پاورپوینت رویکرد استوار در مسائل جایابی و تخصیص با داده های غیر قطعی (pptx) 32 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 32 اسلاید
قسمتی از متن PowerPoint (.pptx) :
بنام خدا
رویکرد استوار در مسائل جایابی و تخصیص با داده های غیر قطعی
فهرست
Contents
فهرست
چکیده
-در این تحقیق، مساله جایابی و تخصیص نقاط لجستیکی در حالت گسسته در شرایطی که داده ها در شرایط عدم قطعیت هستند مورد بررسی قرار می گیرد.
-بدین منظور از رویکرد بهینه سازی استوار(Robust Optimization) استفاده شده است. زیرمجموعه های زیادی از این رویکرد می تواند مورد استفاده قرار گیرد، در این مقاله رویکرد regret مورد بررسی قرار گرفته است.
چکیده
-برای حل مدل قطعی ارائه شده و مدل استوار برای حالت غیر قطعی در سایز مساله کوچک از نرم افزار GAMS استفاده شده است و نتایج در انتها آورده شده است.
- در ادامه و در مسائلی با سایز بزرگ می توان از الگوریتم های فراابتکاری مانند ژنتیک الگوریتم در حل این مساله استفاده نمود.
مفاهیم عدم قطعیت و لزوم به کار گیری روش استوار
اهمیت موضوع از آنجا روشن ترمی شود که:
1- اکثر اطلاعات مورد استفاده در بهینه سازی، در واقعیت بیشتر از نوع غیر قطعی هستند که موارد زیر از دلایل این موضوع است:
اندازه گیری، تخمین خطاهای ناشی از عدم توانایی اندازه گیری دقیق ،شرایط محیطی،فرآیند های تکنولوژیکی، خطاهای پیاده سازی که از عدم توانایی پیاده سازی جواب دقیق ناشی می شود.
2- در واقعیت هم، میزان اندکی انحراف از مقدار واقعی ممکن است باعث شود جواب ما را از حالت بهینه خارج کند و شاید حتی بی معنا شود.
با توجه به 2 مورد مطرح شده در بالا از لزوم کاربرد روش Robust Optimization روشن تر می شود.
مفاهیم عدم قطعیت و لزوم به کار گیری روش استوار
- موضوع و ایده اصلی در تمام این مسائل بهینه سازی با داده های غیر قطعی است.
- موضوع بهینه سازی تصادفی(Stochastic Optimization) از مدت ها قبل و از زمان Dantzing مطرح بوده است ولی موضوع مطرح شده در بهینه سازی استوار با بهینه سازی تصادفی متفاوت است.
- موارد اصلی بررسی شده در بحث به دو دسته کلی زیر تقسیم می شوند:
1-داده غیر قطعی چیست و چگونه می توان آن را دسته بندی نمود.
2-چگونه می توانیم روش های مرسوم بهینه سازی مرسوم را برای داده های غیرقطعی نیز به کار ببریم.
مفاهیم عدم قطعیت و لزوم به کار گیری روش استوار
- در بهینه سازی تصادفی(Stochastic optimization) داده ها، مقادیری غیر قطعی فرض می شوند که به صورت تصادفی حضور دارند و در ساده ترین حالت این اطلاعات تصادفی از توزیع پیشرفته آماری خاصی پیروی می کنند. در بسیاری از موارد توزیع شناخته شده نیست.در این بحث احتمال اینکه محدودیتی برقرار باشد مطرح است.
- این گونه مسائل تا حدودی به نظر می رسد که نسبت به Robust Optimization محدودتر باشد. در کل، اگر داده های غیر قطعی از طبیعت تصادفی برخوردار بودند و توانستیم توزیع احتمال مربوط به داده ها را کشف کنیم و حاضر به تحمل هزینه خطای احتمالی در محدودیت ها شدیم این روش کاربرد خواهد داشت. با توجه به شروط مطرح شده می توان دریافت که فضای حل ما محدود می شود. هر دو موضوع Robust Optimizationو Stochastic Optimization مکمل یکدیگر هستند و معایب و مزایای مربوط به خود را دارند ولی Robust Optimization حالت کلی تری از مسائل بهینه سازی را دربر می گیرد.