meta-heuristic algorithm
در نشریات گروه علوم انسانی-
اتخاذ سیاست های نرخ ارز مناسب در کشورهای در حال توسعه، همواره بحث برانگیز است. سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات نرخ ارز، درصدد یافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. حال آنکه ویژگی های سیاسی، اقتصادی نرخ ارز باعث رفتار پیچیده و غیرخطی آن شده و نشان از عملکرد بهتر این الگو ها در پیش بینی است. در این پژوهش با استفاده از الگوریتم های فراابتکاری الگوی بهینه نرخ ارز شبیه سازی شد. بدین منظور از 257 داده ماهانه نرخ ارز، نرخ تورم، قیمت نفتی سبد اوپک و نرخ سکه تمام بهار آزادی در بازه زمانی آذرماه 1379 لغایت اسفندماه 1400، استفاده گردید. ابتدا داده ها به دو دسته آموزش و آزمایش تقسیم شدند. هر یک از الگوریتم های فراابتکاری برای 24 ماه آینده از پارامترهای مربوط به هر الگوریتم اجرا شد. مقادیر ضرایب خطا، پس از رسیدن به ملاک توقف ثبت و نهایتا بهترین الگوریتم، بر اساس بیشترین همگرایی انتخاب شد. نتایج نشان داد الگوریتم ازدحام ذرات در تعداد و تکرار پایین همگرایی بسیار مطلوبی داشته و دارای عملکرد دقیق تری در پیش بینی نرخ ارز است. با توجه به این که الگوریتم های فراابتکاری قادر به بهینه سازی فرآیندهای مختلف مانند مدیریت زمان، منابع و تسهیل کردن برنامه ریزی روزانه هستند، پیشنهاد می شود سیاست گزاران از این الگوریتم جهت پیش بینی نرخ ارز استفاده کنند.کلید واژگان: پیش بینی، نرخ ارز، الگوریتم فراابتکاری، ایرانAdopting appropriate exchange rate policies in developing countries is always controversial. In order to prevent losses from changes in exchange rates, monetary policymakers have always sought to find a suitable method for forecasting exchange rates. However, the political and economic characteristics of the exchange rate have caused complex and nonlinear behavior, indicating the use of better models in forecasting. In this study, the optimal exchange rate model was simulated using metaheuristic algorithms. For this purpose, from 257 monthly data of exchange rate, inflation rate, OPEC basket oil price and gold coin price during the period from December 2000 to March 2021, the data were first divided into two groups of training and testing. Each of the metaheuristic algorithms was run for the next 24 months with the parameters related to each algorithm. In each run, the value of the error coefficients was selected after reaching the stop criterion and finally the best algorithm was selected based on the highest convergence. The results show that the particle swarm algorithm had very good convergence in low number and iteration and had a more accurate performance in forecasting the exchange rate. Given that metaheuristic algorithms are capable of optimizing various processes such as time management, resources, and facilitating daily planning, this study suggests that policymakers use this algorithm to predict the exchange rate before planning in sectors.Keywords: Unofficial Exchange Rate, Forecast, Meta-Heuristic Algorithm
-
The present study is aimed to Rating the loans granted to the real customers of Bank Melli Iran in accordance with the credit factors of the customers using the multi-objective meta-heuristic algorithm of genetics-adaptive neuro-fuzzy network system (GENETIC-ANFIS). This research is a qualitative-quantitative design and exploratory based on purpose in terms of purpose and descriptive in terms in terms of data collection and analysis method and survey. Qualitative data was collected via the research of Rezaei et al. (2022) and the decision making team of the banking field, and quantitative data was collected through 1178 real customers of Bank Melli of Mazandaran province during the years 2012 to 2021 based on 14 types of loans. According to the rating of granted loans, the risk of each loan was measured separately for 4 personal, environmental, economic and credit factors. In Mudharabah loans, Musyarakah, debt purchase, Istisna and salaf, the economic factor showed the highest sensitivity. Also, the behavior of the research meta-heuristic model has indicated 78% reliability in the accuracy and interpretability of the model compared to genetic algorithm, neural network, fuzzy logic and neural-fuzzy network models..
Keywords: Granting Loans, Meta-Heuristic Algorithm, Genetic Algorithm, Credit Risk -
مقدمه و اهداف
توسعه شهری و افزایش میزان حمل ونقل های برون شهری و درون شهری منجربه آن شده است تا هزینه های مرتبط با حمل ونقل به شدت افزایش یابد، این افزایش هزینه منجر به افزایش قیمت تمام شده محصولات نهایی و در نتیجه افزایش قیمت محصول می شود. همچنین تنها بعد اقتصادی مد نظر نبوده و افزایش حمل ونقل منجر به افزایش میزان انتشار گاز CO2 می شود. این موضوع منجر به طراحی مدل های مختلف حمل ونقل و مسیریابی وسیله نقلیه شده است که می توان به مسئله مکان یابی-مسیریابی وسیله نقلیه اشاره کرد. مسئله مکان یابی تسهیلات یک تصمیم استراتژیکی است، زیرا هزینه احداث و مکان یابی تسهیلات بسیار بالا می باشد. از سوی دیگر، تصمیمات مسیریابی مبتنی بر تصمیمات مکان یابی صورت می پذیرد و یک تصمیم میان مدت و کوتاه مدت به شمار می آید. در این مقاله، با توسعه یک مدل ریاضی از مکان یابی-مسیریابی وسیله نقلیه در شرایط عدم قطعیت و در نظر گرفتن قابلیت اطمینان، تلاش شده است تا بهینه سازی همزمان در توابع هدف پایداری با حفظ حداقل قابلیت اطمینان صورت پذیرد. اهداف پایداری در این مقاله شامل کمینه سازی هزینه های کل مسئله، کمینه سازی میزان انتشار CO2 و بیشینه سازی فرصت های شغلی بر اساس تصمیمات یکپارچه استراتژیکی و تاکتیکی است. مهم ترین موضوع پرداخته شده در این مقاله، تصمیم گیری در خصوص مسیریابی بهینه حمل ونقل با در نظر گرفتن پنجره زمانی و قابلیت اطمینان در مکان یابی تسهیلات بر اساس نرخ خرابی آن ها می باشد.
روش هابه دلیل غیر قطعی بودن پارامترهای مدل ریاضی، از انواع مختلف روش های برنامه ریزی فازی و استوار امکانی در فرموله کردن مدل استفاده شده است. از این رو 4 مدل مختلف برای کنترل عدم قطعیت پارامترهای تقاضا و هزینه های حمل ونقل استفاده و نتایج مدل با یکدیگر مقایسه شده است. همچنین برای حل مدل ریاضی چند هدفه از دو روش دقیق و الگوریتم فراابتکاری استفاده شده است. برای تجزیه و تحلیل مدل ریاضی در سایز کوچک و همچنین تحلیل حساسیت مدل از روش اپسیلون محدودیت تقویت شده و برای حل مثال های عددی در سایزهای بزرگتر از الگوریتم NSGA-II استفاده شده است. همچنین در این مقاله یک راه حل اولیه مبتنی بر اولویت بندی برای الگوریتم فرا ابتکاری استفاده شده است.
یافته هانتایج تحلیل ها نشان می دهد افزایش نرخ عدم قطعیت، اگرچه منجربه افزایش فرصت های شغلی شده است، هزینه های کل و میزان انتشار گازهای گلخانه را نیز افزایش داده است. همچنین، بررسی ها نشان می دهد روش RPP-III بالاترین هزینه استواری مدل را با کمترین انحراف معیار کسب کرده است. در تحلیل قابلیت اطمینان، این موضوع مشاهده گردید که هر چه نرخ خرابی تسهیلات بالاتر باشد، تعداد مراکز تولید و مراکز توزیع مکان یابی شده افزایش می یابد. این موضوع منجر به افزایش هزینه های کل، افزایش میزان انتشار CO2 و همچنین افزایش تعداد فرصت های شغلی شده است. با تجزیه و تحلیل 15 مثال عددی نیز مشاهده گردید که NSGA-II از کارایی بالایی در حل مدل ریاضی نسبت به اپسیلون محدودیت تقویت شده برخوردار است.
نتیجه گیرینتایج بدست آمده در این تحقیق، به مدیران در راستای اتخاذ تصمیمات استراتژیکی نظیر مکان یابی تسهیلات و تاکتیکی نظیر مسیریابی وسیله نقلیه کمک شایانی می نماید تا بتوانند در شرایط عدم قطعیت بازار تصمیمات مناسبی را اخذ کنند. با توجه به اینکه در این مدل، تصمیمات و مفروضات مختلف و نزدیک به دنیای واقعی لحاظ شده است، مدل ریاضی می تواند در صنایع پخش، مخصوصا کالاهای دارویی و الکترونیکی مورد استفاده قرار گیرد.
کلید واژگان: مکان یابی-مسیریابی، مسیریابی دوسطحی، عدم قطعیت، استوار امکانی، الگوریتم فراابتکاری، قابلیت اطمینانIntroduction and objectivesUrban development and the increase in intercity and intracity transportation have led to a significant rise in transportation costs. This rise in cost increases the final product price and consequently the product's market price. Additionally, the economic aspect is not the only concern; increased transportation results in higher CO2 emissions. These issues have driven the design of various transportation and vehicle routing models, including the vehicle location-routing problem. Facility location is a strategic decision due to the high costs associated with constructing and locating facilities. On the other hand, routing decisions depend on location decisions and are considered mid-term and short-term decisions.In this study, a mathematical model for vehicle location-routing under uncertainty conditions and considering reliability is developed to simultaneously optimize sustainability objective functions while maintaining minimum reliability levels. The sustainability objectives in this study include minimizing total costs, minimizing CO2 emissions, and maximizing job opportunities based on integrated strategic and tactical decisions. The primary focus of this paper is decision-making for optimal transportation routing, considering time windows and the reliability of facility location based on their failure rates.
MethodsGiven the uncertainty of the mathematical model parameters, various fuzzy and robust possibilistic programming methods were employed to formulate the model. Four different models were used to manage the uncertainty of demand parameters and transportation costs, and the results were compared. Additionally, two methods—an exact solution approach and a meta-heuristic algorithm—were employed to solve the multi-objective mathematical model. The enhanced epsilon constraint method was used to analyze small-scale mathematical models and conduct sensitivity analyses, while the NSGA-II algorithm was applied to solve larger-scale numerical examples. Furthermore, an initial solution based on prioritization was utilized for the meta-heuristic algorithm.
Results and discussionThe results indicate that although an increase in uncertainty rates leads to more job opportunities, it also raises total costs and greenhouse gas emissions. Additionally, the analysis reveals that the RPP-III method achieves the highest model robustness cost with the lowest standard deviation. In the reliability analysis, it was observed that higher facility failure rates result in an increased number of located production and distribution centers. This, in turn, leads to higher total costs, increased CO2 emissions, and more job opportunities. By analyzing 15 numerical examples, it was also found that NSGA-II is highly efficient in solving the mathematical model compared to the enhanced epsilon constraint method.
ConclusionThe findings of this research assist managers in making strategic decisions such as facility location and tactical decisions such as vehicle routing in the context of market uncertainty. Given that the model incorporates various realistic decisions and assumptions, the mathematical model can be effectively applied in distribution industries, particularly for pharmaceutical and electronic goods.
Keywords: Location-Routing, Two-Echelon Routing, Uncertainty, Robust Possibilistic, Meta-Heuristic Algorithm, Reliability -
توانایی پیش بینی قیمت در بازار های سرمایه همواره دارای موافقان و مخالفانی در طیف های گسترده بوده است. اما شواهد تجربی گویای آن است که قیمت در بازار های مالی تاحدی قابل پیش بینی است اما دستیابی به یک پیش بینی مناسب نیازمند آگاهی از الگوهای غیر خطی و توانایی پیش بینی حافظه بازار است. پژوهش حاضر پژوهشی کاربردی است که هدف از انجام آن مدلسازی و پیش بینی پیش بینی قیمت سهام در بازار سرمایه با استفاده از الگوریتم های غیر خطی است. برای دستیابی به این هدف از داده های شاخص کل قیمت سهام در دوره زمانی 1395 تا 1400 و بصورت ماهانه استفاده شده است. داده ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته های حاصله بیان گر آن است که الگوریتم مورچگان با به حداقل رساندن خطای پیش بینی توانایی بسیار خوبی برای مدلسازی و پیش بینی قیمت در بازار سرمایه دارد همچنین این الگوریتم در بازه شش ماهه در مقایسه با الگوریتم ژنتیک سرعت بیشتری در دستیابی به قیمت بهینه دارد.
کلید واژگان: الگوریتم فراابتکاری، مدلسازی، داده کاوی، بازده سهام، طول پنجره بهینهThe ability to predict prices in the capital markets has always had supporters and opponents in wide ranges. But the empirical evidence shows that the price in the financial markets is somewhat predictable, but achieving a proper forecast requires knowledge of non-linear patterns and the ability to predict the market's memory. The current research is an applied research, the purpose of which is to model and predict stock price predictions in the capital market using non-linear algorithms. To achieve this goal, the total stock price index data has been used in the period of 2016 to 2021 and on a monthly basis. The data have been reviewed after collection using the smoothing method for holidays, and in order to increase the accuracy of the models, the optimal window length of each algorithm has been calculated. The findings show that the ant algorithm has a very good ability to model and predict the price in the capital market by minimizing the prediction error. Also, this algorithm is faster in achieving the optimal price in a six-month period compared to the genetic algorithm.
Keywords: Keywords, Meta-Heuristic Algorithm, Modeling, Data Mining, Stock Returns, Optimal Window Length -
The existence of bubbles in the market, especially the capital market, can be a factor in preventing the participation of investors in the capital market process and the correct allocation of financial resources for the economic development of the country. On the other hand, due to the goal of investors in achieving a portfolio of high returns with the least amount of risk, the need to pay attention to these markets increases. In this research, with the aim of maximizing return and minimizing investment risk, an attempt has been made to form an optimal portfolio in conditions where the capital market has a price bubble. According to the purpose, the research is of applied type, and in terms of data, quantitative and post-event, and in terms of type of analysis, it is of descriptive-correlation type. In order to identify the months with bubbles in the period from 2015 to 2021 in the Tehran Stock Exchange market, sequence tests and skewness and kurtosis tests were used. After identifying periods with bubbles, the meta-heuristic algorithms were used to optimize the portfolio. The results indicate the identification of 14 periods with price bubbles in the period under study. Also, in portfolio optimization, selected stock portfolios with maximum returns and minimum risk are formed. This research will be a guide for investors in identifying bubble courses and how to form an optimal portfolio in these conditions.
Keywords: Portfolio optimization, Meta-heuristic Algorithm, Returns, Risk, Price Bubble -
اخیرا زنجیره تامین کالاهای فاسدشدنی با توجه به تاثیرشان بر زندگی انسان مورد توجه قرار گرفته اند. از سوی دیگر در صنعت بسته بندی، با در نظر گرفتن کاغذ به عنوان ماده اولیه و فسادپذیر به دلیل ماهیت جذب آب، پوسیدگی شدید در مقابل نور آفتاب، اشتعال پذیری و خاکستر شدن و درنهایت تاثیر بر کیفیت نهایی محصول تولیدشده از این موضوع مستثنی نبوده است. سطح بالای سرعت تغییرات و ابهام در تصمیمات، پیش بینی شرایط آینده زنجیره های تامین را به امری غیر ممکن مبدل ساخته است. از این رو، طراحی و استفاده از یک مدل ریاضی برای طراحی شبکه زنجیره تامین حلقه بسته، با در نظر گرفتن قیمت گذاری بهینه محصولات ، نرخ بازگشت و تقاضا همراه با در نظر گرفتن هدر رفت مواد در سیستم به شدت مورد نیاز است. در ابتدا زنجیره تامین صنعت کاغذ-کارتن طراحی و با برنامه ریزی آمیخته عدد صحیح مدل سازی شده، سپس با توجه به حجم بالای محاسبات و داده های مسئله و همچنین عدم توانایی رویکردهای حل دقیق، رویکرد فرا ابتکاری جستجوی هارمونی جهت حل مدل استفاده گردیده است. مسئله یک مدل تک هدفه بوده که هزینه های سیستم را با لحاظ نمودن ملاحظات زیست محیطی حداقل می نماید. پژوهش حاضر نشان می دهد که افزایش قیمت دارای تاثیر مثبت بر نرخ بازگشت محصول و کاهش سطح فساد محصول دارد. در انتها برای اعتبارسنجی مدل، حل عددی یک شبکه حلقه بسته در این صنعت ارائه گردیده است.
کلید واژگان: زنجیره تامین حلقه بسته، مدل سازی حلقه بسته، برنامه ریزی مختلط، الگوریتم فراابتکاری، جستجوی هارمونیRecently, the supply chain of perishable goods, have been considered due to their impact on human life. On the other hand, in the packaging industry, considering paper as a primary and perishable material due to the nature of water absorption, severe rotting in front of sunlight, flammability and turning to ash and finally affecting the final quality of the product produced from this issue. It is not excluded, it has attracted more attention. The high level of speed of changes and ambiguity in decisions has made it impossible to predict the future conditions of supply chains. Therefore, the design and use of a mathematical model for the design of the closed-loop supply chain network, taking into account the optimal pricing of products, the return rate and demand, along with taking into account the wastage of materials in the system, is strongly needed. At first, the supply chain of the paper-cardboard industry was designed and modeled with mixed integer programming, then due to the high volume of calculations and data of the problem, we can't receive exact solution approaches, the innovative approach of searching for harmony was used for the solution. . The problem is a single-objective model that minimizes system costs by considering environmental considerations. The present research shows that the price increase has a positive effect on the product return rate and reducing the level of product corruption. Finally, to validate the model, the numerical solution of a closed loop network has been done in this industry.
Keywords: Closed-Loop Supply Chain, Closed-Loop Modeling, Mixed Programming, Meta-Heuristic Algorithm, Harmony Search -
آلودگی های زیست محیطی به یکی از مهم ترین دغدغه های انسان تبدیل شده است. امروزه حجم بالای زباله های صنعتی ایجادشده توسط محصولات نظامی، فشار نهاده های زیست محیطی و همچنین کمبود منابع، صنایع تولیدکننده در این حوزه را ترغیب کرده تا به سمت پیاده سازی زنجیره تامین حلقه بسته حرکت کنند. هدف اصلی این پژوهش طراحی مدل ریاضی توانمندسازی قابلیت های زیست محیطی زنجیره تامین حلقه بسته است. این پژوهش، ازنظر هدف، یک تحقیق کاربردی و ازنظر جمع آوری داده ها و اطلاعات و روش تجزیه وتحلیل یک تحقیق کمی است. بنابراین یک مدل برنامه ریزی ریاضی فازی طراحی شده است. مدل ارائه شده مبتنی بر چهار هدف است که هدف اول آن حداقل ساختن نشر آلایندگی؛ هدف دوم، حداقل ساختن زباله های زیست محیطی؛ هدف سوم، حداقل ساختن هزینه و هدف چهارم، حداقل ساختن خطر تامین مواد اولیه است. پس از طراحی مدل، اعتبارسنجی مدل با حل آن در ابعاد کوچک صورت گرفته است و سپس با استفاده از چهار الگوریتم NSGAII,MOPSO,MOACO,MOSA مدل در ابعاد متوسط و بزرگ حل و نتایج آن باهم مقایسه شده است. بر اساس نتایج تحلیل حساسیت، واکنش مدل نسبت به پارامترهای مختلف بررسی شده است. نتایج نشان داده، ملاحظات هم زمان ابعاد زیست محیطی، اقتصادی و خطر در پارامترها به بهبود عملکرد زنجیره تامین حلقه بسته ازنظر توانمندسازی قابلیت های زیست محیطی و سودآوری منجر می شود.
کلید واژگان: زنجیره تامین حلقه بسته، صنایع نظامی، الگوریتم فرا ابتکاری، مدل سازی ریاضی، محیط زیستJournal of Strategic Management Studies of National Defense Studies, Volume:7 Issue: 28, 2024, PP 105 -135Environmental pollution has become one of the most important human concerns. Today, the high volume of industrial waste created by military products, environmental pressures and lack of resources have promoted the manufacturing industries in this field to move towards the implementation of a closed loop supply chain. The main goal of this article is to design a mathematical model to empower the environmental capabilities of the closed loop supply chain. This research is an applied research in terms of purpose and a quantitative research in terms of data and information collection and analysis method. Therefore, a fuzzy mathematical programming model has been designed. The presented model is a 4-objective model, the first objective of which is to minimize emissions, the second objective is to minimize environmental waste, the third objective is to minimize cost, and the fourth objective is to minimize the risk of raw material supply. After designing the model, validation of the model has been done by solving it in small dimensions and then using four algorithms NSGAII, MOPSO, MOACO, MOSA to solve the model in medium and large dimensions and its results have been compared. Based on the results of sensitivity analysis of the model, the response of the model to different parameters has been investigated. The results show that the simultaneous consideration of environmental, economic and risk dimensions in the parameters leads to the improvement of the performance of the closed loop supply chain in terms of empowering the environmental capabilities and profitability.
Keywords: Closed Loop Supply Chain, Military Industry, Meta-Heuristic Algorithm, Mathematical Modeling, environment -
In recent decades, the integrated optimization approach of information-based logistics systems has been one of the most important aspects of optimization in supply chain management. This approach deals with the simultaneous investigation of dependencies between facility location, allocation of suppliers/customers to facilities, the structure of transportation routes, planning, and inventory control. One of the most critical issues related to logistics is location routing. Therefore, in this research, a multi-objective mathematical model for locating and routing multiple perishable goods is presented, considering the objectives of minimizing logistics costs and transportation costs, minimizing product distribution time among customers, and maximizing customer service. Among the most critical limitations considered are the capacities of suppliers, vehicles, and producers and the soft time window of product distribution. Due to the uncertainty in the number of customers' orders for product delivery in the supply chain and the large volume of big data, the queue model based on M/M/C/K was introduced in the fuzzy conditions of customer demand. Finally, the mathematical model was optimized and analyzed with MOSA and MOKA. The analysis results of two meta-heuristic algorithms in the studied problem showed that the MOSA has better efficiency.
Keywords: Smart Location-Routing, perishable goods, Queuing theory, Meta-heuristic algorithm, big data analysis -
هدف
انتخاب تامین کننده و تخصیص سفارش از وظایف اصلی شرکت ها در مدیریت زنجیره تامین سبز است. در اکثر مطالعات پیشین، این دو وظیفه به عنوان مسایل مستقل در نظر گرفته شده است. این مسیله، به خصوص در مدیریت زنجیره تامین سبز اهمیت زیادی دارد و نیازمند است که معیارهای کمی و کیفی در آن لحاظ شود؛ اما گاهی این معیارها متناقض است و باید موازنه شود. ارایه چارچوبی که بتواند این دو مسیله را به صورت هم زمان در نظر گیرد و علاوه بر لحاظ کردن معیارهای مدیریت زنجیره تامین سبز، میزان سفارش های تخصیص یافته به تامین کنندگان را تعیین کند، ضروری است.
روشرویکرد پیشنهادی شامل دنپ فازی، تاپسیس فازی و مدل بهینه سازی دوهدفه است. در مرحله اول با استفاده از دنپ فازی، وزن معیارها شامل معیارهای سنتی و سبز به دست آمد؛ سپس با استفاده از تاپسیس فازی، تامین کنندگان ارزیابی شدند. برای تخصیص سفارش ها، یک مدل برنامه ریزی دوهدفه با اهداف کمینه کردن هزینه کل زنجیره تامین و بیشینه سازی ارزش خرید کل فرموله شد. تابع هدف اول، قیمت خرید، هزینه های متغیر تامین کنندگان، هزینه های سفارش دهی و راه اندازی، نگهداری خریدار و تامین کنندگان را شامل می شود. همچنین تابع هدف دوم، تضمین می کند که سفارش بیشتری به تامین کنندگانی تخصیص یابد که امتیاز بیشتری در فرایند ارزیابی تامین کنندگان کسب کرده اند. محدودیت های مدل نیز عبارت اند از: ظرفیت تامین کنندگان، تقاضای خریدار و محدودیت های مرتبط با تخفیف تامین کنندگان. با توجه به دوهدفه بودن مدل ریاضی، از روش معیار جهانی استفاده شد تا مسیله دوهدفه، به مسیله تک هدفه تبدیل شود. مطابق با این روش، انحراف های نسبی اهداف، از مقادیر بهینه تک هدفه هر هدف کمینه سازی شد. همچنین با توجه به غیرخطی بودن مدل ریاضی الگوریتم فراابتکاری، جست وجوی هارمونی برای مسیله طراحی و برای مواجهه با محدودیت های مسیله، یک الگوریتم ترمیم پیشنهاد شد.
یافته هابرای شناسایی معیارها از نتایج مطالعات پیشین و نظرسنجی از خبرگان استفاده شد که شامل معیارهای سنتی و سبز است. نتایج دنپ فازی نشان داد که اعتبار تامین کننده مهم ترین معیار است و بعد از آن کیفیت، خرید سبز، طراحی سبز، حمل ونقل سبز، تولید سبز، تحویل به موقع و فاصله در رتبه های بعدی قرار دارند. همچنین، تمامی معیارها روی اعتبار تامین کننده تاثیرگذارند. سپس شش تامین کننده با توجه به معیارها با استفاده از تاپسیس فازی ارزیابی شدند و امتیاز نهایی آن ها، به عنوان وزن های تامین کنندگان در تابع هدف دوم مدل ریاضی استفاده شد. برای اعتبارسنجی رویکرد پیشنهادی، یک مطالعه موردی با داده های واقعی در حوزه تامین تجهیزات پزشکی بررسی و جواب بهینه مسیله ارایه شد. در ادامه با تغییر وزن توابع هدف در مسیله تک هدفه، جواب های پارتو مسیله شناسایی شدند. رویکرد پیشنهادی با در نظر گرفتن معیارهای سبز، تخصیص بهینه را به تامین کنندگان انجام می دهد.
نتیجه گیرینتایج نشان می دهد که تصمیم گیرنده می تواند با توجه به جواب های پارتوی مسیله، بهترین جواب را طوری انتخاب کند که موازنه صحیحی بین هزینه های زنجیره و ارزش خرید صورت گیرد.
کلید واژگان: الگوریتم فراابتکاری، انتخاب تامین کننده سبز، برنامه ریزی دوهدفه، تاپسیس فازی، دنپ فازیObjectiveIn the realm of green supply chain management, the pivotal responsibilities of companies involve supplier selection and order allocation. These tasks were treated as independent challenges in prior studies. This issue holds significant importance within the context of green supply chain management, demanding the simultaneous consideration of both quantitative and qualitative criteria. These criteria, at times conflicting, necessitate an in-depth analysis of trade-offs. There is a pressing need for a comprehensive framework capable of concurrently addressing both aspects. In addition to accommodating green criteria, such a framework should enable the determination of order quantities allocated to suppliers.
MethodsThe utilized approach in the present study included Fuzzy DNP, Fuzzy TOPSIS, and a Bi-objective optimization model. In the first stage, the criteria weights, encompassing both traditional and green criteria, were determined using the fuzzy DNP. Subsequently, the suppliers' scores were computed using the fuzzy TOPSIS. In the second stage, a non-linear bi-objective model was formulated, aiming to minimize the total cost and maximize the purchased value. The first objective function comprised the purchase price, suppliers' variable costs, ordering and setup costs, as well as buyer's and suppliers' inventory holding costs. Additionally, the second objective function ensured a higher allocation of orders to suppliers who had achieved a superior score in the supplier evaluation process. The model's constraints encompassed the suppliers' capacity, buyer's demand, and constraints associated with the suppliers' discounts. Acknowledging the bi-objective nature of the mathematical model, the Global Criterion method was employed to transform the bi-objective problem into a single-objective one. According to this method, the relative deviations of the objectives from their corresponding single-objective optimal values were minimized. Furthermore, due to the non-linearity of the mathematical model, a harmony search algorithm was developed for the problem, and a repair algorithm was proposed to handle constraints in the problem.
ResultsThe previous studies and expert opinions were utilized to identify the criteria, encompassing both traditional and green criteria. The results of fuzzy DANP indicated that the supplier's credit holds the utmost importance, followed by quality, green purchasing, green design, green transportation, green production, on-time delivery, and distance. Furthermore, all criteria exhibit an effect on the supplier's credit. Subsequently, six suppliers underwent evaluation based on the criteria using fuzzy TOPSIS, and their final scores were employed as the suppliers' weights in the second objective function of the mathematical model. To validate the proposed approach, a case study with real data in the field of the medical equipment supply chain was examined, and the optimal solution to the problem was presented. Subsequently, by adjusting the weights of the objective functions in the single-objective problem, the Pareto solutions were identified. The proposed approach facilitates the optimal allocation to the suppliers by considering the green criteria.
ConclusionThe results showed that a decision maker can choose the best solution according to the Pareto solutions in such a way that there is a correct trade-off between the supply chain costs and purchased value.
Keywords: Bi-objective programming, Fuzzy DANP, fuzzy topsis, green supplier selection, Meta-heuristic algorithm -
کمبود آب به یک معضل نگران کننده برای بسیاری از شهرهای جهان تبدیل شده است. پیش بینی تقاضای آب به سیاست گذاران و تامین کنندگان آب کمک می کند تا تعادل بین عرضه و تقاضای منابع آب شهری را حفظ کنند و در نتیجه از هدر رفت و کمبود آب جلوگیری شود. پیش بینی مصرف آب شهری تاثیر قابل توجهی در مدیریت کارآمد آب شهری در شهرهای مناطق خشک دارد به ویژه زمانی که پیامدهای تغییرات آب و هوایی در نظر گرفته شوند. در این پژوهش از پنج الگوریتم کرم شب تاب برای تخمین میزان مصرف آب شرب در منطقه سیستان برای سال های 1385- 1399 استفاده شده و با هم مقایسه شدند. از داده های سال 1385 تا 1394 جهت آموزش و یاد گیری و یافتن وزن بهینه مدل استفاده شد و از باقیمانده دادهها از سال1394 تا 1396 جهت آزمون مدل استفاده شد. نتایج مدل نشان داد 5 مدل مختلف الگوریتم کرم شبتاب میتوانند جواب های محتملی بدست دهند در مدل نمایی و هیبرید میانگین خطای نسبی در الگوریتم NDFA (New dynamic firefly alghorithm)، 19/0 میباشد که کمترین میزان خطای نسبی را در بین دیگر الگوریتمها دارد و در مدل خطی نیز الگوریتم VSSFA (Variable Step Size Firefly Algorithm) با میانگین خطای نسبی 196/0 کمترین میزان خطای نسبی را دارد. بنابراین مدل نمایی و روش NDFA کارایی بهتری نسبت به دیگر مدلها و الگوریتمها دارد. و دقت پیش بینی آن بالای 81% میباشد. پس از اطمینان از دقت الگوریتم میزان مصرف آب شرب برای سالهای 1402، 1403 و 1404 پیش بینی شد. نتایج حاصل نشان داد اوج مصرف در ماه های تیر و مرداد میباشد و کل مصرف در سال 1402، 1403 و 1404 به ترتیب برابر7293، 7558 و 7674 هزار متر مکعب میباشد.کلید واژگان: الگوریتم فراابتکاری، پیش&rlm، بینی، مصرف آب، شرایط اقلیمیPrediction of monthly consumption of drinking water in the Sistan region under climate change impactWater scarcity has become a problem of concern for many cities in the world. Predicting water demand helps policymakers and water suppliers maintain the balance between the supply and demand of urban water resources, thereby preventing water wastage and shortage. Forecasting Urban Water Consumption (UWC) has a significant impress on efficient urban water management in cities in arid regions when considering the implications of climate change. In this research, five firefly algorithms were used to estimate the consumption of drinking water in the Sistan region for the years 2006-2020 and were compared. The data from 2006 to 2015 were used for training and learning and finding the optimal weight of the model, and the remaining data from 2016 to 2020 were used to test the model. The results of the model showed that 5 different FA models can get possible answers. In the exponential and hybrid models, the relative error in the NDFA algorithm is 0.19, which has the lowest relative error among other algorithms, and in the linear model, the VSSFA algorithm has the lowest relative error with a relative error of 0.196. Therefore, the exponential model and NDFA method have better performance than other models and algorithms. And its prediction accuracy is above 81%. After ensuring the accuracy of the algorithm, the consumption of drinking water was predicted for the years 2023, 2024, and 2025. The results showed that the peak consumption is in July and August and the total consumption in 1402, 1403, and 1404 is equal to 7293, 7558, and 7674 thousand cubic meters, respectively.Keywords: meta-heuristic algorithm, Prediction, Water Consumption, Climate
-
هدفبهینه سازی تجهیز و تخصیص منابع مالی در سیستم بانکی، به منظور کاهش هزینه های جمع آوری منابع مالی و نیز، افزایش درآمد ناشی از توزیع این منابع مالی در قالب انواع تسهیلات، از اهمیت بسیاری برخوردار است. در این پژوهش با معرفی یک مدل ریاضی چندهدفه، ضمن در نظرگرفتن محدودیت های مترتب بر مسیله، یک مدل ریاضی برای تجهیز و تخصیص بهینه منابع مالی ارایه شده است.روشپس از مرور ادبیات و بررسی مطالعات پیشین انجام شده در زمینه موضوع پژوهش، با بهره بردن از نظر خبرگان بانکی، توابع هدف بیشینه سازی درآمد ناشی از تخصیص منابع و کمینه سازی هزینه های ناشی از تجهیز منابع تعریف شد. در ادامه، محدودیت های حاکم بر مسیله با توجه به قوانین و مقررات بانک مرکزی و نیز، مقررات مالی حاکم بر کسب وکار سیستم بانکی تعریف شد. پس از تعریف وکدنویسی مدل، مسیله با استفاده از الگوریتم های فراابتکاری ژنتیک چندهدفه، بهینه سازی ازدحام ذرات و فاخته حل شد و در نهایت، میزان کارایی الگوریتم ها در ارایه جواب مطلوب، مقایسه شد.یافته هانتایج پژوهش حاکی از آن است که در صورت تجهیز و تخصیص علمی منابع سیستم بانکی، ریسک های اعتباری و عملیاتی بانک کاهش می یابد.نتیجه گیرینتایج پژوهش نشان داد که چنانچه در سیستم بانکی از مدل ارایه شده در این پژوهش استفاده شود، سودآوری سیستم بانکی در نتیجه تجهیز و تخصیص بهینه منابع مالی، به میزان چشمگیری افزایش می یابد.کلید واژگان: الگوریتم فراابتکاری، تجهیز منابع، تخصیص منابع، مدل ریاضی چندهدفهObjectiveAs economic enterprises that seek to earn a profit, banks collect and accept financial resources from depositors in the form of financial intermediaries. They allocate the resources to economic activities (investors) by providing various facilities. Therefore, banks play a very sensitive and important role in the economic system of a country and have a significant effect in regulating the economic relationships in society. Banks need to pay attention to the accurate allocation of facilities and resources. Accordingly, in today's financial landscape, effective asset and debt management has become a crucial component for the success of banks and other financial institutions. It is now essential to optimize the provision and allocation of financial resources in the banking system to reduce the costs of collecting financial resources and increase income via the distribution of financial resources in the form of various facilities. Introducing a multi-objective mathematical model and considering the limitations of the problem, this study seeks to present a mathematical model for equipping and optimal allocation of financial resources.MethodsAfter reviewing the literature and previous studies conducted in the field of the research topic, using the opinions of banking experts, the researchers defined the objectives of the study as maximizing the income from the allocation of resources and minimizing the costs from the collection of resources. The first objective was defined to maximize the income from the payment of facilities (allocation of financial resources) and the second objective was defined to minimize the costs of the collection of financial resources (equipment of financial resources). The objectives were determined according to the rules and regulations of the Iran Central Bank as well as the financial regulations governing the business of the Iranian banking system. After defining and coding the model, the problem was solved using meta-heuristic algorithms. Finally, the effectiveness of the algorithms in providing the desired answer was assessed. Due to the NP-HARD nature of the problem, three meta-heuristic algorithms NSGAII, MOPSO, and CUCKOO were chosen to solve the problem. Due to the high efficiency of the MATLAB program, this software was used to perform the coding and calculations.ResultsThe results of the research indicated that the credit and operational risks of the bank will be reduced in case the banking system's resources are equipped and allocated scientifically. The achieved results from the evaluation of the algorithms confirmed the superiority of the mass particle swarm algorithm (MOPSO) over the other two algorithms. Long calculation time was found to be one of the disadvantages of genetic algorithms. Also, in the evaluation of various indices, the cuckoo algorithm did not demonstrate any significant advantage over the other two algorithms under scrutiny.ConclusionThe results showed that thanks to its optimal allocation of financial resources, the model presented by this study can significantly increase the profitability of banks.Keywords: Meta-heuristic algorithm, Multi-objective mathematical model, Resource Allocation, Resource equipping
-
با توجه به اهمیت اعطای اعتبار در نظام بانکی، استفاده از عوامل موثر بر اعتبارسنجی جهت تصمیم گیری در اعتباردهی، بسیار مهم است. با توجه به این مهم، تحقیق حاضر به شناسایی و اولویت بندی ویژگی های تاثیرگذار در اعتبارسنجی مشتریان با استفاده از دیدگاه متخصصان و کارشناسان بانکی شهر کرمان و تطابق آن با شاخص های موجود در مدل های استخراج شده از روش هوش مصنوعی پرداخته است. هدف این است که آیا بین نظرات انسانی که ناشی از دانش و تجربه است و نظرات هوش مصنوعی که به مسیله به صورت مدل سازی جعبه سیاه نگاه می کنند، تطابق وجود دارد یا خیر. داده های موردنیاز به روش پرسشنامه و الگوریتم باینری کوانتومی جمعیت ذرات، جمع آوری شده و به ترتیب به روش دلفی و فرا ابتکاری موردبررسی قرارگرفته اند. نتایج حاکی از آن است که شاخص های منتخب دو روش 80 درصد همپوشانی داشته اند. با توجه به نتایج تحقیق و دقت بالای تکنیک های هوش مصنوعی، پیشنهاد می شود جهت اعطای اعتبار به مشتریان در بانک ها و موسسات مالی و اعتباری، وزن بالاتری برای شاخص های مذکور لحاظ شود.کلید واژگان: اعتبارسنجی، دلفی، الگوریتم فرا ابتکاری، بازشناسی الگو، انتخاب ویژگیStudy of Banking Customers Credit Scoring Indicators Using Artificial Intelligence and Delphi MethodWith the importance of lending in the banking industry, it is very important to use the indicators affecting credit to decide on lending. The purpose of the present study is to identify and prioritize the effective features in customer accreditation using the viewpoints of bank experts in Kerman and to compare them with existing indicators in models extracted from Meta-Heuristic and Artificial Intelligence methods. The aim is to find out whether there is a match between the human views that arise from knowledge and experience and the views of artificial intelligence that look at the problem as black-box modeling. Required data were collected by questionnaire method and Quantum Binary particle swarm optimization algorithm and analyzed by Delphi. The results show that the selected indices have 80% overlap between the two methods. Due to the results of research and high accuracy of artificial intelligence techniques, it is suggested that in order to give credit to customers in banks and financial and credit institutions, to consider a higher weight for these indicators.Keywords: Credit Scoring, Delphi, Meta-Heuristic Algorithm, Pattern recognition, Feature Selection
-
وجود حباب دربازار و بخصوص بازار سرمایه می تواند عاملی در جلوگیری ازمشارکت سرمایه گذاران در فرایند بازارسرمایه و تخصیص صحیح منابع مالی برای توسعه اقتصادی کشور باشد.ازطرفی،با توجه به هدف سرمایه گذاران در دستیابی به سبد دارایی با بازده بالا همراه کمترین میزان ریسک،لزوم توجه به این بازارها را بیشتر می کند.در این پژوهش،باهدف بیشینه کردن بازدهی و کمینه سازی ریسک سرمایه گذاری، تلاش شده تا پرتفوی بهینه درشرایطی که بازار سرمایه دارای حباب قیمتی باشد،تشکیل گردد.با توجه به هدف،پژوهش ازنوع کاربردی،و از نظرداده ها،کمی و پس رویدادی،و از نظر نوع تحلیل،ازنوع توصیفی-همبستگی می باشد.جهت شناسایی ماه های دارای حباب دربازه زمانی 1394 تا 1397 بازاربورس اوراق بهادار تهران،از آزمون های تسلسل و آزمون چولگی وکشیدگی استفاده و پس ازشناسایی دوره های دارای حباب،الگوریتم فراابتکاری کلونی زنبورعسل مصنوعی جهت بهینه سازی پرتفوی بکارگرفته شد.نتایج حاکی ازشناسایی 10 دوره دارای حباب قیمتی دربازه زمانی مورد بررسی می باشد.همچنین،دربهینه سازی پرتفوی، سبدهای سهام انتخابی با بیشینه بازده و کمینه ریسک تشکیل شده است.این پژوهش راهنمایی برای سرمایه گذاران در شناسایی دوره های دارای حباب و چگونگی تشکیل پرتفوی بهینه در این شرایط خواهد بود.
کلید واژگان: حباب قیمتی، بهینه سازی پرتفوی، الگوریتم فراابتکاری، بازده، ریسکThe existence of bubbles in the market,especially the capital market,can be a factor in preventing the participation of investors in the capital market process and the correct allocation of financial resources for the economic development of the country.On the other hand,due to the goal of investors in achieving a high return portfolio with the least amount of risk,it is necessary to pay more attention to these markets In this study,in order to maximize returns and minimize investment risk,an attempt was made to create an optimal portfolio in conditions where the capital market has a price bubble.According to the purpose,the research is of applied type,and in terms of data,quantitative and post-event,and in terms of analysis,is descriptive-correlation.In order to identify bubble months in the period from2015to2019in Tehran Stock Exchange,sequence tests and skewness and kurtosis tests were used and after identifying bubble periods,artificial bee colony algorithm was used to optimize the portfolio.The results indicate the identification of 10 periods with a price bubble in the study period.Also,in portfolio optimization, selected stock portfolios are formed with maximum returns and minimum risk.This research will be a guide for investors in identifying bubble courses and how to form an optimal portfolio in these conditions.
Keywords: Price Bubble, Portfolio optimization, Meta-heuristic Algorithm, Returns, Risk -
با توجه به افزایش حجم داده ها و اطلاعات در سالهای اخیر مساله انتخاب مناسبترین ویژگی جهت تصمیم گیری اهمت فراوانی یافته است. روش های کلاسیک انتخاب ویژگی نمی توانند بر روی داده های بزرگ به درستی عمل نمایند. از آنجا که مسیله انتخاب ویژگی یک مساله سخت و پیچیده است، استفاده از الگوریتم های فرا ابتکاری جهت حل این مساله مناسب به نظر می رسد. در این مقاله الگوریتم فرا ابتکاری جدیدی با الهام از کوچ عشایر جهت حل مساله انتخاب ویژگی ارایه شده است. این الگوریتم به افتخار ایل قشقایی نامگذاری شده است. در این الگوریتم ترکیبی تابع تناسبی مبتنی بر الگوریتم انتخاب ویژگی و براساس کمینه سازی تعداد ویژگی ها و میزان خطای داده ها با استفاده از نتایج شبکه عصبی طراحی شد. سپس الگوریتم فرا ابتکاری قشقایی بر روی این تابع تناسب پیاده سازی شد و نتایج با الگوریتم های فرا ابتکاری مشهور ژنتیک و ازدحام ذرات مورد مقایسه قرار گرفت. نتایج آزمون فرض نشان داد که الگوریتم بهینه سازی قشقایی جهت حل مساله انتخاب ویژگی توسط الگوریتم ژنتیک و ازدحام ذرات مغلوب نمی گردد و به لحاظ همگرایی به جواب بهینه به خوبی آنها عمل می کند.
کلید واژگان: مساله انتخاب ویژگی، الگوریتم فرا ابتکاری، الگوریتم ژنتیک، الگوریتم ازدحام ذرات، الگوریتم قشقاییDue to the increase in the volume of data and information in recent years, the issue of choosing the most appropriate feature for decision making has become very important. Classic attribute selection methods cannot work well on big data. Because feature selection is a complex problem, it seems appropriate to use meta-heuristic algorithms to solve this problem. In this paper, a new meta-heuristic algorithm inspired by nomadic migration to solve the feature selection problem is presented. This algorithm is named in honor of the Qashqai tribe. In this hybrid algorithm, the proportional function was designed based on the feature selection algorithm and based on minimizing the number of features and the amount of data error using neural network results. Then the Qashqai meta-heuristic algorithm was implemented on this fitness function and the results were compared with the well-known meta-heuristic algorithms of genetics and particle swarm. The results of the hypothesis test showed that the Qashqai optimization algorithm to solve the feature selection problem by the genetic algorithm and particle swarm is not defeated and in terms of convergence to the optimal solution works well.
Keywords: Feature Selection Problem, Meta-Heuristic Algorithm, Genetic algorithm, Particle Swarm Algorithm, Qashqai Algorithm -
راهکار اصلی دستیابی همزمان شرکت ها به اهداف اقتصادی و زیست محیطی پیاده سازی زنجیره تامین حلقه بسته میباشد. هدف اصلی این پژوهش طراحی مدل ریاضی توانمند سازی قابلیت های زیست محیطی و سودآوری زنجیره تامین حلقه بسته در صنایع نظامی میباشد. مدل ارایه شده یک مدل 4 هدفه بوده که هدف اول آن حداقل ساختن نشر الایندگی, هدف دوم حداقل ساختن زباله های زیست محیطی, هدف سوم حداقل ساختن هزینه و هدف چهارم حداقل ساختن ریسک تامین مواداولیه است. پس از طراحی مدل , اعتبار سنجی مدل با حل آن در ابعاد کوچک صورت گرفته است و سپس با استفاده از چهار الگوریتم NSGAII,MOPSO,MOACO,MOSA حل مدل در ابعاد متوسط و بزرگ حل و نتایج آن با هم مقایسه گردیده است. بر اساس نتایج تنظیم پارامترهای مدل صورت گرفته و واکنش مدل نسبت به پارامترهای مختلف بررسی گردیده است. نتایج نشان داده ، ملاحظات هم زمان ابعاد زیست محیطی ,اقتصادی در پارامترها به بهبود عملکرد زنجیره تامین حلقه بسته از نظر توانمند سازی قابلیت های زیست محیطی و سودآوری منجر می شود.
کلید واژگان: زنجیره تامین حلقه بسته، صنایع نظامی، الگوریتم فراابتکاری، مدل سازی ریاضی، محیط زیستThe main solution for companies to simultaneously achieve economic and environmental goals is to implement a closed loop supply chain. The main goal of this research is to design a mathematical model to empower the environmental capabilities and profitability of the closed loop supply chain in military industries. The presented model is a 4-objective model, the first objective of which is to minimize emissions, the second objective is to minimize environmental waste, the third objective is to minimize cost, and the fourth objective is to minimize the risk of raw material supply. After designing the model, validation of the model has been done by solving it in small dimensions and then using four algorithms NSGAII, MOPSO, MOACO, MOSA to solve the model in medium and large dimensions and its results have been compared. Based on the results, the parameters of the model have been adjusted and the response of the model to different parameters has been investigated. The results show that simultaneous consideration of environmental and economic dimensions in the parameters leads to the improvement of the performance of the closed loop supply chain in terms of empowering the environmental capabilities and profitability.
Keywords: Closed loop supply chain, military industry, Meta-heuristic Algorithm, Mathematical Modeling, environment -
در بحث امدادرسانی به مصدومان بلایای طبیعی و غیرطبیعی، هدف اصلی یک زنجیره امدادرسانی این است که اقلام موردنیاز مصدومان مانند آب و مواد غذایی، مواد دارویی، پناهگاه و سایر ملزومات در سریع ترین زمان ممکن در دسترس مصدومان قرار بگیرد تا از تعداد مرگ ومیر ناشی از وقوع بلایا تا حد امکان کاسته شود؛ بنابراین طراحی و توسعه و اجرایی کردن یک زنجیره امدادرسانی می تواند نقش مهم و بزرگی در دست یافتن به یک پاسخ مناسب ایفا کند. بارزترین تفاوت ها در بحث برخورد با زنجیره امدادرسانی ، غیرقابل پیش بینی بودن تقاضا از نظر زمان، مکان، نوع، مقیاس و حجم آن است. دلایل دیگر پیچیدگی مدیریت چنین زنجیره هایی وقوع ناگهانی یک تقاضا در مقدار زیاد و فرصت بسیار کوتاه برای تامین حجم وسیعی از کالاها، کمبود منابع شامل کالاها، نیروی امدادرسانی، فناوری مناسب، ظرفیت حمل ونقل، ضرورت تامین به موقع و به میزان کافی ملزومات بعد از وقوع حادثه و ریسک های موجود در محیط امدادرسانی است. در پژوهش حاضر، یک مدل ریاضی برای مسیله مکان یابی موجودی برای برنامه ریزی پاسخ به تلفات ارایه شده است؛ همچنین ازآنجاکه مدل ریاضی ارایه شده جزو مسایل Np-hard محسوب می شود، برای حل آن از الگوریتم های فراابتکاری استفاده شده است.کلید واژگان: زنجیره امدادرسانی، مکان یابی، موجودی، الگوریتم فراابتکاریWhen it comes to providing aid to the victims of natural and unnatural disasters, the main goal of a relief chain is to provide the items needed by the victims such as water and food, medicine, shelter and other necessities to reduce the number of deaths caused by reduce the occurrence of disasters as much as possible; therefore, designing, developing and implementing a relief chain can play an important role in finding a suitable answer. The most obvious differences in dealing with the relief supply chain are the unpredictability of demand in terms of time, place, type, scale and volume. Other reasons such chains are the sudden occurrence of a large amount of demand and a very short opportunity to provide a large amount of goods, lack of resources including goods, relief forces, appropriate technology, transportation capacity, the need to provide timely and sufficient supplies after the accident, and the risks in the relief environment. In the present research, a mathematical model for the location-inventory problem for planning response to casualties is presented; also, due to the NP-hard nature of the problem considered, meta-heuristic algorithms were used to solve it.Keywords: Relief Supply chain, Location, Inventory, Meta-Heuristic Algorithm
-
در اقتصاد جهان امروز شرکت ها باید همه فعالیت ها و توانمندی های خود را متوجه رضایت مشتری کنند، زیرا مشتریان تنها منبع برگشت سرمایه هستند. از طرفی رضایتمندی مشتریان در شرکت های تهیه و توزیع کالاهایی با عمر کوتاه به خصوص مواد غذایی، به سبب خصوصیات ویژه و فاسد شدنی محصولات، اهمیت موضوع را دوچندان کرده است. از این رو هدف اصلی این مقاله بیشینه کردن رضایتمندی مشتریان در شبکه زنجیره تامین مواد غذایی می باشد. لذا در این مقاله، مدل ریاضی جدیدی برای یکپارچه سازی تصمیمات تامین و توزیع اقلام غذایی در شرایط عدم قطعیت (مدت زمان سفر وسیله نقلیه) توسعه داده شده است که اهداف آن، کمینه کردن مجموع زمان های زودکرد و دیرکرد تحویل سفارشات به مشتریان و بیشینه کردن کیفیت محصولات تحویلی به مشتریان است. مدل ریاضی چند هدفه ارایه داده شده در این مقاله، از نوع مسایل NP-hard است، بنابراین از الگوریتم فراابتکاری NSGA-II و یک الگوریتم فراابتکاری دیگر به نام «سفر در طول تاریخ چند هدفی» (MOTTH) برای حل مدل استفاده شده است. به منظور اعتبارسنجی، نتایج این الگوریتم ها با نتایج حل دقیق روش محدودیت اپسیلون تقویت شده، مقایسه شده است. همچنین نتایج دو الگوریتم NSGA-II و MOTTH نیز با یکدیگر مقایسه شده است که نتایج مقایسات، نشان دهنده عملکرد بهتر الگوریتم فراابتکاری MOTTH می باشد. برای مدل سازی ریاضی این تحقیق، از منابع موجود در ادبیات و برای حل مدل از دو نرم افزار GAMS و MATLAB استفاده شده است.کلید واژگان: اقلام فاسدشدنی، زنجیره تامین، فراابتکاری، محدودیت اپسیلون تقویت شده، مواد غذائیIntroductionIn today's world economy, companies must focus all their activities and capabilities on customer satisfaction because customers are the only source of return on investment. Besides, customer satisfaction in supplying and distributing short-lived commodities especially food, due to their special and perishable properties, has doubled the importance of the issue. When a vehicle carries the demand of a number of customers in one shipment, due to the long travel time and the frequent opening of the refrigerator door, the quality of the remaining products in the vehicle decreases and, as a result, the satisfaction of customers reduces. The main purpose of this article is to maximize customer satisfaction in the food supply chain network. The study integrates the decisions of the different parts of a food supply chain under uncertainty. The first part includes food suppliers. Because the studied supply chain is multi-commodity, one supplier is not able to supply all the food. Therefore, it can supply part of the customer needs according to its conditions and expertise. The second part includes the heterogeneous transport fleet, which serves as a VRP problem. Thus, a vehicle can receive food from a supplier and deliver it to customers located in different geographical locations. In addition, the preparation time of vehicles is also considered as a constraint. The transport fleet consists of several refrigerated vehicles with different carrying capacities and speeds. Since one vehicle is not able to carry all the orders, each product, according to the required temperature and storage conditions, must be transported by vehicles specific to that product. Also, due to weather and traffic conditions, the vehicle travel time is not definite. So, in this study, the uncertainty of vehicle travel time (triangular fuzzy) is taken into account too. The third part of this supply chain includes end users, whose geographical location and the amount of demand of each is definite and specific. There is a time window like (x,y) for each user. If the orders are delivered to the customer before time x, it will cause earliness. If it is delivered after time y, it will cause tardiness. The objectives of this study are minimizing the sum of tardiness and earliness of deliveries to customers and maximizing the quality of products delivered to them.MethodologyA mathematical model of the problem is presented, and the augmented ε constraint method is used to solve the model. It has been shown that the exact solution method cannot solve large-scale problems within a reasonable time. Therefore, meta-heuristic algorithms should be used. This research has presented the MOTTH meta-heuristic algorithm, which is a new development of the genetic algorithm and is inspired by the long-standing human desire to travel throughout history. In this algorithm, the best solutions of the current generation replace the worst solutions of R generations, and, thus, the algorithm’s premature convergence is prevented and more solutions are searched in the solution area.Results and DiscussionAs the mathematical model was solved through the augmented ε constraint method, the relationship between the two objective functions was explained. It was also shown that an increase in the quality of the products delivered to customers leads to a rise in the sum of the tardiness and earliness of deliveries to customers. Therefore, considering the importance of each of the objective functions, every company should establish a balance between the two objective functions.For validation, the results of the NSGA-II and MOTTH algorithms were compared with those of the exact solution of the augmented constraint method. The results of the algorithms were also compared. It was shown that the MOTTH meta-heuristic algorithm performs better. For the mathematical modeling of this research and for solving the model, the resources available in the literature and the GAMS and MATLAB software programs were used respectively.ConclusionAccording to the results of this study, a practical suggestion for frozen food supply chain managers is to use the MOTTH algorithm. This algorithm offers better solutions than the NSGA-II algorithm, the sum of tardiness and earliness of deliveries to customers is less, and the quality of the products delivered to customers remains higher. Moreover, the use of frozen food trucks partitioned with separate doors and equipped with cooling systems is another practical suggestion of this research; if the door of a partition is opened and the products are emptied, the other products in the other partitions will not receive a heat shock and their quality does not decline.Keywords: Perishable items, Supply chain, Meta-heuristic algorithm, Augmented constraint, Food
-
هدف
پیدا کردن زیرمجموعه ای از مجموعه ویژگی ها، مسئله ای است که در زمینه های مختلفی مانند یادگیری ماشین و شناسایی آماری الگوها، کاربرد گسترده ای دارد. با توجه به اینکه افزایش تعداد ویژگی ها، هزینه محاسباتی سیستم را به طور تصاعدی افزایش می دهد، این پژوهش به دنبال طراحی و پیاده سازی سیستم هایی با کمترین تعداد ویژگی و کارایی قابل قبول است.
روشبا توجه به لزوم جست وجوی کارآمد در فضای جواب، در این پژوهش برای انتخاب ویژگی در داده های چندکلاسه، از الگوریتم ژنتیک (GA) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) چندهدفه با هدف افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها استفاده شده است. روش ارایه شده، بر مبنای دو روش طبقه بندی ماشین بردار پشتیبان (SVM) و K نزدیک ترین همسایه (KNN) روی 6 مجموعه داده اعتباری به اجرا درآمد و نتایج آن تجزیه و تحلیل شد.
یافته هاالگوریتم ژنتیک و الگوریتم ژنتیک با مرتب سازی نامغلوب چندهدفه برای افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها در مسئله انتخاب ویژگی در داده های چندکلاسه کارکرد مناسبی دارند. نتایج به دست آمده، نشان دهنده بهبود در دقت طبقه بندی، هم زمان با کاهش چشمگیر در تعداد ویژگی ها در هر دو روش ماشین بردار پشتیبان و نزدیک ترین همسایه است.
نتیجه گیریبا توجه به نتایج، رویکرد پیشنهادشده در این پژوهش برای مسئله انتخاب ویژگی ها کارایی بسیار خوبی دارد.
کلید واژگان: برنامه ریزی چندهدفه، انتخاب زیرمجموعه ویژگی ها، الگوریتم های فرا ابتکاری، الگوریتم ژنتیک، الگوریتم NSGA IIObjectiveFinding a subset of features is an issue that has been widely used in a variety of fields such as machine learning and statistical pattern recognition. Since increasing the number of features increases the computational cost of a system, it seems necessary to develop and implement systems with minimum features and acceptable efficiency.
MethodsConsidering objective, it's developmental research and in terms of two Meta-heuristic algorithms, namely genetic algorithm (GA) and multi-objective non-dominated sorting genetic algorithm (NSGA II). The multi-objective method compared to the single-objective method has reduced the number of features to 50% in all instances; it doesn't make much difference in classification accuracy. The proposed method is applied on six datasets of credit data, and the results were analyzed using two common classifiers namely, support vector machine (SVM) and K-nearest neighbors (KNN). Comparing two classifiers applied on datasets, K- nearest neighbors (KNN) compared to the support vector machine (SVM) has shown relatively better performance in increasing the classification accuracy and reducing the number of attributes.
ResultsGenetic algorithm and multi objective non-dominated sorting genetic algorithm have a good performance in increasing the accuracy of classification and reducing the number of attributes in feature selection problem of multi-class data. The results also indicate an increase in classification accuracy, simultaneously with a significant decrease in the number of features in both KNN and SVM methods.
ConclusionAccording to the results, the proposed approach has a high efficiency in features selection problem.
Keywords: Multi-Objective Programming, Feature Subset Selection, Meta-heuristic algorithm, Genetic Algorithm, NSGA II Algorithm -
امروزه موفقیت پلتفرم ها سبب شده است تا مدل کسب و کار پلتفرمی به یک مدل کسب و کار موفق در سطح جهانی تبدیل گردد. اما آنچه موجب ارزش آفرینی پلتفرم می گردد تسهیل تعاملات بوده، که در این راستا تحلیل و بررسی انتظارات خدمت دهندگان و خدمت گیرندگان به عنوان مشتری پلتفرم ها بسیار مهم می باشد. هدف پژوهش طراحی مدل انتظارات مشتریان (خدمت دهندگان و خدمت گیرندگان) در راستای رشد و توسعه پلتفرم با استفاده از الگوریتم های فرا ابتکاری و تحلیل عاملی می باشد. لذا این پژوهش از لحاظ هدف، یک تحقیق توسعه ای و کاربردی است و از لحاظ ماهیت و روش، یک تحقیق توصیفی- پیمایشی بوده، رویکرد کلی تحقیق استقرایی می باشد. پژوهش دارای دو جامعه آماری شامل خبرگان، اساتید دانشگاهی و پژوهشگران این حوزه و همچنین خدمت گیرندگان و خدمت دهندگان ایرانی پلتفرم می باشد. که از دو روش نمونه گیری قضاوتی (تکنیک گلوله برفی) و تصادفی ساده استفاده شده است. در ابتدا برای یافتن انتظارات خدمت دهندگان و خدمت گیرندگان از مصاحبه نیمه ساختار یافته استفاده گردید، سپس با استفاده از الگوریتم های فرا ابتکاری به خوشه بندی خودکار پرداخته شد و نتایج بیانگر آن است که خدمت گیرندگان شامل دو خوشه خدمت گیرندگان پرتوقع و تعامل محور و خدمت گیرندگان بی تفاوت در همه ابعاد انتظارات بوده، همچنین خدمت دهندگان نیز شامل دو خوشه خدمت دهندگان پرتوقع و اعتمادمحور و خدمت دهندگان بی تفاوت در همه ابعاد انتظارات می باشند.
کلید واژگان: پلتفرم، مشتریان، الگوریتم فرا ابتکاری، تحلیل عاملی، اینستاگرامToday, platforms success cause platform business model changes to a successful business model in world level. But thing causes platform valuable is facilitate interactions that in this regard analysis and study of customers and servants’ expectations as customers of platforms is more important. The goal of research of customers’ expectations model design (customers and servants) is using meta-heuristic algorithm and factor analysis in order to platform development and grows. So, this research is a development and applied as view of purpose and has had a descriptive-survey research as identity and method that is a total action of inductive research. Research has two statistical societies include experts, universities masters and researchers in this area and also platform Iranian customers and servants that has used of two methods of judgmental sampling (snowball technique) and simple random. At first, for finding customers and servants expectations used of semi-structure interview and then was done automatic clustering with using meta-heuristic algorithms and the result shows that customers were include customers conclude two clusters with full of expectations and based on interaction and indifferent customers in all expectations dimensions. Its servants also include two clusters of customers with full of expectations and based on trust and indifferent servants in all expectation’s dimensions.
Keywords: Platform, Customers, meta-heuristic algorithm, Factor analysis, Instagram -
مسئله مکان یابی مسیریابی هاب یکی از مسایل کاربردی در دهه های اخیر است. پژوهش حاضر به یک مسئله مکان یابی مسیریابی هاب چندگانه می پردازد که در آن بهترین مکان ها برای هاب ها و تورها برای هر هاب با دریافت و تحویل هم زمان تعیین می شوند. ابتدا یک مدل بهینه سازی برای به حداقل رساندن مجموع هزینه های ثابت مکان یابی مراکز، هزینه های جابه جایی، سفر، تخصیص و هزینه های حمل ونقل پیشنهاد شده است. به منظور دست یافتن به حل های کاربردی و عملی، هاب ها ظرفیت محدودی دارند و هر گره می تواند توسط تخصیص تکی به هاب ها اتصال یابد؛ همچنین ملاحظات بالانس با تخصیص تعداد مناسب گره های تقاضا به هاب ها به شبکه تحمیل می شود. سپس مسئله با استفاده از نرم افزار GAMS برای نمونه هایی با اندازه کوچک حل می شود. با توجه به ماهیت NP-Hard مسیله، مدل بهینه سازی پیشنهادی توسط الگوریتم ژنتیک و الگوریتم رقابت استعماری حل خواهد شد. نتایج مقایسه ای حاصل از نمونه های مسئله نشان می دهد که الگوریتم ژنتیک عملکرد بهتری در مقایسه با الگوریتم رقابت استعماری دارد و در نظر گرفتن ملاحظات ظرفیت و بالانس می تواند در کاهش هزینه های شبکه موردبررسی موثر باشد.
کلید واژگان: مکانیابی مسیریابی هاب، سطوح ظرفیت، نیازمندی های بالانس، فراابتکاریHub location-routing problem is a practical subject in the last decades. This study considers a many-to-many hub location-routing problem where the best locations of hubs and tours for each hub are determined with simultaneous pickup and delivery. First, an optimization model is proposed to minimize the total sum of fixed costs of locating hubs, the costs of handling, traveling, assigning, and transportation costs. To find practical solutions, the hubs have constrained capacity, in which single allocations can service every node to the hubs. What is more, the balancing requisites are imposed on the network by allocating the appropriate number of demand nodes to the hubs. Then the problem is solved using GAMS software for small-size instances of the problem. Due to the NP-hard nature of the problem, the proposed optimization model is solved by the Genetic Algorithm (GA) and Imperialist Competitive Algorithm (ICA). For the problem instances, the comparative results indicate that GA has a better performance compared to ICA, and incorporating capacity and balancing considerations can influence the reduction of costs of the investigated network.
Keywords: Location-Routing, Hub, capacity levels, balancing requirements, Meta-Heuristic Algorithm
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.