فهرست مطالب

  • Volume:1 Issue: 1, Spring-Summer 2016
  • تاریخ انتشار: 1395/03/02
  • تعداد عناوین: 5
|
  • اکبر هاشمی برزآبادی*، منیژه حسن آبادی، ناصر سجادی صفحات 1-19
    در این مقاله روشی برای یافتن زوج بهینه کنترل و وضعیت، جهت مسائل کنترل بهینه چندهدفه، روشی بر پایه الگوریتم های تکاملی معرفی شده است. در این روش ابتدا شکل گسسته ای از فضای زمان-کنترل ارائه شده، سپس از فضای زمان-کنترل گسسته شده، توابع کنترل و وضعیت تکه ای خطی با استفاده از معادلات سیستم ساخته می شوند. دو روش تکاملی ژنتیک و ازدحام ذرات برای یافتن جواب های بهینه پارتو مسئله به کار می رود. جواب های عددی برای نشان دادن کارایی روش ارائه شده اند.
    کلیدواژگان: مسئله کنترل بهینه چندهدفه، جواب پارتو، الگوریتم تکاملی، گسسته سازی، تقریب
  • نادر کنزی صفحات 21-30
    در این مقاله، مسائل بهینه سازی شامل تعداد نامتناهی قید نامساوی در یک فضای باناخ مورد بررسی و مطالعه قرار گرفته است. این دسته مسائل به گونه ای است که تابع هدف و تمامی توابع فید در نزدیکی نقطه بهینه به طور موضعی لیپ شیتز هستند. هدف، ارائه شرایط لازم بهینگی و بررسی شرایط نظم پذیری برای مسائل فوق، توسط زیرمشتق میشل-پینت است.
    کلیدواژگان: مسئله برنامه ریزی نامتناهی، شرط نظم پذیری، شرایط بهینگی، زیرمشتق میشل - پینت
  • عقیله حیدری، حمیدرضا یوسف زاده* صفحات 41-53
    در این مقاله به معرفی معیاری جدید جهت ارزیابی مفهوم بهره وری در قالب یک مسئله برنامه ریزی خطی چندهدفه پرداخته شده است. برای انجام این مهم، از فرایند تحلیل سلسله مراتبی (AHP) استفاده خواهد شد. برای انجام این مهم، پس از آشنایی با فرایند تحلیل سلسله مراتبی (AHP) به رتبه بندی پارامترهای تاثیرگذار بر میزان بهره وری پرداخته می شود. سپس با استفاده از روش های حل مسئله برنامه ریزی خطی چندهدفه و یافتن اداره حائز اهمیت (گلوگاه) در دانشگاه پیام نور مشهد، به کمک روش AHP مهم ترین علل نارضایتی مراجعان از آن اداره که در عدم ارتقای بهره وری آن نقش دارند را مشخص کرده و با حل مسئله برنامه ریزی خطی چندهدفه به ارزیابی بهره وری آن می پردازیم و برای بهبود و ارتقای آن چاره اندیشی می کنیم. در پایان به نتایج بدست آمده اشاره شده است.
    کلیدواژگان: بهره وری، فرایند تحلیل سلسله مراتبی، مسئله برنامه ریزی خطی چندهدفه
  • علاءالدین ملک، قاسم احمدی *، سیدمهدی میرحسینی عالیزمینی صفحات 55-67
    برنامه ریزی خطی نیمه نامتناهی، دسته ی مهمی از مسائل بهینه سازی است که بی نهایت قید را شامل می شود. در این مقاله، برای حل این دسته مسائل، یک روش گسسته سازی با یک روش شبکه عصبی ترکیب شده است. با یک گسسته سازی ساده، مسئله برنامه ریزی خطی نیمه نامتناهی به یک مسئله برنامه ریزی خطی تبدیل شده است. سپس از یک مدل شبکه عصبی بازگشتی با یک ساختار ساده بر اساس یک سیستم دینامیکی، برای حل مسئله مورد استفاده قرار گرفته است. مسئله انتخاب پورت فولیو و چند مثال عددی دیگر برای نشان دادن کارآمدی مدل ارائه شده، مطرح گردیده است.
    کلیدواژگان: برنامه ریزی خطی نیمه نامتناهی، شبکه عصبی بازگشتی، سیستم دینامیکی، گسسته سازی، برنامه ریزی خطی
  • امین الله آلبا صفحات 69-78
    جهانشاهلو یک روش برای حل مسائل برنامه ریزی خطی صفر و یک ارائه کرده است. در این مقاله، مسائل برنامه ریزی خطی کاملا فازی صفر و یک، فرمول بندی شده و با استفاده از تابع رتبه بندی، روشی برای حل این مسائل معرفی شده است و هم زمان روش انشعاب و کران همراه با یک مثال عددی برای تشریح روش پیشنهادی ارائه شده است.
    کلیدواژگان: مجموعه فازی، عدد فازی، تابع رتبه بندی، عدد فازی مثلثی، عدد فازی مثلثی صفر و یک
|
  • Akbar Hashemi Borzabadi *, Manije Hasanabadi, Naser Sadjadi Pages 1-19
    In this paper an approach based on evolutionary algorithms to find Pareto optimal pair of state and control for multi-objective optimal control problems (MOOCP)'s is introducedý. ýIn this approachý, ýfirst a discretized form of the time-control space is considered and thený, ýa piecewise linear control and a piecewise linear trajectory are obtained from the discretized time-control space using a numerical methodý. ýTo do thatý, ýa modified version of two famous evolutionary genetic algorithm (GA) and particle swarm optimization (PSO) to obtain Pareto optimal solutions of the problem is employedý. ýNumerical examples are presented to show the efficiency of the given approach.
    Keywords: Multi, objective optimal control problem?, ?Pareto solution?, ?Evolutionary algorithm?, ?Discretization?, ?Approximation
  • Nader Kanzi Pages 21-30
    In this paper we study optimization problems with infinite many inequality constraints on a Banach space where the objective function and the binding constraints are locally Lipschitzý. ýNecessary optimality conditions and regularity conditions are givený. ýOur approach are based on the Michel-Penot subdifferential.
    Keywords: Programming problemý, ýRegularity conditionsý, ýOptimality conditioný, ýMichel, Penot subdifferential
  • Aghile Heydari, Hamid Reza Usefzadeh* Pages 41-53
    In this paper we try to introduce a new approach and study the notion of efficiency under a multi objectives linear programming problem in the university by using analysis of hierarchy process (AHP)ý. ýTo this endý, ýwe first extract some effective parameters due to efficiency offices in university and then prioritized these parameters by the AHP methodý. ýHenceý, ýwe could classify the most important factors of people's dissatisfaction in the offices and could underlie further studies in related offices to evaluate the efficiency and also effective factors for increasing the efficiencyý. ýMore clearlyý, ýa mathematical model is suggested to calculate the amount of efficiency under a multi objectives linear programming problem and then it is solved by using the existing methodsý. ýNote that in order to examine the approach's performanceý, ýthe Payame Noor University of Mashhad (PNUM) is selected as a case studyý. ýNumerical experiments are included to illustrate the effectiveness of the proposed approach.
    Keywords: Efficiencyý, ýAHP Methodý, ýMulti Objectives Linear Programming Problem
  • Alaeddin Malek, Ghasem Ahmadi *, Seyyed Mehdi Mirhoseini Alizamini Pages 55-67
    ýLinear semi-infinite programming problem is an important class of optimization problems which deals with infinite constraintsý. ýIn this paperý, ýto solve this problemý, ýwe combine a discretization method and a neural network methodý. ýBy a simple discretization of the infinite constraints,we convert the linear semi-infinite programming problem into linear programming problemý. ýThený, ýwe use a recurrent neural network modelý, ýwith a simple structure based on a dynamical system to solve this problemý. ýThe portfolio selection problem and some other numerical examples are solved to evaluate the effectiveness of the presented model.
    Keywords: ?Linear semi, infinite programming?, ?Recurrent neural network?, ?Dynamical system?, ?Discretization?, ?Linear programming
  • Aminalah Alba Pages 69-78
    Jahanshahloo has suggested a method for the solving linear programming problems with zero-one variablesý. ýIn this paper we formulate fully fuzzy linear programming problems with zero-one variables and a method for solving these problems is presented using the ranking function and also the branch and bound method along with an example is presented.
    Keywords: Fuzzy set, Fuzzy number, Ranking functioný, ýTriangular fuzzy number, Zero, one triangular fuzzy number