European Journal of Service Management

Previously: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Service Management

ISSN: 2450-8535     eISSN: 2451-2729    OAI    DOI: 10.18276/ejsm.2018.27/2-29
CC BY-SA   Open Access 

Issue archive / Vol. 27/2, 3/2018
Artificial neural network for optimization of the dynamic linear model of production

Authors: Anna Landowska
Faculty of Management and Economics of Services, University of Szczecin
Keywords: quality management production management artificial neural network optimization dynamic linear model
Data publikacji całości:2018-12-31
Page range:7 (237-243)
Klasyfikacja JEL: C45 C61 D24 E23
Cited-by (Crossref) ?:

Abstract

The article presents the usage of artificial neural network for optimization of the dynamic models of plants production. This approach for optimization is part of the production and quality management where it is very important to obtain a high-quality product. For production management many different models can be used. In the paper the differences between the staged production models were described. Also the characteristics of artificial neural network used to find solutions of the staged models were presented. Each dynamic model of plant production takes into account the crop rotation. The crop rotation is necessary to keep the soil in good condition and to obtain higher crops.
Download file

Article file

Bibliography

1.Bellman, R.E. (1957). Dynamic programming. New Jersey: Princeton University Press.
2.Bellman, R.E. (2003). Dynamic programming. Mineola, New York: Dover Publications.
3.Cacho, O., Hean, R. (2004). Dynamic optimization for evaluating externalities in agroforestry systems: An example from Australia. In: Valuing Agroforestry Systems. Advances in Agroforestry, vol. 2 (pp. 19–163). New York: Springer, Dordrecht.
4.Hartman, R. (1976). The harvesting decision when a standing forest has value. Economic Inquiry, 14, 52–58.
5.Kennedy, J.O.S. (1986). Dynamic programming: applications to agriculture and natural resources. London: Elsevier Applied Science.
6.Kopeć, M. (2004). Standardowe zadanie programowania liniowego a sieć neuronowa. In: T. Trzaskalik (ed.), Metody i zastosowania badań operacyjnych ’04 (pp. 193–209). Katowice: Akademia Ekonomiczna.
7.Landowska, A. (2017). Zastosowanie klasycznego algorytmu genetycznego do rozwiązywania dynamicznych modeli produkcji. Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica, 337 (88) 3, 5–12.
8.Landowska, A., Landowski, M. (2012). Zastosowanie wybranych modeli optymalizacji dynamicznej struktury produkcji roślinnej w przeciętnym gospodarstwie rolnym. Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica, 297 (68), 47–54.
9.Leinonen, I. (1996). A Simulation Model for the Annual Frost Hardiness and Freeze Damage of Scots Pine. Annals of Botany, 78, 687–693.
10.Li, B.H., Yang, J.R., Dong, X.L., Li, B.D., Xu, X.M. (2007). A dynamic model forecasting infection of pear leaves by conidia of Venturia nashicola and its evaluation in unsprayed orchards. European Journal of Plant Pathology, 118 (3), 227–238.
11.Rutkowski, L. (2005). Metody i techniki sztucznej inteligencji. Warszawa: Wydawnictwo Naukowe PWN.
12.Więckowski, W. (1982). Optymalizacja plonu produkcji przedsiębiorstwa rolnego przy użyciu rozwiązań standardowych. Warszawa: PWN.
13.Zaród, J. (2004). Rozwiązania prymalne i dualne liniowych modeli gospodarstw rolnych województwa zachodniopomorskiego. In: T. Trzaskalik (ed.), Metody i zastosowania badań operacyjnych ’04 (pp. 405–415). Katowice: Akademia Ekonomiczna.
14.Zaród, J. (2008). Programowanie liniowo-dynamiczne jako narzędzie analizujące zmiany w funkcjonowaniu gospodarstw rolnych. Łódź: Wydawnictwo Uniwersytetu Łódzkiego.
15.Zaród, J. (2010). Zastosowanie modeli programowania stochastycznego do optymalizacji struktury produkcji w gospodarstwach rolnych o różnej powierzchni. Inżynieria Rolnicza, 7 (125), 261–267.