مهمترین مشکل مدلهای برنامهریزی آرمانی چندگزینهیی انتخاب آرمان با توجه به محدودیت اطلاعات است. در این مقاله، مدل برنامهریزی آرمانی چندگزینهیی در حالتی که باید گروه بزرگی از تصمیم گیرندگان آرمانها را تعیین کنند، در نظر گرفته شده است. بهمنظور ادغام نظرات و انتخاب آرمان از الگوریتم تحلیل مؤلفههای اصلی برای اعداد فازی شهودی بازهیی (IVIF) استفاده شده است. بهمنظور بررسی عملکرد سازوکار پیشنهادی، یک مثال عددی از پیشینهی تحقیق انتخاب و حل شده است. رویکرد پیشنهادی قادر است نظرات و درجهی تردید تصمیمگیرندگان با منافع مختلف را در مدل وارد کند. رویکردهای پیشین علاوهبر در نظر نگرفتن تردید تصمیمگیرندگان در انتخاب آرمانها، مستلزم تعریف متغیرهای متعددی هستند که موجب افزایش پیچیدگی محاسباتی میشود؛ اما رویکرد پیشنهادی از طریق انتخاب یک یا تعداد محدودی آرمان با استفاده از الگوریتم IVIF-PCA موجب کاهش پیچیدگی محاسباتی میشود.
در این نوشتار، به مسئلهی تدارک قطعات مورد نیاز یک شرکت خودروسازی از تعدادی تأمینکننده در قالب یک مذاکره پرداخته شده است. این مسئله از طریق یک برنامهریزی ریاضی دوسطحی که در آن خریدار بهعنوان رهبر و تأمینکنندگان مستقل بهعنوان پیرو در سطح پایین به تصمیمگیری میپردازند، مدلسازی شده است. برای حل مدل ریاضی دوسطحی، یک الگوریتم ترکیبی مبتنیبر الگوریتم بهینهسازی ازدحام ذرات (PSO-A) پیشنهاد شده است. در این سازوکار مطابق با مقادیر متغیرهایی که بهطور متوالی توسط ذرات در الگوریتم PSO تعیین میشود، یک الگوریتم ابتکاری برمبنای جستوجوی A$^*$ زیر مسائل برنامهریزی تولید چنددورهییٓـ چندکالایی را برای هریک از تأمینکنندگان حل میکند. در این مقاله یک الگوی جامع برای تعبیه فرایندهای مذاکره در مدلهای ریاضی دوسطحی و فرایند حل آنها ارائه شده است. بهمنظور ارزیابی عملکرد الگوریتم پیشنهادی، نتایج آن با نتایج الگوریتمهای PSO-Exact و PSO-Greedy مقایسه شده است. نتایج نشان داده است که الگوریتم پیشنهادی نسبت به الگوریتم PSO-Exact در زمان کوتاهتر، جوابهایی با خطای قابل قبول یا حتی با خطای کمتر تولید کرده است. همچنین نسبت به الگوریتم PSO-Greedy همواره جوابهایی با خطای کمتر تولید کرده است.
در این مقاله، مسئله مناقصه در یک شرکت خودروسازی برای تدارک قطعات مورد نیاز از تأمینکنندگان بالقوه از طریق الگوریتم یادگیری Q حل شدهاست. در این مسئله، خریدار با توجه به پیشنهادات دریافتی از تأمینکنندگان بالقوه که شامل قیمت و زمان تحویل پیشنهادی است، سفارش قطعات مورد نیاز خود را به تأمینکنندگان تخصیص میدهد. هدف خریدار کمینهسازی هزینههای تدارکات از طریق یادگیری از مناقصات پیشین است. این مسئله به صورت یک مسئله تصمیمگیری مارکوفی تعریف شده است که در آن هر عمل وابسته به عمل و وضعیت قبلی است. برای حل این مسئله یک الگوریتم یادگیری تقویتی به نام الگوریتم یادگیری Q توسعه داده شده است که در آن از الگوریتم بهینهسازی ازدحام ذرات به عنوان راهکاری برای یافتن و انتخاب سیاست بهینه برای انتخاب عمل در الگوریتم یادگیری Q استفاده شدهاست. در مقایسه این الگوریتم با حالتی که در آن سیاست انتخاب عمل مطابق با یک الگوریتم حریصانه است، این الگوریتم بسیار کارآمدتر است.
در این نوشتار، به مسئلهی تدارک قطعات مورد نیاز یک شرکت خودروسازی از تعدادی تأمینکننده در قالب یک مذاکره پرداخته شده است. این مسئله از طریق یک برنامهریزی ریاضی دوسطحی که در آن خریدار بهعنوان رهبر و تأمینکنندگان مستقل بهعنوان پیرو در سطح پایین به تصمیمگیری میپردازند، مدلسازی شده است. برای حل مدل ریاضی دوسطحی، یک الگوریتم ترکیبی مبتنیبر الگوریتم بهینهسازی ازدحام ذرات (PSO-A) پیشنهاد شده است. در این سازوکار مطابق با مقادیر متغیرهایی که بهطور متوالی توسط ذرات در الگوریتم PSO تعیین میشود، یک الگوریتم ابتکاری برمبنای جستوجوی A$^*$ زیر مسائل برنامهریزی تولید چنددورهییـ چندکالایی را برای هریک از تأمینکنندگان حل میکند. در این مقاله یک الگوی جامع برای تعبیه فرایندهای مذاکره در مدلهای ریاضی دوسطحی و فرایند حل آنها ارائه شده است. بهمنظور ارزیابی عملکرد الگوریتم پیشنهادی، نتایج آن با نتایج الگوریتمهای PSO-Exact و PSO-Greedy مقایسه شده است. نتایج نشان داده است که الگوریتم پیشنهادی نسبت به الگوریتم PSO-Exact در زمان کوتاهتر، جوابهایی با خطای قابل قبول یا حتی با خطای کمتر تولید کرده است. همچنین نسبت به الگوریتم PSO-Greedy همواره جوابهایی با خطای کمتر تولید کرده است.
مسائل برنامهریزی تولید عموما بهعنوان مسائل برنامهریزی عدد صحیح مختلط مدلسازی میشوند؛ و به علت پیچیدگی محاسباتی بالا و ذاتی این نوع مسائل، از طریق الگوریتمهای ابتکاری حل میشوند. در این مقاله، یک مدل برنامهریزی عدد صحیح مختلط غیرخطی برای برنامهریزی تولید چند محصولی- چند دورهای بهمنظور بازپرسازی سفارشات خریدار و کمینهسازی هزینههای تأمینکننده طراحی شده است. در این مدل فرض بر آن است که مقدار سفارش ثابت است و سفارشدهی یکباره انجام میشود. این مدل مطابق با مفروضات شرکت ساپکو که یک تامینکننده بزرگ قطعات اتوموبیل در ایران است، و یکی از شرکتهای همکار آن توسعه یافته است. همچنین، یک الگوریتم ابتکاری کارآمد مبتنی بر جستوجوی A* برای حل این مدل ریاضی پیشنهاد شده است. الگوریتم جستوجوی پیشنهادی نیازی به یک جواب اولیه ندارد؛ همچنین با اعمال کنترل بر حالتهای ذخیره شده در لیست آماده شاخهزنی میتواند بر محدودیت سربار حافظه غلبه نماید. در حقیقت علیرغم سادگی این الگوریتم که بر اساس روابط ساده مدیریت موجودی بنا شده است، قادر است در مقایسه با روش حل دقیق، یک الگوریتم جستوجوی حریصانه، و الگوریتم شبیهسازی تبرید به عنوان یک الگوریتم فراابتکاری، به صورت کارآمدی جوابهای بهینه یا نزدیک بهینه حاصل آورد.
