memetic algorithm
در نشریات گروه مدیریت-
Objective
This paper introduces a groundbreaking optimization-simulation model, a novel approach that promises to revolutionize credit scoring and loan optimization for banks.
MethodsThe proposed approach follows a three-stage framework: data preparation, credit scoring, and optimization simulation. In the data preparation stage, corporate client data, including bank loan information and financial statements, has been collected and processed to define and calculate relevant features. The credit scoring stage involved meticulous feature selection using the correlation method, followed by the rigorous training and testing of five classification
methodslogistic regression (LR), K-nearest neighbors (KNN), artificial neural network (ANN), adaptive boosting (AdaBoost), and random forest (RF). Model performance has been evaluated using accuracy, F1-score, and area under the curve (AUC) to identify the most effective classifier. In the optimization-simulation stage, the Memetic Algorithm (MA) has been utilized to optimize loan characteristics, including loan size, interest rate, and repayment period, while minimizing the rate of loan defaults. Additionally, this stage incorporated the pre-trained credit scoring model to estimate the impact of loan characteristics on default probabilities.
ResultsA case study was conducted using data from 1,000 corporate clients of Bank Tejarat. The optimization-simulation approach has successfully reduced the loan default rate from 33% to below 5%, a significant achievement that underscores its potential to mitigate banks' credit risk. This shows the effectiveness of the proposed method in reducing credit risk for banks. Additionally, the AdaBoost technique achieved the best performance among the credit assessment models.
ConclusionThe optimization-simulation approach combines determining the optimal loan specifications with the credit assessment process. This approach considers the impact of loan characteristics on the likelihood of customer default and utilizes this information to reduce banks' credit risk
Keywords: Credit Risk, Credit Scoring, Classification, Memetic Algorithm, Optimization-Simulation Model -
در این مقاله، روشی جدید برای اعتبارسنجی و تعیین پارامترهای بهینه تسهیلات بانک ها توسط رویکرد شبیه سازی-بهینه یابی ارائه شده است. روش پیشنهادی شامل سه مرحله آماده سازی داده ها، مدل اعتبارسنجی و مدل شبیه سازی-بهینه یابی می باشد. در آماده سازی داده ها، اطلاعات تسهیلات بانکی و صورت های مالی شرکت ها گردآوری شده و ویژگی های مورد نیاز محاسبه می شوند. انتخاب ویژگی های مهم توسط الگوریتم حداقل افزونگی حداکثر ارتباط (MRMR) انجام می گیرد. سپس برای حل مسئله اعتبارسنجی، از پنج روش کلاسه بندی شامل رگرسیون لجستیک (LR)، ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، تقویت گرادیان شدید (XGB) و جنگل تصادفی (RF) استفاده می شود. عملکرد این مدل ها توسط معیارهایی چون دقت، نمره F1 و سطح زیر منحنی (AUC) ارزیابی شده و بهترین مدل برای مرحله بعد انتخاب می شود. در مرحله شبیه سازی-بهینه یابی، مشخصات بهینه تسهیلات اعطایی به مشتریان با هدف حداقل سازی نرخ نکول تسهیلات انجام می گیرد. برای این منظور، اندازه تسهیلات، نرخ بهره و مدت زمان بازپرداخت تسهیلات به عنوان متغیرهای مسئله بهینه سازی در نظر گرفته می شوند. حل مسئله بهینه سازی توسط الگوریتم ممتیک (MA) در چهار حالت صورت می گیرد. در الگوریتم ممتیک، برای تخمین احتمال نکول مشتریان، از مدل اعتبارسنجی از پیش آموزش دیده استفاده می شود. مطالعه موردی بر روی داده های 1000 مشتری حقوقی یک بانک تجاری در ایران صورت گرفته است. از بین 30 ویژگی تعریف شده، 11 ویژگی برای استفاده در اعتبارسنجی انتخاب شدند. روش جنگل تصادفی (RF) بهترین عملکرد را در بین مدل های اعتبارسنجی داشته است. رویکرد شبیه سازی-بهینه یابی موفق شده با کاستن از اندازه تسهیلات و نرخ بهره و افزایش مدت تسهیلات، نرخ نکول را از 38% به 20% کاهش دهد.کلید واژگان: ریسک اعتباری، اعتبارسنجی، کلاسه بندی، الگوریتم ممتیک، مدل شبیه سازی-بهینه یابیThis article presents a novel simulation-optimization framework for credit scoring and optimal bank facility parameter determination. The method comprises three stages:1. Data Preparation: Collecting financial statements and facility data from 1,000 Iranian corporate clients (2017-2021), with 11 critical features selected from 30 variables using the Minimum Redundancy Maximum Relevance (MRMR) algorithm.2. Credit Scoring: Five classification models—Logistic Regression (LR), Support Vector Machine (SVM), Artificial Neural Networks (ANN), Extreme Gradient Boosting (XGB), and Random Forest (RF)—are evaluated via accuracy, F1-score, and AUC. Random Forest (RF) outperforms others (accuracy: 89.2%, AUC: 0.93).3. Simulation-Optimization: A Memetic Algorithm (MA) optimizes three variables—facility amount, interest rate, and repayment period—across four scenarios. The MA integrates a pre-trained RF model to estimate default probabilities dynamically.Key outcomes:• Adjusting parameters (34% lower facility amounts, 25% reduced interest rates, 40% longer repayment terms) cuts default rates from 38% to 20%.• The approach enhances bank profitability by 19% through risk-adjusted loan pricing.This methodology bridges AI-driven credit assessment with metaheuristic optimization, offering a scalable solution for credit risk mitigation in emerging markets. By enabling real-time adaptation to customer risk profiles, it empowers banks to balance profitability and risk exposure effectively.Keywords: Credit Risk, Credit Scoring, Classification, Memetic Algorithm, Simulation-Optimization Model
-
با رشد و توسعه کسب و کارها، مدیریت جریانهای مالی و افزایش اثربخشی آن دستاورد مهمی است که سبب ایجاد پایداری ارزش وکارآمدی سیستم ها , رویه ها در طول زنجیره های کسب و کار خواهد شد. بنابراین توجه لازم به متغیرهای غیرقابل کنترل و قابل کنترلی که به ارزش آفرینی منجر شود امری اجتناب ناپذیر است. لذا هدف این پژوهش بررسی همزمان در راستای تاثیرگذاری عوامل اجتماعی و زیست محیطی بر ارزش آفرینی شرکت (تولید و بازیافت قطعات پلیمری) در طول زنجیره تامین می باشد که نقش کلیدی بررسی نسبت های مالی نیز در این خصوص مورد توجه قرار گرفته است. پژوهش حاضر از انواع کمی و کاربردی و مبتنی بر مدلسازی ریاضی است. مدلسازی پژوهش با استفاده از الگوریتم فراابتکاری ترکیبی ممتیک که حاصل ترکیب الگوریتمهای ژنتیک و شبیه سازی تبریدمی باشد انجام شده است. پارامترهای تحلیل مالی مدل شامل نسبتهای جاری، آنی، بدهی به حقوق صاحبان سهام، حاشیه سود خالص، نسبت وجه نقد و نرخ بازگشت می باشد. بررسی و تحلیل نتایج حاکی از آن است که در نظر گرفتن اهداف و شاخص های مالی به بهبود سودآوری منجر می شود و با حذف شاخص های مالی از مدل، سودآوری کاهش یافته و این به معنای بهبود عملکرد زیست محیطی و اجتماعی زنجیره تامین است. پس شرکتها می توانند از طریق ایفای مسیولیت های اجتماعی و رسالت حفظ محیط زیست و افشای عملکردشان به جامعه در این خصوص سودآوری خویش را بهبود بخشیده و سبب افزایش ارزشهای مالی و اقتصادی شوند.
کلید واژگان: الگوریتم ممتیک، توسعه کسب وکار، شاخص سودآوری، مدلسازی ریاضی، نسبت های مالیAmong the growth and development of businesses, managing financial flows and increasing its effectiveness is an important achievement that causes value stability, efficiency of systems and procedures throughout the chains of Business. Therefore, paying attention to uncontrollable and controllable variables that lead to value creation is inevitable. The purpose of this study is to study the impact of social and biological factors (production and recycling of polymer parts) of environment on the value creation of the company along the supply chain. Also the key role of financial ratios has also been considered in this regard.The present research is of quantitative and applied types and is based on mathematical modeling. It is the result of a combination of genetic algorithms and Simulated Annealing. The financial analysis parameters of the model include current ratios, debt to equity, Instantaneous ratio, net profit margin, cash ratio and rate of return.The analysis of the results shows that considering financial goals and indicators leads to improved profitability and by removing financial indicators from the model, profitability is reduced. Therefore,this is means that the environmental and social performance of the supply chain is improved.Companies can pay special attention to social issues and environmental factors along with their profitability Increase their economic value. Profitability can also be improved by exposing social responsibilities and the mission of environmental protection.
Keywords: Business development, Financial ratios, Mathematical Modeling, Memetic algorithm, Profitability index -
در مطالعات مختلف مربوط به مسایل زمانبندی، معمولا تمرکز بر برنامه ریزی ماشین ها و تخصیص کارها به ماشین ها و تعیین توالی کارها، به منظور بهینه سازی زمان اتمام کارها، می باشد. با توجه به ارتباط بین اقتصاد، انرژی و نگرانی های زیست محیطی، مصرف انرژی یکی از موارد مهم در برنامه ریزی سیستم های مختلف می باشد. در این مقاله یک مساله زمانبندی ماشین های موازی ناهمگن که در آن سرعت پردازش هر کار روی هر یک از ماشین ها قابل تنظیم است، بررسی می شود و از آنجا که انرژی مصرفی ماشین ها با سرعت پردازش آن ها رابطه ای مستقیم دارد، هدف مساله کمینه سازی مجموع هزینه های انرژی مصرفی و جریمه دیرکرد در تحویل تقاضای مشتریان می باشد. به منظور بهینه سازی مساله، یک الگوریتم فراابتکاری ممتیک و یک الگوریتم فراابتکاری ژنتیک پیشنهاد شده است و در پایان نتایج بدست آمده از دو الگوریتم فراابتکاری پیشنهادی را با یکدیگر و با نتایج حاصل از خروجی نرم افزار بهینه سازی گمز، مقایسه و تحلیل می نماییم.کلید واژگان: زمانبندی ماشین های موازی ناهمگن، هزینه دیرکرد، هزینه انرژی، الگوریتم ممتیکIn general, numerous studies have paid a special attention to machine planning,job allocating andjob sequencing in scheduling problems to optimize makespan. Due to the relation among economy, energy and environmental concerns, energy use is one of the most important issues in different systems planning. In this paper, a scheduling of heterogeneous parallel machines is studied, in which the job process speed on every machine is settable. Since there is a direct link between used energy of machines and process speed, the purpose of the paper is to minimize total used energy and tardiness-related costs in delivering customers' demand. In order to optimizing the problem, two meta-heuristic algorithms, Memetic algorithm and Genetic algorithm, are developed, finally the results of both algorithms are analyzed and then compared to each other as well as to the results of the GAMS optimization software. Keyword: heterogeneous parallel machines scheduling, total lateness costs, Energy costs. Memetic algorithmKeywords: Heterogeneous parallel machines scheduling, Total lateness costs, Energy costs, Memetic algorithm
-
در این مقاله، یک زنجیره تامین حلقه بسته با هدف پاسخگویی به تقاضای مشتریان و ارائه خدمات پس ازفروش با حداکثر سود ممکن بررسی شده است. عدم قطعیت پارامترهای تقاضای مشتریان و ظرفیت تسهیلات از طریق تابع توزیع احتمال پیوسته در مدل اعمال شده و مسئله به روش برنامه ریزی تصادفی و در غالب یک مدل برنامه ریزی غیرخطی عدد صحیح مختلط، فرمول بندی شده است؛ علاوه بر آن انتشار عدم قطعیت بین سطوح زنجیره تامین در نظر گرفته شده و تاثیر آن بر سطح پاسخگویی به تقاضای مشتریان نیز ارزیابی شده است. همچنین، امکان انتخاب بهترین استراتژی بازاریابی برای زنجیره تامین و ایجاد یک جریان قابل اطمینان در طی دوره برنامه ریزی لحاظ شده است. مدل ارائه شده با استفاده از یک الگوریتم ممتیک مبتنی بر الگوریتم های ژنتیک و جست وجوی همسایگی متغیر انطباق پذیر حل شده است. کارایی الگوریتم حل با مقایسه عملکرد آن با دو الگوریتم فراابتکاری دیگر ارزیابی شده است. مدل و روش حل ارائه شده برای یک مسئله نمونه در صنعت تولید موتور خودرو اجرا شده است؛ درنهایت مجموعه ای از توصیه های مدیریتی با توجه به تحلیل نتایج و یافته های تحقیق پیرامون همبستگی و تاثیرات متقابل استراتژی های بازاریابی مدنظر ارائه شده است. نتایج، حاکی از تاثیر چشمگیر انتشار عدم قطعیت بر برنامه ریزی در سطح زنجیره تامین و عملکرد و اندرکنش متفاوت هر یک از استراتژی های بازاریابی مدنظر است.کلید واژگان: انتخاب استراتژی بازاریابی، انتشار عدم قطعیت، الگوریتم ممتیکIn this paper, we consider a closed-loop supply chain supplying products to markets and an after-sales supply chain providing spare parts to fulfill after-sales commitments. Uncertainties of product demand and facility capacity are considered via using continuous probability distribution function and are formulated in the form of a nonlinear mixed integer programming model. In addition, marketing strategies selection for supply chain management and reliable flow creation during the planning periods are considered. Here, we propose a comprehensive mathematical model for determining the best marketing strategies and preserving reliable flow dynamics throughout the chains networks. A new memetic algorithm is developed that incorporates genetic algorithm and adaptive variable neighborhood search to find the best solutions. Efficiency of the proposed memetic algorithm is evaluated by comparing its performance with two other solution algorithms. The proposed model and its solution approach are tested using data from an engine production company. We derive some managerial insight by analyzing the correlations among the marketing strategies and how they affect each other.Keywords: Marketing Strategies Selection, Uncertainty Propagation, Memetic Algorithm
-
طراحی کارایی شبکه لجستیک یکپارچه رو به جلو/ بازگشتی به دلایل سودآوری اقتصادی و الزامات زیست محیطی توجه بسیاری از محققان را در دهه گذشته جلب کرده است. از طرفی، ضرورت مباحثی چون «رضایت مشتریان» و «هزینه های حمل و نقل» به اهمیت پرداختن به شبکه های لجستیکی انعطاف پذیر با مسیرهای جایگزین برای حمل کالاها افزوده است. این مطالعه به طراحی شبکه زنجیره تامین انعطاف پذیرمی پردازد که طی آن ضرورت های یادشده در مدلسازی شبکه منعکس می شود. این مدل ضمن ترکیب یکپارچه لجستیک مستقیم و معکوس با معرفی سه مسیر مختلف در رساندن کالا به مشتریان سعی دارد با استراتژی انتخاب مسیرهای کوتاه تر ضمن کاهش هزینه های حمل و نقل، رضایت مشتریان را از طریق تحویل سریع تر کالاها افزایش دهد. از آنجا که این مسئله مسئله NP-hard شناخته می شود، الگوریتم ممتیک بر پایه مسیرهای تصادفی به همراه یک روش جستجوی همسایگی ترکیبی برای حل آن پیشنهاد شده است. نمونه هایی از مسائل کوچک تا بزرگ برای نشان دادن اهمیت و کاربرد مدل و دقت و کارایی روش حل بررسی شده است.
کلید واژگان: زنجیره تامین یکپارچه، طراحی شبکه لجستیکی، کدگذاری بر پایه مسیرهای تصادفی، الگوریتم ممتیکDue to business and environmental issues، the efficient design of an integrated forward/reverse logistics network has recently attracted more attention from researchers. The significance of transportation cost and customer satisfaction spurs an interest in developing a flexible network design model with different delivery paths. This paper proposes a flexible mixed-integer programming model to deal with such issues. The model integrates the network design decisions in both forward and backward logistics networks، and also applies three kinds of delivering modes (normal delivery، direct shipment، and direct delivery) which enrich the model to be able to deliver the products to customers by distribution-skipping the mid-process strategy in order to deliver products in more flexible paths to customer zones. To tackle with such an NP-hard problem، a memetic algorithm (MA) with random path-based direct representation and combinatorial local search methods is developed. Numerical experiments are conducted to demonstrate the significance and applicability of the model as well as the efficiency and accuracy of the proposed solution approach.Keywords: Integrated supply chain, Logistics network design, Random path, based direct encoding, Memetic 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.
©2000-2025 magiran.com All Rights Reserved.