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
الموضوعات : 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
الکلمات المفتاحية: الگوریتم متاهیوریستیک, بهینه سازی, تحلیل تطبیقی, مسائل صنعتی و مالی,
ملخص المقالة :
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.
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.
