تحقیق در عملیات در کاربردهای آن
سال:1395 | دوره:13 | شماره:2 (پیاپی 49) |تعداد مقالات:9

طراحی شبکه ی حمل و نقل اتوبوس (BTN) یکی از مهم ترین مباحث در مدیریت شهری است. پارامترهای تاثیرگذار زیادی در این طراحی، موثر می باشند. پارامترهایی که در مجموع منجر به برآورده شدن مجموعه ای از اهداف مدیریت شهری می شود. بهبود دسترسی پذیری شهروندان، پوشش مساحت بیش تری از سطح شهر، کاهش زمان انتظار و هزینه و همچنین کاستن از تعداد تعویض خطوط اتوبوس برای رسیدن به مقصد یک مسافر، از جمله ی این اهداف است. طراحی یک BTN یک مساله ی NP-hard می باشد و بنابراین رسیدن به یک پاسخ بهینه در طراحی های با ابعاد بالا کاری دشوار است. راه حل معمول در طراحی یک  BTNبه این صورت می باشد: کاهش فضای جستجوی ممکن در ابتدا و سپس ساخت شبکه بر اساس اولویت های مدیریت شهری. در این مقاله یک روش جدید برای ارتقای طراحی یک BTN ارایه می شود که مبتنی بر یادگیری آماری می باشد. این مدل به کمک روش های یادگیری آماری و ترکیب آن ها با یکدیگر تولید می شود. در این تحقیق دانش متخصصان انسانی از شبکه ی BTN فعلی استخراج می شود، سپس این دانش برای کوچک کردن فضای جستجوی طراحی یک BTN به محدوده ای کوچک از معابر به کار گرفته می شود. این معابر ویژگی های لازم برای شرکت در BTN را دارند و می توانند برای مساله ی طراحی شبکه ی اتوبوس رانی BTNDP یا توسعه ی BTN فعلی به کار گرفته شوند. در این مقاله از Naive Bayesian و دو روش دیگر رگرسیون پایه و ورژن ترکیبی آن ها برای تولید مدل خود بهره گرفته شده است. ارزیابی مدل تولیدی بر اساس دقت، False positive و True positive صورت می گیرد. مقادیر به دست آمده از این معیارها قابل اعتماد بودن روش پیشنهادی را تصدیق می کند. دیتاست مورد استفاده در این مقاله، شامل اطلاعات شبکه ی اتوبوس رانی شهر تهران می باشد.

زیرمساله ی ناحیه اطمینان (TRS) که در واقع مساله ی مینیمم سازی یک تابع درجه ی دوم روی یک گوی است، نقش کلیدی در حل مسایل بهینه سازی غیرخطی نامقید ایفا می کند و علی رغم این که لزوما محدب نیست، الگوریتم های کارای متعددی برای حل آن به ویژه برای حل آن در ابعاد بزرگ ارایه شده است. اخیرا توسیع زیرمساله ی ناحیه اطمینان به مساله ای با قیود خطی اضافی مورد توجه بسیاری از محققان قرار گرفته است. مطالعات انجام شده نشان می دهد هنگامی که قیود خطی مساله ی توسیع یافته درون گوی اشتراک ندارند، جواب بهینه ی مساله را می توان از طریق حل یک مساله ی بهینه سازی مخروطی به دست آورد. در هر صورت حل مسایل بهینه سازی مخروطی در ابعاد بزرگ و حتی در ابعاد متوسط عملی نیست. در این مقاله حل مساله ی ناحیه اطمینان توسیع یافته با دو قید خطی بدون در نظر گرفتن هیچ شرطی روی قیود آن مورد مطالعه قرار گرفته است. جدیدترین الگوریتم های موجود برای حل زیرمساله ی ناحیه اطمینان و محاسبه ی مینیمم موضعی غیرسراسری آن که مساله را از طریق حل یک مساله ی مقدار ویژه ی تعمیم یافته حل می کنند برای حل مساله ی توسیع یافته در ابعاد بزرگ توسعه داده می شود. در پایان کارایی الگوریتم پیشنهادی روی دسته ای از مسایل تصادفی ارزیابی می شود.

زمان بندی مجموعه ای از ماشین های موازی که در یک محیط هستند، هم از نظر تئوری و هم از نظر کاربردی مهم است. از نظر تئوری، تعمیم مساله ی زمان بندی یک ماشین است و از نظر کاربردی صحت منابع موازی در جهان واقعی می باشد. وقتی ماشین ها، کامپیوتر باشند یک برنامه ی موازی نیاز است زیرا اعضای مجموعه به طور موازی اجرا می شوند و این اجرا بر اساس ارتباطات تقدمی آن ها است. مزیت اجرای زمان بندی وظایف، قدرت محاسباتی کامل را فراهم می کند که به وسیله ی سیستم چندپردازنده یا چندکامپیوتری به دست می آید. در این مقاله نشان می دهیم مساله ی تخصیص تعدادی وظایف ناهمسان در سیستم های چندپردازنده یا چندکامپیوتری چگونه است. مدل فرضی سیستم شامل تعدادی پردازنده ی همسان است و در یک زمان، فقط یک وظیفه، روی یک پردازنده اجرا می شود و نیز همه ی زمان بندی ها و وظایف، غیرانحصاری هستند.

نمونه گیری برای پذیرش یکی از اجزای اصلی در زمینه ی کنترل کیفیت آماری است، که در ابتدا برای بازرسی از محموله های ورودی یا خروجی استفاده می شود. روش های نمونه گیری جهت پذیرش می تواند، در یک برنامه کنترل پذیرش به منظور رسیدن به کیفیت بهتر با هزینه ی کم تر، بهبود کنترل و افزایش بهره وری، استفاده شود. در این مقاله نمونه گیری جهت پذیرش به روش استنباط پیشگو ناپارامتری را در محیط فازی بررسی می نماییم. در برخی از موارد، تعریف پارامترهای طرح نمونه گیری برای پذیرش به صورت مقادیر قطعی ممکن نیست. به خصوص در محیط های تولید، ممکن است تعریف پارامترهای تعداد عناصر منطبق یا حجم نمونه به عنوان ارزش قطعی آسان نباشد. در این موارد، این پارامترها می توانند با متغیرهای زبانی بیان شوند. نظریه ی مجموعه ی فازی را می توان با موفقیت برای مقابله با ابهام در این عبارات زبانی جهت نمونه گیری برای پذیرش به روش استنباط پیشگو ناپارامتری به کار برد. به عبارت دیگر هدف این مقاله ارایه ی روش جدید تحت عنوان استنباط پیشگو ناپارامتری فازی برای طرح نمونه گیری جهت پذیرش یک مرحله ای می باشد.

در این مقاله به مطالعه و بررسی مسایل مکان یابی 2- مرکز ناخوشایند پشتیبان روی گراف های درختی پرداخته می شود. هدف پیدا کردن بهترین مکان روی مجموعه راسی درخت داده شده جهت تاسیس دو سرویس دهنده ی ناخوشایند می باشد به طوری که نزدیک ترین فاصله ی مورد انتظار بین مشتریان موجود و سرویس دهنده های فعال ماکزیمم گردد با فرض آنکه هر سرویس دهنده ممکن است با یک احتمال مشخص از ارایه ی خدمات قصور نموده و در این صورت سرویس دهنده فعال دیگر باید به تمامی مشتریان روی سیستم خدمت دهی نماید. الگوریتم های ترکیبیاتی دقیق با پیچیدگی های زمانی O(n2 log n) و O(n log n) برایبه دست آوردن جواب های بهینه دو نوع مدل خاص طراحی و پیشنهاد می گردند به طوری n که نشان دهنده ی تعداد راس های گراف درختی داده شده می باشد.

در این مقاله یک روش جدید برای حل دستگاه معادلات غیرخطی معرفی می کنیم که در آن از یک استراتژی نایکنوا مشتق آزاد استفاده شده است. هم چنین، این روش با استفاده از تکنیک فیلتر پیاده سازی شده است. با استفاده از این مفهوم، بسیاری از نقاط آزمایشی به دست آمده در تکرارها که توسط الگوریتم های جستجوی خطی حذف می شدند، ذخیره خواهند شد. الگوریتم جدید از اطلاعات نقاط موجود در فیلتر برای به دست آوردن نقاط بعدی بهره می برد و باعث افزایش سرعت همگرایی الگوریتم می شود. در این روش از یک تکنیک نایکنوای خاص استفاده شده است که به الگوریتم اجازه می دهد از خاصیت نایکنوایی از همان اولین تکرار بهره مند شود. همگرایی سراسری الگوریتم تحت برخی شرایط استاندارد اثبات می شود. نتایج عددی به دست آمده از روش جدید روی مجموعه مسایل آزمونی بیانگر کارایی روش پیشنهادی نسبت به برخی روش های موجود در ادبیات موضوع است.

در این مقاله ابتدا گراف های بازه ای را تعریف و سپس مساله ی پیداکردن هسته روی گراف های بازه ای و درخت های بازه ای را بررسی می کنیم. یک هسته در یک گراف بازه ای، مسیری از بازه های متصل به هم است که مجموع فاصله های تمام بازه ها تا این مسیر کمینه شود. نشان می دهیم بازه هایی که روی هسته ی یک درخت قرار دارند نمی توانند بازه ای غیرماکسیمال باشند. سپس الگوریتمی با پیچیدگی زمانی O(n) برای پیداکردن هسته ی یک درخت بازه ای ارایه می دهیم.

در تحلیل پوششی داده ها که از مقایسه ی عملکرد نسبی یک واحد در قیاس با مجموعه ی مرجع برای تشخیص ناکارایی نسبی و ارایه ی الگوی بهبود استفاده می شود، تشخیص درست واحدهای پرت برای دستیابی به نتایج دقیق بسیار مهم است. در این نوع مدل های مرز قطعی، امروزه به کارگیری آزمون های آماری در تشخیص داده های پرت بسیار مرسوم هستند. این مقاله به معرفی دو آزمون آماری برای تشخیص نقاط پرت در تحلیل پوششی داده ها می پردازد. در هر دو روش ارایه شده، هر مشاهده یک بار از نمونه حذف شده و نتایج مدل های برآورد کارایی مربوط به حذف این واحد برای تولید به توزیع برآورد کارایی قبل و بعد از حذف استفاده می شود. بر اساس توزیع به دست آمده، دو آزمون آماری طراحی و معرفی می شوند تا نقاط پرت بالقوه را شناسایی کنند. نتایج اجرای این روش را از طریق مجموعه ای از داده های واقعی نشان داده ایم. در مجموع، روش معرفی شده می تواند در اولین گام قبل از استفاده از هر برآورد مرزی جهت تشخیص و حذف داده های پرت استفاده شود.