robust programming
در نشریات گروه علوم انسانی-
در سال های اخیر رقابت های صنعتی و اقتصادی، مباحث زیست محیطی و فشار دولت ها بر تولیدکنندگان برای مدیریت پسماند محصولات و از طرفی سود ناشی از بازیافت محصولات، اهمیت طراحی شبکه زنجیره تامین معکوس و حلقه بسته را دوچندان کرده است. تحقیق موردنظر در زمینه طراحی شبکه زنجیره تامین حلقه بسته چهار سطحی در شرایط عدم قطعیت درصد بازیافت محصولات انجام می شود. هدف اصلی این تحقیق، ارایه یک مدل برنامه ریزی خطی عدد صحیح است که به منظور حداقل سازی هزینه های زنجیره تامین و زمان خدمت دهی به مشتریان تحت شرایط عدم قطعیت ایجاد می شود. این مدل شبکه تامین با در نظر گرفتن تیوری صف و بهینه سازی سیستم بازیافت محصولات طراحی می شود.یکی از نکات مهم تحقیق، مدل سازی عدم قطعیت در میزان بازگشت محصولات مصرفی به چرخه زنجیره تامین حلقه بسته است. این تحلیل به منظور ایجاد یک رهیافت استوار برای مدل سازی مساله مورد استفاده قرار می گیرد.در انتها، عملکرد مدل پیشنهادی در صنعت تولید کاغذ ارزیابی می شود و یک تحلیل حساسیت با توجه به متغیرهای تصمیم بین دو الگوریتم فراابتکاری جستجوی هارمونی چندهدفه و الگوریتم ژنتیک مرتب سازی مغلوب ارایه می شود.
کلید واژگان: الگوریتم های فراابتکاری چندهدفه، برنامه ریزی استوار، برنامه ریزی خطی مختلط، زنجیره تامین حلقه بسته، تئوری صفIn recent years, the growing industrial and economic competition, environmental concerns, and governmental pressures on manufacturers regarding waste management have underscored the significance of designing a reverse supply chain and closed-loop network. Simultaneously, the potential for profit arising from product recycling has further emphasized the importance of these systems. This research focuses on developing a four-stage closed-loop network model for the supply chain, taking into account the uncertainty of product recycling rates. The primary objective of this study is to provide an integer linear programming model aimed at minimizing supply chain costs and customer service time under uncertain conditions. The supply chain model is designed by integrating queuing theory and product recycling system optimization. A critical aspect of this research involves modeling the uncertainty in the return rate of consumer products in the closed-loop supply chain, with the aim of developing a robust approach to address this issue. Additionally, the performance of the proposed model in the paper industry is evaluated, and a sensitivity analysis is conducted with respect to the decision variables using two metaheuristic algorithms: the Multiple Objective Harmony Search and the Non-dominated Sorting Genetic Algorithm.
Keywords: Closed-loop supply chain, mixed linear programming, Multi-objective meta-heuristic algorithms, Queuing theory, robust programming -
بهینه سازی سبد سرمایه گذاری از موضوعات حیاتی حوزه مدیریت سرمایه گذاری است. نوسانات مختلف بازارهای مالی و عدم قطعیت پارامترها، بکارگیری مدل های کلاسیک را با چالش جدی مواجه می کند. از این رو بهینه سازی مدل های مالی در شرایط عدم اطمینان جهت انطباق با دنیای واقعی مورد توجه محققان قرار گرفته است. در پژوهش حاضر یک مدل ترکیبی بهینه سازی با بکارگیری همزمان روش تحلیل پوششی داده ها و بهینه سازی استوار به منظور ارزیابی ریسک با ورودی ها وخروجی های غیرقطعی توسعه یافته است. جامعه آماری پژوهش از درگاه کوین مارکت کپ استخراج شده است که در آن از داده های روزآمد قیمت تعدیل شده 37 رمز ارز برتر انتخابی برای برآورد ریسک و ایجاد پرتفوی بهینه مورد استفاده قرار گرفته است. یک رویکرد دو مرحله ای برای انتخاب و بهینه سازی سبد سهام، افزایش استواری فرایند سرمایه گذاری و ارزیابی جامع سهام مبتنی بر معیارهای مالی پیشنهاد شده است. در مرحله اول، ارزیابی کارایی سهام منتخب با استفاده از روش تحلیل پوششی داده ای - برنامه ریزی استوار [1] (RDEA) انجام می شود. سپس در فاز دوم، با استفاده از مدل های میانگین نیم واریانس و میانگین انحراف مطلق استوار، میزان سرمایه گذاری در سهام واجد شرایط تعیین می شود. عملکرد رویکرد پیشنهادی در مطالعه موردی داده های رمز ارز با عدم قطعیت فزاینده مورد ارزیابی قرار می گیرد. نتایج مقایسه ای مدل های همتای استوار با دو سنجه ریسک نشان می دهد که مدل میانگین نیم واریانس عملکرد بهتری در انتخاب و بهینه سازی سبد سرمایه گذاری دارد.
کلید واژگان: بهینه سازی سبدسهام، تحلیل پوششی داده ها، برنامه ریزی استوار، میانگین نیمه واریانس، میانگین انحراف مطلقOptimizing the investment portfolio is one of the vital issues in investment management. The various fluctuations of the financial markets and the uncertainty of the parameters make using classical models a severe challenge. Therefore, the optimization of financial models in conditions of uncertainty to adapt to the real world has been the focus of researchers. In the present research, a hybrid optimization model has been developed by applying data envelopment analysis and robust programming to assess risk with uncertain inputs and outputs. The statistical population of the research was extracted from the Coin Marketcap portal, where the updated data of the adjusted price of 37 selected top cryptocurrencies was used to estimate the risk and create an optimal portfolio. A two-step approach for selecting and optimizing the stock portfolio, increasing the stability of the investment process, and comprehensive evaluation of stocks based on financial criteria is proposed. In the first stage, the performance assessment of the selected stocks is done using the robust programming-data envelopment analysis (RDEA) method. Then, in the second phase, the investment amount in eligible stocks is determined using the half-variance average and absolute standard deviation models. The performance of the proposed approach is evaluated in a case study of cryptocurrency data with increasing uncertainty. The comparative results of robust peer models with two risk measures show that the mean semi-variance model performs better in choosing and optimizing the investment portfolio.
Keywords: Portfolio Optimization, Data Envelopment Analysis, Robust programming, semi-variance mean, absolute deviation mean -
در سال های اخیر پیچیدگی های محیطی، رقابت های شدید سازمان ها و فشار دولت ها بر تولیدکنندگان برای مدیریت پسماند محصولات، فشارهای زیست محیطی و از همه مهم تر سود ناشی از بازیافت محصولات، بر اهمیت طراحی شبکه زنجیره تامین معکوس و حلقه بسته افزوده است. همچنین وجود عدم قطعیت های ذاتی در پارامترهای ورودی، یکی دیگر از موارد مهمی است که عدم توجه به آن می تواند تصمیمات استراتژیک، تاکتیکی و عملیاتی سازمان را تحت تاثیر قرار دهد. به همین جهت این پژوهش به طراحی یک مدل شبکه زنجیره تامین حلقه بسته چند محصولی و چند دوره ای در شرایط عدم قطعیت می پردازد. در همین راستا ابتدا یک مدل برنامه ریزی خطی عدد صحیح به منظور حداقل سازی هزینه های زنجیره تامین ارایه می گردد. سپس جهت در نظر گرفتن عدم قطعیت های ترکیبی مدل که شامل عدم قطعیت شناختی و تصادفی می باشد، پنج مدل استوار امکانی- تصادفی مختلف توسعه داده شده و نقاط ضعف، قوت و کاربرد هر یک مورد ارزیابی و تحلیل قرار می گیرد و مناسب ترین مدل جهت پاسخگویی به عدم قطعیت های موجود در مدل پیشنهاد می شود. در پایان عملکرد و کاربردی بودن مدل پیشنهادی، از طریق مطالعه موردی در یک صنعت روغن خوراکی مورد ارزیابی قرار می گیرد.
کلید واژگان: طراحی شبکه زنجیره تامین حلقه بسته، برنامه ریزی استوار، برنامه ریزی فازی، برنامه ریزی تصادفی، برنامه ریزی امکانیIn recent years, the complexity of the environment, the intense competition of organizations, the pressure of governments on producers to manage waste products, environmental pressures and most importantly, the benefits of recycling products have added to the importance of designing a closed loop supply chain network. Also, the existence of inherent uncertainties in the input parameters is another important factor that the lack of attention them can affect the strategic, tactical and operational decisions of organizations. Given these reasons, this research aims to design a multi-product and multi period closed loop supply chain network model in uncertainty conditions. To this aim, first a mixed-integer linear programming model is proposed to minimize supply chain costs. Then, for coping with hybrid uncertain parameters effectively, randomness and epistemic uncertainty, a novel robust stochastic-possibilistic programming (RSPP) approach is proposed. Furthermore, several varieties of RSPP models are developed and their differences, weaknesses, strengths and the most suitable conditions for being used are discussed. Finally, usefulness and applicability of the RSPP model are tested via the real case study in an edible oil industry.
Keywords: edible oil supply chain, closed loop supply chain, Possibilistic Programming, Stochastic programming, robust programming -
مطابق نظریه مارکویتز، امکان پیش بینی بازار سرمایه در آینده وجود نداشته و سرمایه گذاران باید به منظور کنترل ریسک سرمایه گذاری، به تشکیل پرتفو بپردازند. در تحقیقات اخیر، توسعه های زیادی روی مدل اولیه پرتفوی مارکویتز از حیث مدلسازی و روش حل ایجاد کرده اند. از جمله اینکه از سنجه های ریسک طیفی همچون ریزش مورد انتظار و ارزش در معرض خطر برای سنجش ریسک استفاده می شود. همچنین، مدل های متنوع فازی، احتمالی و پابرجا برای در نظر گرفتن عدم قطعیت سنجش ریسک و بازدهی توسعه داده شده اند که خطای پیش بینی و ریسک رخداد بحران در خصوص پرتفو را کاهش می دهند. اما به جز تشکیل سبد بهینه سرمایه گذاری، نیاز است که مدل های پابرجا در خصوص مدیریت فعال سبد سرمایه گذاری نیز توسعه داده شود. در تحقیق حاضر، یک مدل تشکیل سبد پابرجا و یک مدل مدیریت فعال پابرجای سبد توسعه داده شده و به حل آن با استفاده از روش فراابتکاری کلونی زنبور عسل پرداخته شده است. بر اساس نتایج به دست آمده، روش پیشنهادی هم در مرحله تشکیل سبد بهینه و هم در مرحله مدیریت آن، از روش های کلاسیک، عملکرد بهتری نشان داده است.
کلید واژگان: برنامه ریزی پابرجا، سبد سرمایه گذاری، ارزش در معرض خطر شرطی، مدیریت فعال، عدم قطعیتBased on Markowitz theory of portfolio optimization, capital market is not predictable by any methods and the risk can only be diversified through portfolio formation and optimization. Recent works made huge developments in the basic model from modeling and risk measures perspectives. Spectral risk measures such as expected shortfall and value at risk are being used frequently as risk measures. In addition, researchers tend to consider uncertainty in risk and return evaluation via fuzzy, stochastic and robust modeling. However, a matter that has been neglected in many researches is portfolio management under uncertainty conditions. This paper propose a method for robust modeling of portfolio optimization and management using expected shortfall as risk measure and Bertsimas modeling as robust programming. The proposed model solved with artificial bee colony algorithm and results show a better performance of proposed model compared to classic methods in both the optimal portfolio formation and its management phase.
Keywords: Robust Programming, Portfolio, CVAR, Active Management, Uncertainty -
در این پژوهش مدلی ریاضی دو هدفه جهت بهینه سازی شبکه توزیع کالا در زنجیره تامین سه سطحی مبتنی بر مدل های مکان یابی- موجودی با هدف مکان یابی مراکز توزیع توسعه داده می شود که در آن تخصیص مناسب مشتریان به منظور حداکثرسازی پوشش تقاضا، افزایش میزان فروش از طریق اعمال سیاست های تخفیف و در نهایت بهبود سامانه حمل ونقل کالا از طریق ارائه فروش بسته ای در مقایسه با فروش تکی انجام می گیرد. ازطرفی سیاست فروش بسته ای از طریق ایجاد سطح قیمتی مناسب جهت ارائه به مشتری، باعث افزایش میزان فروش و در نهایت افزایش حاشیه سود بنگاه ها می شود. در این تحقیق برای بالا بردن سطح اطمینان مشتری نسبت به تقاضا سعی کرده ایم در این مدل حداقل 80درصد تقاضای مشتری پاسخ داده شود. که مدل حاضر سعی در بیشینه سازی آن دارد. جهت نزدیک تر شدن به مسائل دنیای واقعی نیز برخی پارامترها تحت شرایط عدم قطعیت در نظر گرفته شده اند و از تکنیک برنامه ریزی استوار برای حل آن استفاده شده است. در پایان جهت اعتبار سنجی مدل ارائه شده، مثالی مطابق با مسائل دنیای واقعی طراحی و توسط نرم افزار GAMS حل و نتایج آن ارائه شده است.کلید واژگان: مکانیابی موجودی، برنامه ریزی چندسطحی، سیاست های تخفیف، برنامه ریزی استوارIn this study, a multi-objective mathematical model is developed to optimize the distribution network in a three level supply chain based on the inventory location- models with the aim of locating distribution centers. also, appropriate allocation of customers in order to maximize coverage of the demand, increasing sales through discount policies and ultimately improving the transportation system by selling the package of products agaainst individual sales is considered.On the other hand, the policy of selling pakages, Increases the total sales and their profit margin by creating appropriate price for the customrers. Due to the circumstances, each distribution center has specific reliability level which the proposed model try to maximize it. In order to make the model more realistic, some parameters have been considered under conditions of uncertainty and robust planning techniques have been used to solve it, finally, to validate the presented model, and instance according to real-world problems were solved by GAMS software. The Results are presented in detailsKeywords: Inventory location, multi-level planning, discount policy, robust programming
- 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.