فراابتکاری

در یک سیستم لجستیک، تصمیماتی نظیر مکانیابی انبارها، مسیریابی وسایل نقلیه و تخصیص مسیرها به این وسایل نقلیه باید به طور همزمان اخذ شوند. در واقع این گونه مسایل، به دنبال یافتن مکان و تعداد مناسب تسهیلات و نیز مسیرهای توزیع توسط وسایل نقلیه هستند. این مسئله به دلیل پیچیدگی و حجم بالای محاسبات جزء مسایل بهینهیابی ترکیبی و NP-hard قرار میگیرد. به دست آوردن حل بهینه برای مسئله مورد نظر در ابعاد بالا در زمان محاسباتی معقول به وسیلهی رویکردهای سنتی و ابزارهای بهینهیابی متداول، بسیار مشکل است. بنابراین یک الگوریتم فراابتکاری مبتنی بر الگوریتم مورچگان برای حل این مسئله استفاده شده است. با توجه به آزمایش های انجام شده، این الگوریتم پیشنهادی میتواند جواب نزدیک به بهینه در زمان قابل قبولی ارایه دهد. همچنین در این مقاله فرض تخصیص چندین مسیر به یک وسیله نقلیه در کل زمان در دسترس در نظر گرفته شده است. در انتها، نتایج به دست آمده از این الگوریتم برای مسایل با حجم کم با خروجی نرم افزار لینگو مقایسه و بررسی شده است.

مسئله مکان یابی مسیریابی هاب یکی از مسائل 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 مسئله، 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 مؤثر باشد.

یکی از روش های متنوع سازی و کاهش ریسک سبد سرمایه گذاری، افزودن طیف مختلفی از دارایی ها به آن است. تا به امروز، مدل های ریاضی بسیاری با هدف بیشینه سازی بازدهی و کمینه سازی ریسک ارائه شده اند که تنها مبتنی بر سرمایه گذاری روی سهام بازار سرمایه اند. در این مطالعه، سرمایه گذاری در پروژه ها نیز به عنوان یک نوع دارایی در کنار سهام بازار سرمایه مدنظر قرار گرفته و درباره آن مطالعه شده است. مسئله انتخاب ترکیبی پروژه و سهام از طریق تخصیص وزن بهینه به آنها، یکی از چالش های پیش روی سرمایه گذاران خواهد بود. در پژوهش حاضر، ابتدا تلاش شده است تا فضای تحلیل پروژه ها به تحلیل سهام نزدیک تر و سپس مدلی با رویکرد میانگین - نیم واریانس - نیم آنتروپی در فضای احتمالی توسعه داده شود که به منظور اعتبارسنجی آن، یک آزمایش عددی شامل 3 پروژه و 5 سهم از بازار سرمایه، به کمک سه الگوریتم فراابتکاری ژنتیک، رقابت استعماری و گرگ های خاکستری حل شده اند. دستاورد اصلی این پژوهش، ارائه مدلی برای توصیه به سرمایه گذاران درباره سبدهای سرمایه گذاری با سطوح ریسک مختلف است. نتایج حاصل از آزمایش عددی حاصل نشان می دهد که الگوریتم رقابت استعماری در مقایسه با دو الگوریتم های ژنتیک و گرگ های خاکستری، پاسخ های بهتری ارائه کرده است. روش پیشنهادی می تواند توسط طیف وسیعی از سرمایه گذاران و مدیران واحدهای مختلف سرمایه گذاری در مؤسسات مختلف، به کار رود.