, no. 1, pp. 24-30. http://ejournal.seaninstitute.or.id/index.php/InfoSains
  8. Chan T. C. Y., Mahmood R., Zhu I. Y. Inverse optimization: Theory and applications. Operations Research, 2023. https://arxiv.org/abs/2109.03920
  9. Fayziyev P. R. et al. Organization of technological processes for maintenance and repair of electric vehicles. International Journal of Advance Scientific Research, 2022, vol. 2, no. 03, pp. 37-41. https://doi.org/10.37547/ijasr-02-03-06
  10. Fu C. et al. A two-stage robust approach to integrated station location and rebalancing vehicle service design in bike-sharing systems. European Journal of Operational Research, 2022, vol. 298, no. 3, pp. 915-938. https://doi.org/10.1016/j.ejor.2021.06.014
  11. Gössling S., Kees J., Litman T. The lifetime cost of driving a car. Ecological Economics, 2022, vol. 194, pp. 107335. https://doi.org/10.1016/j.ecolecon.2021.107335
  12. Hong J., Kim B., Oh S. The relationship benefits of auto maintenance and repair service: A case study of Korea. Behavioral Sciences, 2020, vol. 10, no. 7, pp. 115. https://doi.org/10.3390/bs10070115
  13. Ikromov I. A., Abduraximov A. A., Fayzullayev H. Experience and prospects for the development of car service in the field of car maintenance. ISJ Theoretical & Applied Science, 2021, vol. 11, no. 103, pp. 344-346. https://doi.org/10.15863/TAS.2021.11.103.25
  14. Jain N. K., Singh A. K., Kaushik K. Evaluating service quality in automobile maintenance and repair industry. Asia Pacific Journal of Marketing and Logistics, 2020, vol. 32, no. 1, pp. 117-134. https://doi.org/10.1108/APJML-07-2018-0277
  15. Katoch S., Chauhan S. S., Kumar V. A review on genetic algorithm: past, present, and future. Multimedia tools and applications, 2021, vol. 80, pp. 8091-8126. https://doi.org/10.1007/s11042-020-10139-6
  16. Lambora A., Gupta K., Chopra K. Genetic algorithm-A literature review. 2019 international conference on machine learning, big data, cloud and parallel computing (COMITCon). IEEE, 2019, pp. 380-384. https://doi.org/10.1109/COMITCon.2019.8862255
  17. Liu P., Wang G., Su P. Optimal maintenance strategies for warranty products with limited repair time and limited repair number. Reliability Engineering & System Safety, 2021, vol. 210, pp. 107554. https://doi.org/10.1016/j.ress.2021.107554
  18. Papadimitriou D., Li J. Constraint Inference in Control Tasks from Expert Demonstrations via Inverse Optimization. 2023 62nd IEEE Conference on Decision and Control (CDC). IEEE, 2023, pp. 1762-1769. https://arxiv.org/abs/2304.03367
  19. Turoń K., Kubik A. Economic aspects of driving various types of vehicles in intelligent urban transport systems, including car-sharing services and autonomous vehicles. Applied Sciences, 2020, vol. 10, no. 16, pp. 5580. https://doi.org/10.3390/app10165580
  20. Wang Z. Z., Sobey A. A comparative review between Genetic Algorithm use in composite optimisation and the state-of-the-art in evolutionary computation. Composite Structures, 2020, vol. 233, pp. 11173. https://doi.org/10.1016/j.compstruct.2019.111739
  21. Wuttikun K. et al. Service Station Modelling Through Enterprise Architecture: Business Intelligence and Customer Engagement of Top Service Stations in Thailand. 2021 5th National Conference on Advances in Enterprise Architecture (NCAEA). 2021. https://doi.org/10.1109/NCAEA54556.2021.9690506

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Zakharov N.S., Kozin E.S.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».