ارایه رویکردهای جدید در بهبود تعیین جواب‌های شدنی مدل برنامه‌ریزی کسری خطی بازه‌ای

در این تحقیق، مدل برنامه ریزی کسری خطی بازه ای در نظر گرفته شده است و از آن جایی که این مدل یک مدل بازه ای است لذا به دنبال روش هایی هستیم که یک مجموعه جواب بهینه به دست آوریم. در این مقاله دو روش برای تعیین مجموعه جواب بهینه مدل برنامه ریزی کسری خطی بازه ای پیشنهاد می شود به طوری که این روش ها از دو زیر مدل تشکیل شده اند. جواب های به دست آمده از حل این دو زیر مدل یک ناحیه تشکیل می دهند که آن را به عنوان مجموعه جواب بهینه مدل برنامه ریزی کسری خطی بازه ای در نظر می گیریم. اگر جواب حاصل در بزرگ ترین ناحیه ی قیود بازه ای مدل برنامه ریزی کسری خطی بازه ای صدق کند، جواب را شدنی گویند. در روش اول، ممکن است مجموعه جواب بهینه به گونه ای باشد که بعضی از نقاط آن در بعضی از محدودیت های بزرگ ترین ناحیه صدق نکنند در این صورت از یک روش جایگزین برای بهبود مجموعه جواب بهینه استفاده می کنیم به طوری که با استفاده از روش جایگزین بتوان بخش نشدنی مجموعه جواب بهینه روش اول را حذف کرد و مجموعه جواب بهینه ای شدنی را به دست آورد. در روش دوم، برای تضمین این که مجموعه جواب بهینه، شدنی باشد یک محدودیت اضافی به زیر مدل دوم اضافه می شود و مجموعه جواب بهینه ای شدنی را به دست می آوریم.

New Approaches to Improve the Determination of Feasible Solutions of the Interval Linear Fractional Programming Problem

In this research, the interval linear fractional programming model is considered. Since this model is an interval model, hence we are looking for methods where an optimal solution set is obtained. In this paper, we suggest two methods for the determination optimal solution set of the ILFP model so that these methods are formed from two submodels. The obtained solutions solving these two submodels form a region that we consider it as optimal solution set of the ILFP. If the obtained solution satisfies in largest region of interval constraints of the ILFP model, the solution is called feasible. In the first method, we gain an optimal solution set that some of its points may not satisfy some constraints of the largest region, hence we use an alternative method to improve the optimal solution set such that we will able to remove the infeasible part of the optimal solution set of the first method by an alternative method and obtain a feasible optimal solution set. In the second method, to ensure that the optimal solution set is completely feasible, we add a supplementary constraint to the second submodel and we obtain a feasible optimal solution set.