مهدی بیجاری

در بازارهای رقابتی شرط بقای یک سازمان، جذب مشتریان بالقوه و حفظ مشتریان فعلی است؛بنابراین توجه به نیازها و خواسته های مشتریان بسیار مهم است. در این مقاله مسئلة پذیرش و زمان بندی سفارش ها، در حالتی بررسی شده است که دو نوع مشتری یا عامل در یک محیط تک ماشین برای رسیدن به اهداف خود با هم رقابت می کنند. هدف بیشینه سازی مجموع سود سفارش های عامل اول و درآمد سفارش های عامل دوم است؛ بنابراین فقط عامل اول جریمه دارد وتابع آن مجموع مغایرت زمان تکمیل و موعد تحویل است. سفارش های عامل دوم نیز دارای یک موعد تحویل مشترک بوده و این عامل هیچ سفارشهمراه به دیرکرد را نمی پذیرد. برای حل مسئله  مدلی ریاضی، یک الگوریتم ابتکاری و یک برنامه ریزی پویای شبه چندجمله ای ارائه شده است. نتایج حل این الگوریتم ها در مسائل نمونه حاکی از توانایی حل بهینة تمامی مسائل تا ابعاد 70 سفارش و %12/93 از مسائل تا ابعاد 150 سفارش توسط برنامه ریزی پویا است.

تعیین اندازه دسته تولید در حالت احتمالی به علت کاربرد عملی آن، موضوع قابل توجهی در برنامه ریزی تولید محسوب می شو د. هم چنین مفهوم سطح خدمت برای مدیران نسبت به هزینه کمبود کاربردی تر است. از این جهت در این تحقیق به حل مدل تعیین اندازه دسته تولید در حالت چند دوره ای و چند محصولی و وجود محدودیت ظرفیت با تقاضای احتمالی و محدودیت سطح خدمت در حالت پس افت پرداخته شده است. ابتدا مدل در حالت تک محصولی با در نظر گرفتن سطح خدمت و بدون محدودیت ظرفیت ارائه شده و جواب بهینه با استفاده از روش برنامه ریزی پویا بدست آمده است. سپس مدل به حالت چند محصولی با محدودیت ظرفیت تعمیم داده شده است. با توجه به اینکه مدل تعیین اندازه دسته تولید در حالت چند دوره ای و چند محصولی با محدودیت ظرفیت و تقاضای احتمالی NP-Hard است و در نتیجه حل این مدل در ابعاد بزرگ با استفاده از روش های بهینه یابی دقیق امکان پذیر نیست، به همین دلیل از روش فرا ابتکاری سرد کردن تدریجی برای حل این مدل به کار رفته است. سپس برای بررسی کارایی روش حل از معیار حد پایین استفاده شده است.

فلزات قیمتی همچون طلا، نقره و پلاتین از جمله مهمترین متغیرهای مؤثر در سیستم های مالی بوده و پیش بینی قیمت آنها برای تصمیم گیران از اهمیت بسیار برخوردار است . تغییرات سریع در سیستم های مورد مطالعه در دنیای واقعی و بویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان از جهت تامین داده های لازم گردیده است . چرا که مدل های کمی پیش بینی همچون میانگین نیز به (ANNs) دارای محدودیت تعداد داده های گذشته بوده و شبکه های عصبی مصنوعی (ARIMA) متحرک خود رگرسیون انباشته منظور حصول نتایج دقیق احتیاج به داده های زیادی دارند . مدلهای پیش بینی فازی، مدلهایی مناسب در شرایط پیش بینی با داد ه های کم بوده، اما عملکرد آنها در حالت کلی رضایت بخش نمی باشد. استفاده از مدل های ترکیبی یا ترکیب مدل های مختلف یک راه معمول به منظور مرتفع نمودن محدودیت های مدلهای تکی و بهبود دقت پیش بینی ها می باشد؛ لذا در این مقاله به منظور برطرف نمودن محدودیت داده در مدلهای میانگین متحرک خود رگرسیون انباشته کلاسیک و حصول مدل دقیق تر در پیش بینی سری های زمانی، مدل به منظور پیش بینی پیشنهاد شده است. نتایج حاصله بیانگر (FARIMA) ترکیبی میانگ ین متحرک خود رگرسیون انباشته با منطق فازی کارآمدی روش پیشنهادی در پیش بینی بازه تغییرات قیمت طلا می باشد

دقت پیش بینی از مهمترین عوامل مؤثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روشهای متعدد پیش بینی، هنوز پیش بینی دقیق مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش بینی، کار بسیار دشواری می باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند چرا که اولاً در عمل تعیین خطی و غیرخطی بودن یک سری زمانی کار دشواری است ثانیاً سریهای زمانی دنیای واقع بندرت کاملاً خطی و یا غیرخطی هستند. مدلهای خودرگرسیون میانگین متحرک انباشته (ARIMA) و شبکه های عصبی مصنوعی(ANNs) به ترتیب از جمله دقیق ترین مدلهای خطی و غیرخطی در پیش بینی سریهای زمانی می باشند. در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک از روشهای مدل سازی خطی و غیرخطی و حصول نتایج دقیقتر، روش ترکیبی مدل های خودرگرسیون میانگین متحرک انباشتهو شبکه های عصبی مصنوعی به منظور پیش بینی های مالی پیشنهاد شده اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه های پرسپترون چندلایه (MLP) نتایج دقیقتری در پیش بینی نرخ ارز(یورو در مقابل ریال) ارائه نموده است.