روش های فراابتکاری

این پزوهش به طراحی شبکهی جمع آوری زباله های خطرناک پرداخته و برای انجام این کار از مفاهیم مکانیابی، مسیریابی، موجودی و زنجیرهی لجستیک معکوس استفاده شده است. موارد مربوط به ریسک احداث مراکز و حمل مواد به عنوان پارامترهای اجتماعی در این پژوهش به عنوان یک تابع هدف جداگانه در کنار تابع هدف اقتصادی، در نظر گرفته شده است. مسأله مورد نظر در قالب مدل برنامهریزی خطی عدد صحیح مختلط با دو تابع هدف فرموله شده است. در نظر گرفتن سیاست موجودی با استفاده از تسهیلات موجود، و محدودیتهای زمانی ارسال و ظرفیت وسایل سیستم حمل نقل از جمله ویژگی های دیگر مدل میباشد. با توجه به پیچیدگی محاسباتی مدل ارائه شده، برای حل این مدل از دو الگوریتم فراابتکاری NSGA-II و MOPSO استفاده شده است و نتایج آنها با یکدیگر مقایسه شدهاند. طبق نتایج، روش NSGA-II عملکرد بهتری را در هر چهار شاخص فاصله گذاری، فاصله از آرمان و بیشترین گسترش نشان میدهد. همچنین نتایج نشان میدهد که زمان حل این روش به طور متوسط 6% کمتر از روش حل رقیب میباشد. طبق نتایج حاصل از تحلیل حساسیت، هزینههای سیستم به ازای در نظر گرفتن ناوگان خارجی تغییرات بیشتری را نسبت به استفاده از ناوگان داخلی، از خود نشان میدهد.

بهینه سازی سبد سهام یکی از مهم ترین موضوعاتِ تصمیم گیری برای شرکت های فعال در بازار سرمایه است. هنگامی که وضعیت و محدودیت های دنیای واقعی نظیر محدودیت سرمایه گذاری در هریک از سهام ها و نیز محدودیت تعداد سهام های موجود در سبد سهام در نظر گرفته می شوند، مسئله بهینه سازی سبد سهام به راحتی حل نمی شود، از این رو استفاده از شیوه های فراابتکاری مد نظر قرار می گیرد. هدف اصلی از پژوهش حاضر، حل مسئله بهینه سازی سبد سهام با استفاده از نوعی الگوریتم فراابتکاری کاملاً جدید و نوظهور به نام الگوریتم جست وجوی ارگانیسم های هم زیست با در نظر گرفتن محدودیت های دنیای واقعی در تشکیل سبد سهام است. این الگوریتم با الهام از روابط هم زیستی موجود در اکوسیستم های گوناگونی که در طبیعت وجود دارد، در سال 2014 معرفی شده است. در نهایت روش و مدل مورد استفاده در این پژوهش با داده های واقعی حل شد و نتایج آن تجزیه و تحلیل شدند. نتایج این پژوهش نشان می دهد، الگوریتم جست وجوی ارگانیسم های هم زیست در بهینه سازی سبد سهام، عملکرد موفقی داشته و توانسته است به نحو مطلوبی با محدودیت های واقعی بازار تعامل کند

افزایش بازده و کاهش ریسک، همواره یکی از مهم ترین مسائلی است که سرمایه گذاران در بازارهای مالی به آن توجه می کنند. با وجود سابقه طولانی بهینه سازی سبد سهام، الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری که در سال 2010 معرفی شده است، یکی از کاراترین روش های فرا ابتکاری، برای حل مسائل بهینه سازی است. در این پژوهش، سعی شده است مسئله بهینه سازی سبد سهام، در چارچوب مدل معرفی شده مارکوویتز، با استفاده از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری حل شود. بدین منظور، از بازدهی های روزانه 20 شرکت پذیرفته شده در بورس اوراق بهادار تهران که دارای نقدینگی بالا در بازه زمانی 1391 تا 1395 بودند، استفاده شده است. نتایج به دست آمده از این تحقیق نشان می دهد الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری، نسبت به سایر الگوریتم ها برای یافتن مرز کارا و بهینه سازی سبد سهام، عملکرد بهتری دارد.