نقش الگوریتم‌های متاهیوریستیک در بهینه‌سازی تصمیم‌گیری‌های صنعتی و مالی: تحلیل تطبیقی روش‌های مبتنی بر جمعیت و فیزیک در حل مسائل آزمون
نقش الگوریتم‌های متاهیوریستیک در بهینه‌سازی تصمیم‌گیری‌های صنعتی و مالی: تحلیل تطبیقی روش‌های مبتنی بر جمعیت و فیزیک در حل مسائل آزمون
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
علیرضا باغبان کهنه روز
1
,
عباس طلوعی اشلقی
2
*
,
علیرضا پورابراهیمی
3
,
احمد ابراهیمی
4
1 - دانشجوی دکتری مدیریت صنعتی، گروه مدیریت صنعتی، تحقیق در عملیات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران، (نویسنده مسئول)
3 - استادیار، گروه مدیریت صنعتی، دانشکده مدیریت، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
4 - استادیار، گروه مدیریت صنعتی و تکنولوژی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: الگوریتم متاهیوریستیک, بهینه سازی, تحلیل تطبیقی, مسائل صنعتی و مالی,
چکیده مقاله :
بهینه‌سازی به عنوان عاملی کلیدی در یافتن بهترین راه‌حل‌ها برای مسائل پیچیده در علوم مختلف، نقش حیاتی دارد. این پژوهش به بررسی و مقایسه سه الگوریتم شامل الگوریتم ژنتیک، بهینه‌سازی اجتماع ذرات، شبیه‌سازی تبرید پرداخته است. هدف تحقیق، تحلیل تطبیقی عملکرد این الگوریتم‌ها در زمینه‌های مختلف بهینه‌سازی و شناسایی ویژگی‌ها و نقاط قوت و ضعف آنها در توابع تست صنعتی و مالی از جمله بهینه‌سازی تولید، مالی، کنترل موجودی و مسیریابی وسایل نقلیه است. معیارهای عملکرد کلیدی شامل میانگین، انحراف معیار، نرخ موفقیت، زمان همگرایی، دقت و تنوع جمعیت برای ارزیابی استفاده شد و نقاط قوت و ضعف هر الگوریتم شناسایی گردید. نتایج نشان می‌دهد که انتخاب الگوریتم بهینه‌سازی به ویژگی‌های خاص مسئله بستگی دارد و هیچ الگوریتمی به‌طور مطلق بهترین نیست. پژوهش حاضر بر نیازمندی به توسعه الگوریتم‌های نوین تأکید کرده و می‌تواند به انتخاب ابزارهای بهینه‌سازی مناسب دربهبود روند بهینه سازی در مسائل صنعتی و مالی کمک کند.
Optimization is crucial in finding the best solutions to complex problems across various scientific fields. This study examines and compares four algorithms: Genetic Algorithm, Particle Swarm Optimization, Simulated Annealing, and Ant Colony Optimization. The research aims to perform a comparative analysis of these algorithms' performance in various optimization domains and to identify their features, strengths, and weaknesses in industrial and financial test functions, including production optimization, finance, inventory control, and vehicle routing. Key performance metrics such as mean, standard deviation, success rate, convergence time, accuracy, and population diversity were used for evaluation, identifying the strengths and weaknesses of each algorithm. The results indicate that the choice of optimization algorithm depends on the specific characteristics of the problem, and no algorithm is absolutely the best. This study emphasizes the need for developing novel algorithms and can aid in selecting appropriate optimization tools to improve optimization processes in industrial and financial problems.
فهرست منابع
(1) Goldberg DE. Genetic Algorithm in Search, Optimization and Machine Learning, Addison. Wesley Publishing Company, Reading, MA. 1989;1(98):9.
(2) Kennedy J, Eberhart R, editors. Particle swarm optimization. Proceedings of ICNN'95-international conference on neural networks; 1995: ieee.
(3) Rajwar K, Deep K, Das S. An exhaustive review of the metaheuristic algorithms for search and optimization: taxonomy, applications, and open challenges. Artificial Intelligence Review. 2023;56(11):13187-257.
(4) Kuo R, Hong C. Integration of genetic algorithm and particle swarm optimization for investment portfolio optimization. Applied mathematics & information sciences. 2013;7(6):2397.
(5) Thakkar A, Chaudhari K. A comprehensive survey on portfolio optimization, stock price and trend prediction using particle swarm optimization. Archives of Computational Methods in Engineering. 2021;28(4):2133-64.
(6) Pradeepkumar D, Ravi V. Forecasting financial time series volatility using particle swarm optimization trained quantile regression neural network. Applied Soft Computing. 2017;58:35-52.
(7) Rahman HF, Janardhanan MN, Nielsen IE. Real-time order acceptance and scheduling problems in a flow shop environment using hybrid GA-PSO algorithm. IEEE Access. 2019;7:112742-55.
(8) Abdi A, Abdi A, Fathollahi-Fard AM, Hajiaghaei-Keshteli M. A set of calibrated metaheuristics to address a closed-loop supply chain network design problem under uncertainty. International Journal of Systems Science: Operations & Logistics. 2021;8(1):23-40.
(9) Dokeroglu T, Sevinc E, Kucukyilmaz T, Cosar A. A survey on new generation metaheuristic algorithms. Computers & Industrial Engineering. 2019;137:106040
(10) Saraswat M, Sharma AK. Genetic Algorithm for optimization using MATLAB. Int J Adv Res Comput Sci. 2013;4(3):155-9.
(11) Kirkpatrick S, Gelatt Jr CD, Vecchi MP. Optimization by simulated annealing. science. 1983;220(4598):671-80
(12) Matlab S. Matlab. The MathWorks, Natick, MA. 2012;9.
(13) Derrac J, García S, Hui S, Suganthan PN, Herrera F. Analyzing convergence performance of evolutionary algorithms: A statistical approach. Information Sciences. 2014;289:41-58.
(14) Clerc M, Kennedy J. The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE transactions on Evolutionary Computation. 2002;6(1):58-73.
(15) Tzuu-Shuh C, Yunshyong C. On the convergence rate of annealing processes. SIAM Journal on Control and Optimization. 1988;26(6):1455-70.
(16) Hussain K, Salleh MNM, Cheng S, Shi Y. On the exploration and exploitation in popular swarm-based metaheuristic algorithms. Neural Computing and Applications. 2019;31(11):7665-83.