|
|
|
|
توسعه‌ی مدل استوار چندبازه‌یی برای مواجهه با عدم قطعیت هیستوگرامی (مطالعه‌ی موردی:مکان‌یابی تسهیلات)
|
|
|
|
|
|
|
|
نویسنده
|
خداوردی مریم ,آقایی عبدالله
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1395 - دوره : 32-1 - شماره : 2/1 - صفحه:111 -117
|
|
چکیده
|
یکی از فرض‌های بهینه‌سازی کلاسیک، قطعی بودن داده‌هاست در حالی که وجود پارامتر غیرقطعی در مسائل واقعی غیر قابل اجتناب است. بهینه‌سازی استوار ازجمله تکنیک‌های توسعه‌یافته برای مواجهه با شرایط غیرقطعی است. در رویکردهای استواری ارائه‌شده تاکنون فرض بر آن بوده که پارامتر غیرقطعی عضو مجموعه‌یی محدب است، در حالیکه در بسیاری از مسائل واقعی با جمع‌آوری داده‌ها و سوابق گذشته‌ی پارامترها، فضای غیرقطعی به‌صورت هیستوگرامی تعیین می‌شود و باید به‌صورت فضای غیرمحدب تعریف شود. در این مقاله ضمن توسعه‌ی الگوریتم پیشنهادی در زمان مواجهه با فضای غیرقطعی هیستوگرامی، رویکرد پیشنهادی ارائه‌شده برای یافتن جواب استوار مسئله‌ی مکان‌یابی که دارای پارامترهای تقاضای غیرقطعی هیستوگرامی است، با توجه به کاربردهای فراوان تعریف غیرتصادفی پارامترهای غیرقطعی در مسئله‌ی مکان‌یابی استفاده شده است.
|
|
کلیدواژه
|
بهینه‌سازی استوار، عدم قطعیت هیستوگرامی، مکان‌یابی تسهیلات
|
|
آدرس
|
دانشگاه صنعتی خواجه نصیرالدین طوسی, دانشکده‌ی مهندسی صنایع, ایران, دانشگاه صنعتی خواجه نصیرالدین طوسی, دانشکده‌ی مهندسی صنایع, ایران
|
|
پست الکترونیکی
|
aaghaie@kntu.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
MULTIBOUND ROBUST MODEL OF FACILITY LOCATION PROBLEM TO DEAL WITH HISTOGRAMBASE UNCERTAINTY
|
|
|
|
|
Authors
|
|
|
Abstract
|
A fundamental assumption in classical optimization is that all data are certain. However, many realworld problems contain uncertain parameters. The ignorance of these parameters affects the optimality and even feasibility of the solutions. That is why it is crucial to develop an optimization method to support real time fluctuating parameters. Robust optimization techniques have been developed for tackling the uncertainties which address data uncertainty while ensuring feasibility in different scenarios.Most of the robust approaches which assumed the uncertain data belong to a convex space and single deviation band that may be too limited in practice. The aim ofour work is to propose a new algorithm to consider real circumstances by applying histogrambase uncertainty. The suggested algorithm finds the robust counterpart of models with nonconvex space built based on historical data as an uncertain space. The new algorithm changes the problem to multirange robust model which assigns value from more than one uncertain range to the uncertain parameter. The extension of Bertsimas and Sim approach is used to find the robust counterpart model in which an uncertain parameter is allowed to take values from more than one uncertain band. Bertsimas and Sim approach deals with uncertainties in a tractable manner and does not add complexity to the deterministic problem. Moreover, the conservation level of the solution can be handled in their model. Consequently, the obtained robust model of the algorithm guarantees the optimality and the feasibility of solutions in real scenarios with predefined level of conservation.The suggested robust optimization approach is applied to the capacitated facility location problem with a histogrambase uncertainty for demand deviations, since considering probabilitybased uncertainty is very likely in real facility location problems. The experimental results show the benefits of using the proposed method.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|