مقالات کنفرانس بين المللي انجمن ايراني تحقيق در عمليات

در بيشتر مواقع به علت بزرگ بودن ابعاد مساله دنياي واقعي ديگر قادر به استفاده از روشهاي مرسوم حل مسايل بهينه سازي نيستيم. در اين مقاله براي حل مسايل برنامه ريزي درجه دوم (QP) و مکمل خطي (LCP) با استفاده از شبکه هاي عصبي (مدل اکسيا) مراحلي پيشنهاد شده و ثابت مي شود که در صورت وجود جواب QP و ياLCP، شبکه عصبي پيشنهادي در زمان واقعي به مفهوم همگرايي موضعي و لياپانوفي همگرا و پايدار است.

مدل ريسک و بازده مارکويتز، که بعنوان يک پارادايم جديد در سرمايه گذاري در سال 1952 عرضه شد، معروف ترين و پرکاربردترين مدل براي انتخاب و بهينه سازي سبد داراييهاي مالي در 55 سال اخير بوده است. در ساده ترين حالت، اين مدل، يک مدل برنامه ريزي غيرخطي است که در آن تابع هدف، ترکيبي از ريسک و بازده سبد و تنها محدوديت آن، برابري جمع نسبتهاي سرمايه گذاري شده با کل سرمايه موجود مي باشد. با لحاظ کردن محدوديتهاي موجود در بازار واقعي، اين مدل پيچيده تر شده و تبديل به يک مدل برنامه ريزي غيرخطي عدد صحيح مي شود که با استفاده از روش هاي معمول در اين حوره قابل حل نيست. از اين رو، در تحقيقات چند دهه گذشته، علاوه بر توسعه و کاربردي کردن مدل مارکويتز، ارايه روش هاي کارا براي حل آن از اهميت ويژه اي برخوردار بوده است. تحقيقِ حاضر نيز در همين راستا انجام شده است.

شبکه قطب و اقمار به دليل کاهش هزينه عملياتي، ايجاد زمينه براي توسعه شبکه پروازي، نسبت به شبکه هاي مختلف، در حمل و نقل هوايي کاربرد گسترده اي دارد. يکي از اين زيرمساله هاي طراحي اين نوع شبکه ها، مکان يابي قطب ها است. در اين مقاله، مدل برنامه ريزي عدد صحيح مختلطي براي مکان يابي قطب ها تخصيص مسافران به پروازهاي مختلف ارايه شده است. در اين مدل، طراحي بهينه شبکه، با در نظر گرفتن هر دو حالت ارتباط مستقيم و ارتباط از طريق قطب ارايه مي شود. همچنين، مدل مذکور براي الگوي تقاضاي ايران با استفاده از نرم افزار  LINGO(روش انشعاب و تحديد) حل شده است

تبليغات مشارکتي، يک رابطه متقابل بين توليدکننده و خرده فروش است که خرده فروش تبليغات محلي را انجام مي دهد و توليدکننده قسمتي از هزينه تبليغات آنرا مي پردازد. در ادبيات بازاريابي و اقتصاد، عموما مدل هاي تبليغات مشارکتي در زنجيره تامين توليد کننده و خرده فروش روي رابطه اي که توليد کننده رهبر و خرده فروش پيرو است، تمرکز داشته است. به اين معني که توليد کننده قدرت بسيار زيادي دارد و اغلب کنترل کامل روي رفتار خرده فروش دارد. اما در ساختار دو دهه اخيربازار، جابجايي قدرتي از توليدکننده به خرده فروش مشاهده شده است، بطوريکه برخي خرده فروشان قدرتي معادل يا حتي بيشتر از توليد کننده ها پيدا کرده اند

مساله مکانيابي نقطه انتقال اخيرا معرفي شده است و با تابع هدف مينيماکس و بر روي صفحه فقط براي حالتي که نقاط تقاضا وزن دهي نشده اند و نيز مختصات آنها دقيقا معلوم است بررسي شده است. در اين مقاله ما حالتي را بررسي مي کنيم که نقاط تقاضا وزن دهي شده اند و نيز بطور يکنواخت در يک فاصله داده شده توزيع شده اند. مساله مورد نظر شامل يافتن محل بهينه نقطه انتقال است به گونه اي که ماکزيمم مسافت موزون مورد انتظار بين مرکز خدمت رساني و نقاط تقاضا از طريق نقطه انتقال مينيمم شود. بسته به مفروضات توزيع يکنواخت نقاط تقاضا، سه مدل مختلف ارايه شده، شرايط تحدب بررسي شده، ويژگي هاي آنها بدست آمده و روشهايي براي يافتن جواب بهينه آنها پيشنهاد شده است. در پايان مثالهايي از هر مدل براي فهم بيشتر مطالب آورده شده است

يکي از اتلافي که هنگام حمل و نقل قطعات پيش مي آيد فضايي خالي است که به علت کم حجم بودن بار و اينکه تامين کننده قادر به پر کردن کاميون نيست، حاصل مي شود. در واقع اغلب اوقات قطعات بارگيري شده نمي توانند تمام فضاي قابل بارگيري را پر نمايند. در اين حالت هرچند بار موجود به عنوان يک بار کامل تلقي مي شوند و هزينه حمل آن از سوي تامين کننده پرداخت مي شود اما هيچ ارزش افزوده اي براي آن ايجاد نمي کند. و در واقع تامين کننده هزينه اضافي است که مي پردازد و مشتري ارزشي براي آن قايل نيست. البته در اين حالت تامين کننده مي تواند منتظر بماند و قطعات را نزد خود نگه دارد تا يک بار کامل گردد اما اين عمل موجب کاهش امتياز عملکرد تحويل به موقع او نزد مشتري خواهد شد از طرف ديگر مشتري نيز مايل است تواتر تحويل قطعات افزايش يابد و تا حد امکان از انبارش قطعات پرهيز نمايد.
در چنين حالتي که هم منافع مشتري در ميان است و هم کاهش هزينه تامين کننده، مي توان از سيستم  Milk Runاستفاده کرد. سيستمي که در آن يک کاميون قطعات تامين کننده هاي مختلف را جمع آوري مي کند و در چندين سايت باراندازي مي کند.

در بسياري از کاربردهاي عملي مسايل ترابري، توابع هدف، غيرخطي و متمايز هستند. مساله حمل و نقل غير خطي (مکان يابي) چند هدفه، يک نمونه شناخته شده از مصاديق فوق است.
ديدگاه هاي برنامه ريزي آرماني و نيز برنامه ريزي فازي (با به کارگيري انواع توابع عضويت خطي و غير خطي)، دو رويکرد شناخته شده براي حل مساله مورد بحث مي باشند. در اين مقاله با تلفيق اين دو ديدگاه، و با استفاده از تابع عضويت هذلولوي، برنامه ريزي فازي- آرماني را براي حل مساله ياد شده پيشنهاد خواهيم کرد. در ادامه با ارايه يک قضيه، رابطه موجود ميان مدل هاي برنامه ريزي فازي و برنامه ريزي فازي- آرماني را بررسي مي کنيم.

هدف از طراحي شبکه فراهم آوردن امکان انتشار جريان روي مسيرهاي ايده آل است که اين مساله خود وابستگي تنگاتنگي با سياستهاي کنترلي شبکه دارد. از سوي ديگر سياستهاي کنترلي نيز بر اساس خطوط تمايل سفر و جريانهاي تخصيص يافته به آنها صورت مي پذيرد. لذا بهينه سازي همزمان اين دو پديده از اهميت ويژه اي برخوردار است. در اين مقاله ابتدا يک مدل تخصيص ترافيک جديد در محيط فازي ارايه مي شود و سپس با ترکيب آن با آلگوريتم جستجوي ممنوع، يک رويه عملي از خانواده آلگوريتمهاي بهينه سازي- شبيه سازي، براي بهينه سازي سيتمهاي کنترلي ارايه مي گردد. همچنين براي پايين آوردن زمان شبيه سازي از يک رگرسيون فازي به عنوان ابر مدل که نماينده اي از سيستم واقعي است، استفاده مي شود. اين ابرمدل به ما اجازه پياده سازي داده هاي نامطمئن را مي دهد. سپس از روش جستجوي ممنوع پارامترهاي کنترلي شبکه بهبود داده خواهد شد.

در شبکه هاي جريان تک کالايي، ظرفيت سيستم برابر ماکزيمم مقدار جريان ارسالي از منبع به مقصد تعريف مي شود، بديهي است که ظرفيت سيستم براي يک شبکه جريان قطعي، مقدار ثابتي است ولي براي يک شبکه جريان تصادفي (شبکه اي که در آن ظرفيت هر کمان، مقداري تصادفي است) متغيراست. از اين رو لازم است اعتمادپذيري سيستم محاسبه گردد. اين محاسبه از دو راه انجام مي شود؛ احتمال اينکه ظرفيت سيستم از D بزرگتر شود و يا از D کمتر شود که D يک بردار سطح ظرفيت معين مي باشد (لازم به ذکر است که در حالت تک کالايي، اين دو راه مکمل يکديگر مي باشند و در حالت P کالايي(P≥2) ، دو راه متفاوت مي باشند). دو راه مذکور به ترتيب برحسب مسيرهاي مينيمال و برشهاي مينيمال محاسبه مي شوند. در اين مقاله پس از معرفي تخصيص جريان، با استفاده از خواص برش هاي مينيمال الگوريتم کارايي براي محاسبه اعتمادپذيري سيستم در حالت کلي، با P نوع کالا، پيشنهاد مي گردد، به طور تجربي اين الگوريتم نسبت به روش ها و الگوريتم هاي مشابه که از برشهاي مينيمال استفاده نمي کنند، به مراتب بهتر است.

روشهاي معمول DEA به تصميم گيرنده (DM) کمک مي کند که بين واحدهاي تصميم گيري کارا و ناکارا در گروههاي متشابه تمايز قايل شود. DEA اطلاعات بيشتري در مورد واحدهاي تصميم گيري کارا فراهم نمي کند. براي حل اين مشکل روشهاي جديدي بر پايه مجموعه وزنهاي مشترک ارايه شدند، که با بدست آوردن وزنهاي مشترک، و بر اساس امتياز کارايي بدست آمده بر مبناي اين وزنها، واحدهاي تصميم گيري را مقايسه کرده و يک رتبه بندي بر مبناي کارايي گروهي ارايه مي کند. در اين مقاله روشي بر مبناي تکنيک آنتروپي براي يافتن وزنهاي مشترک ارايه مي شود. اين روش که براي اولين بار ارايه مي شود داراي قدرت تمايز زيادي است و واحدهاي تصميم گيري را بطور کامل رتبه بندي مي کند.

در ارزيابي عملکرد و سنجش مقايسه اي سازمانها و فعاليتهاي متفاوت، روش تحليل پوششي داده ها (DEA) روشها مي باشد. تحليل پوششي داده ها داراي مدلهاي متعددي مي باشد که بر حسب مورد استفاده ارايه گرديده اند. مدلهاي DEA اطلاعاتي در ارتباط با کاهش ورودي و يا افزايش خروجي براي آنکه يک واحد از حالت ناکارا به کارا تبديل شود، ارايه مي دهد. اما در جهان واقعيت، برخي عوامل، خارج از کنترل مديريت مي باشد. در اين مقاله ابتدا مدلهاي ارايه شده در DEA براي عوامل غير قابل کنترل مورد تجزيه و تحليل قرار مي گيرد و سپس مدلي ارايه مي شود که ضعفهاي شناخته شده مدلهاي قبلي را ندارد و سپس با استفاده از مثال عددي، مدل با مدلهاي قبلي مقايسه مي گردد و در بخش آخر نيز به رتبه بندي واحدهاي کارا در اين مدل مي پردازيم.

پيش بيني حوادث آينده، همواره از موضوعات مورد علاقه بشر بوده است، زيرا به او امکان تصميم گيري موثرتر در قبال رويدادهاي آتي را مي دهد و کمک مي کند تا کنترل بيشتري بر اوضاع داشته باشد. پيش بيني در دنياي مالي و اقتصادي نيز از اين قاعده مستثني نبوده و حايز اهميت فراوان مي باشد. مساله پيش بيني قيمت داراييهاي سرمايه اي به خصوص اوراق بهادار، پيش بيني نرخ بهره، پيش بيني درماندگي مالي شرکتها و غيره از جمله موارد با اهميت در اين حوزه مي باشند.
اما در علوم مالي نظريه هاي فراواني براي پيش بيني قيمت (بازده) دارايي هاي سرمايه اي مطرح شده است که برخي از آنها حتي پيش بيني پذير بودن سري هاي قيمت (بازده) را مورد ترديد قرار داده اند و اصولا ماهيتي تصادفي براي سري قيمت (بازده) متصور شده اند. بنابراين مطالعه پيش بيني پذير بودن سري قيمت (بازده) در درجه اول، از اهميت به سزايي برخوردار مي باشد. از اين رو در مقاله حاضر بر آن شديم تا پيش بيني پذير بودن سري قيمت (بازده) دارايي هاي سرمايه اي را با استفاده از به کار گيري دو ابزار شبکه هاي عصبي مصنوعي و شبيه سازي مونت کارلو و مقايسه نتايج حاصل از پيش بيني هاي اين دو روش، مورد بررسي قرار دهيم. همچنين سري زماني قيمت (بازده) پنج شرکت پذيرفته شده در بورس اوراق بهادار تهران که مشتمل بر شرکت هاي سايپا، پتروشيمي خارک، کالسيمين، پاکسان و سرمايه گذاري ملت مي باشد به عنوان مطالعه موردي براي انجام مقايسات انتخاب گرديده اند.

معيارهاي مورد بررسي در اين مقاله شامل هزينه ماشين آلات يا کارگاه، هزينه زودکرد و دير کرد سفارشات مي باشد. با توجه به چند معياره بودن تابع هدف، زمان حل مساله، بيش از ديگر مدلهاي مشابه در تک ماشين به طول مي انجامد. لذا براي اين مساله الگوريتم فرا ابتکاري شبيه سازي تبريد ارايه شده و زمان حل و کيفيت جواب آن با جوابهاي بدست آمده از نرم افزار Lingo8 مقايسه گرديده است.

در اين تحقيق توليد و هزينه بارگيري لودر ولوو 4500 ب- ام در دو روش بهره برداري مختلف (روش بهره برداري چوب کوتاه و چوب بلند) در جنگلهاي حوزه نکاء محاسبه شد. به منظور ارزيابي ميزان بازدهي سيستم بارگيري در دو روش فوق از زمان سنجي به روش زمانهاي پيوسته استفاده شد. زمان و توليد ساعتي بارگيري به عواملي از جمله حجم و تعداد گرده بينه ها در هر نوبت، مهارت راننده لودر، شرايط کاري و مشخصات ماشين وابسته است. بعد از شناسايي اجزا کار يک نوبت بارگيري تعداد 46 نوبت بارگيري به تريلي و کاميون زمان سنجي شد. مدل رياضي پيش بيني زمان بارگيري در هر دو روش به صورت تابعي ازمتغير حاصلضرب حجم در تعداد گرده بينه بدست آمد. احراز اعتبار مدلها نشان داد در فاصله اطمينان%95  از اعتبار آماري لازم برخوردار هستند. نتايج اين تحقيق نشان داد ميانگين توليد ساعتي در بارگيري لودر به تريلي و کاميون بدون احتساب زمانهاي تاخير به ترتيب 56.8 و 41.9 متر مکعب برساعت مي باشد. هزينه بارگيري به ازای هر متر مکعب در بارگيري لودر به تريلي و کاميون به ترتيب 4337 و 5880 ريال به متر مکعب مي باشد.