تحقیق در عملیات در کاربردهای آن
سال:1396 | دوره:14 | شماره:3 (پیاپی 54) |تعداد مقالات:9

انتخاب گزینه های مناسب برای استفاده بهینه از منابع در دسترس همواره موردتوجه مدیران بوده است. نگرش های متفاوتی برای استفاده حداکثری از این منابع وجود دارد. محدودیت سرمایه، نیروی انسانی، انرژی، شرایط رقابتی بازار و غیره، مدیران را به سوی یافتن یک راه حل بهینه سوق داده است. فرایند تحلیل سلسله مراتبی یکی از پرکاربردترین این روش ها برای انتخاب گزینه ها است که با استفاده از مقایسات زوجی بین گزینه ها و معیارها، به اولویت بندی آن ها می پردازد. از طرفی در دنیای واقعی همواره نظرات تصمیم گیرندگان دارای سطوح اهمیت یکسان نیست و به علت استفاده از ماتریس مقایسات زوجی فرایند تحلیل سلسله مراتبی زمان بر و طولانی است و ممکن است به دلیل عدم دقت در تکمیل آن به ناسازگاری منجر شود. در این مقاله روشی برای فرایند تحلیل سلسله مراتبی گروهی با سطح نابرابر تصمیم گیرندگان با استفاده از رای گیری ترجیحی ارایه شده است که با یک مثال عددی تبیین گشته است.

سالانه به دلایل مختلف مقدار قابل ملاحظه ای از محصولات تولیدی در صنایع مختلف غذایی و زراعی در زنجیره تامین خود فاسد می شوند. مکانیزم های مختلفی نیاز هست تا این ضایعات را کاهش دهد و یا بتواند از اقلام فاسد شده بهره برداری کند، بنابراین در این مقاله سعی شده برای بهبود این شرایط نامطلوب، شبکه زنجیره تامین کارایی طراحی گردد که هدف از آن، کمینه سازی هزینه ها برای محصولات فاسدشدنی می باشد. به دلیل وجود تحقیقات اندک در حوزه زنجیره تامین محصولات زراعی فاسدشدنی، این تحقیق می تواند یکی از تحقیقات پایه ای این حوزه محسوب شود. همچنین برای بررسی و تحلیل مدل پیشنهادی از یک مطالعه موردی در استان مازندران برای محصولات زراعی استفاده کرده است. ازآنجایی که مدل پیشنهادی در ابعاد بزرگ مساله پیچیده و دشوار (NP- hard) می باشد، لذا برای بررسی نتایج، از الگوریتم های فرا ابتکاری استفاده شده است. لازم به ذکر است که جهت مقایسه کارایی این الگوریتم ها، در ابعاد کوچک مساله از روش شاخه و حد توسط نرم افزار لینگو نیز استفاده شده است. در انتها نتیجه گیری و پیشنهاد هایی برای تحقیقات آتی بیان شده است.

مدل های کلاسیک تحلیل پوششی داده ها (DEA) هر یک از واحدهای تصمیم گیرنده (DMU) را بر اساس مطلوب ترین حالت برای شناسایی واحدهای دارای بهترین عملکرد مورد ارزیابی قرار می دهند. در واقع، مدل های کلاسیک DEA کارایی هر واحد را در مقایسه با کاراترین واحد اندازه گیری می کنند و چون در این روش کارایی نسبی محاسبه می شود، بنابراین حداقل یکی از واحد ها روی مرز کارایی قرار دارد. در مقابل مدل های DEA کلاسیک، مدل های دیگری وجود دارند که DMU ها را بر اساس نامطلوب ترین حالت مورد ارزیابی قرار می دهند و با تشکیل مرز ناکارایی، واحد های دارای بدترین عملکرد را شناسایی می کنند. در این مقاله با استفاده از رویکرد بهینه سازی استوار، دو مدل برای ارزیابی عملکرد DMU ها تحت نامطلوب ترین حالت ارایه می شود و هدف به دست آوردن واحدهای دارای بدترین عملکرد با داده های دارای عدم قطعیت و بازه ای می باشد. همچنین برای تعیین واحدهای دارای بدترین عملکرد، مفهوم ابرکارایی را به کار بردیم و آن را ابرناکارایی نامیدیم. با استفاده از دو مثال عددی قابلیت مدل های پیشنهادی در ارایه رتبه بندی مورد اطمینان و شناسایی واحدهای دارای بدترین عملکرد مورد بررسی قرار گرفته است.

تحلیل پوششی داده ها (DEA) یک روش ناپارامتری برای تخمین تابع تولید می باشد. در DEA هر واحد تصمیم گیرنده دارای تعدادی ورودی و خروجی بوده و با استفاده از مرز کارایی به ارزیابی عملکرد واحدهای تصمیم گیرنده می پردازد. هریک از ورودی ها و خروجی ها نقش اساسی در ارزیابی عملکرد واحد تصمیم گیرنده بازی می کنند که می توان از آن ها به عنوان فاکتور تاثیر مستقیم نام برد، اما با درنظر گرفتن ذات و ماهیت ورودی ها و خروجی ها این امکان وجود دارد که ورودی ها و خروجی های واحدهای تصمیم گیرنده، تاثیر غیرمستقیمی نیز در ارزیابی عملکرد واحدهای تصمیم گیرنده داشته باشند که یکی از ضعف های مدل های DEA، درنظر نگرفتن این فاکتورها می باشد که می توان از آن ها به عنوان فاکتور تاثیر غیرمستقیم نام برد. فاکتور تاثیر غیرمستقیم مورد نظر در این مقاله به علت ذات و ماهیت شان، اثر منفی بر روی کارایی گذاشته و نمی توان این فاکتورها را به عنوان ورودی یا خروجی، یا به عنوان ورودی یا خروجی کنترل پذیر، درنظر گرفت. تشخیص فاکتورهای تاثیر غیر مستقیم، نقش بسزایی در ارزیابی عملکرد و رتبه بندی واحدهای تصمیم گیرنده بازی می کند. از این رو در این مقاله به هر ورودی و خروجی یک کمیت عددی (متعلق به بازه )، به عنوان فاکتور تاثیر غیرمستقیم نسبت داده و با استفاده از دستکاری در داده ها و تحلیل پوششی داده ها، روش هایی برای ارزیابی عملکرد و رتبه بندی واحدهای تصمیم گیرنده، مبتنی بر فاکتورهای تاثیر غیرمستقیم ارایه می شود.

مساله پوشش مجموعه، از دسته مسایل سخت محسوب می شود که در کاربردهای مختلفی مانند سیستم اورژانس، مکان یابی تسهیلات خرده فروشی، بیمارستان ها، واحدهای دفاعی کشوری، پایگاه های نظامی، دستگاه های رادار و... مورد استفاده قرار می گیرد. هدف از پوشش مجموعه، یافتن یک زیرمجموعه به گونه ایست که اجتماع اعضای این زیر مجموعه، کل مجموعه را پوشش دهد. در این مقاله یک الگوریتم ابتکاری برای حل مساله پوشش مجموعه پیشنهاد شده است. در الگوریتم پیشنهادی، برای هر یک از رئوس گراف، یک مقدار منسوب به میزان بهبود محاسبه می شود که بر اساس آن تصمیم برحضور یا عدم حضور راس متناظر در مجموعه پوشش گرفته می شود. با توجه به تخصیص تسهیل و اثر متقابل بر پوشش یا عدم پوشش رئوس مجاور، در هر مرحله مقادیر بهبود به روز می شود و این روند به طور تکراری ادامه می یابد تا آنکه در خاتمه الگوریتم، مجموعه پوشش نزدیک به بهینه به دست آید. جهت ارزیابی الگوریتم پیشنهادی در مقایسه با سایر روش های متداول، یک الگوریتم شبیه سازی تبرید جهت حل ارایه شد و پارامترهای آن به روش تاگوچی تنظیم گردید. نتایج به دست آمده در مقایسه با نتایج به دست آمده از الگوریتم شبیه سازی تبریدی برای آزمایش های مختلف حاکی از موفقیت الگوریتم پیشنهادی به ویژه در مسایل با ابعاد بالا در مهار رشد زمان حل است.

اندازه های بعضی از متغیرها در تحلیل های آماری اغلب با خطاهای تصادفی همراه می باشند. در نتیجه بررسی اثرات این خطاها مهم و ضروری به نظر می رسد. این بررسی در تحلیل های رگرسیونی وقتی اندازه های متغیر مستقل دارای خطای تصادفی باشند از اهمیت بیش تری برخوردار است. زیرا هدف برازش یک مدل رگرسیون برآورد اثر یک متغیر مستقل بر روی یک متغیر پاسخ می باشد. پس اگر اندازه های متغیر مستقل در یک مدل رگرسیون آلوده به خطاهای تصادفی باشند ممکن است در برآورد پارامترهای آن مدل تاثیر زیادی داشته باشند. ما در این مقاله ابتدا نحوه رخ دادن خطاهای تصادفی بر روی اندازه های یک متغیر را مورد بررسی قرار می دهیم. سپس نشان می دهیم که وجود این خطاها بر روی اندازه های متغیر مستقل در مدل های رگرسیون بر برآورد پارامترهای آن مدل ها تاثیر داشته، به طوری که حل مستقیم معادلات برآوردکننده را برای برآورد پارامترها ناممکن می سازد. همچنین نشان می دهیم به روش بهینه سازی با حل معادلات برآوردکننده می توان به برآورد پارامترهای یک مدل دست یافت. در نهایت نتایج روش بهینه سازی را بر روی دو مثال عملی آزمون می کنیم و اثرات نادیده گرفتن خطاهای تصادفی را در این دو مثال نشان می دهیم.

مقاله های موجود در باب مسیریابی اتوبوس مدرسه، اساسا بر پایه کمینه کردن هزینه و زمان سفر استوار هستند. در این مقاله ما تمرکز خود را بر چالش های شرکت های حمل و نقل برای ساماندهی دانش آموزان به مدرسه خود به نحوی که سود شرکت ماکزیمم شود و همچنین هزینه های تخصیص دانش آموزان به ایستگاه ها مینیمم شود، معطوف کرده ایم. در این مطالعه ما برای اولین بار به شرکت حمل ونقل این اجازه را داده ایم تا با پرداخت جریمه ای به دانش آموزان از ارایه خدمت به آن ها اجتناب کند. در مساله مسیریابی اتوبوس مدرسه بررسی شده، سه هدف همزمان باهم در نظر گرفته خواهند شد. هدف اول فعال کردن ایستگاه های بالقوه (مکانیابی)، هدف دوم تعیین اینکه کدام دانش آموز به کدام ایستگاه تخصیص یابد و به کدام دانش آموز به علت خدمت ندادن توسط شرکت واحد جریمه پرداخت شود (تخصیص) و نهایتا هدف سوم تعیین مسیرهایی که از ایستگاه های منتخب عبور کنند به طوری که کل مسافت طی شده حداقل شود (مسیریابی)، است. یک مدل تک هدفه برنامه ریزی عدد صحیح مختلط (MIP) از این مساله توسعه داده شده است. در نهایت برای حل این مدل دو روش حل دقیق و فراابتکاری پیشنهاد شده است. نتایج حاصل از این دو رویکرد در 5 نمونه تولید شده بررسی شده اند و نتایج حاصل حاکی از عملکرد خوب الگوریتم فراابتکاری می باشد.

در این مقاله مدل های تخصیص منابع مرکزی بر اساس کارایی ارزش در DEA و DEA-R پیشنهاد می شود. به طور کلی اگر داده های ورودی و خروجی واحد های تصمیم گیرنده در دسترس باشند، مدل های DEA علاوه بر کارایی واحدها، الگوی واحدها را روی مرکز کارایی معرفی می کنند، اما اگر داده ها فقط نسبتی از داده های ورودی به داده های خروجی یا بالعکس باشند، آنگاه مدل های DEA نمی توانند کارایی و الگوی واحدها را مشخص کنند. از این رو مدل های DEA-R مشکل را حل می کنند. مدل های تخصیص منابع مرکزی با یک مساله برنامه ریزی خطی می توانند تصویر تمام واحدهای تصمیم گیرنده را روی مرز کارایی به دست آورند. از این رو در این مقاله با استفاده از مدل های CRA بر اساس کارایی ارزش (با در نظر گرفتن واحد هایی که مدیر به عنوان MPS معرفی می کند) تصویر واحدهای ناکارا در DEA و DEA-R به دست آورده می شود. در خاتمه مطالعه کاربردی برای شرکت های تولیدی پوشاک از یک برند خاص ارایه می شود.