ORIGINAL_ARTICLE
حل مسائل بهینهسازی غیرخطی از روش بهینهسازی نلدرمید
در این مقاله، یک روش ابتکاری برای حل مسائل بهینهسازی غیرخطی که دارای قیود و تابع هدف محدب هستند طراحیشده است. در این روش، یک تابع هزینه تعریف میگردد، سپس مقادیر متغیرها طوری تعیین میشوند که آن تابع هدف مینیمم شود. جهت ایجاد تابع هزینه مناسب، از شرایط بهینگی K.K.T استفادهشده است. مینیممسازی تابع هزینه با استفاده از روش بهینهسازی بدون مشتق نلدرمید انجامشده است. کاربردها نشان میدهند کارایی این روش برای مسائل با ابعاد بزرگ مانند R^10 نسبت به روشهای مشابه بیشتر است و بهکارگیری این روش، آسانتر از روشهای مشابه است. توسط مثالهایی کارایی روش توضیح دادهشده است.
https://www.journal-dmor.ir/article_63496_b87a08169df206e3ae20e33fe417fe1a.pdf
2018-05-22
1
10
10.22105/dmor.2018.63496
روش نلدرمید
شرایط بهینگی KKT
بهینهسازی نامقید
برنامهریزی غیرخطی
اژدر
سلیمانپور باکفایت
asad87000@yahoo.com
1
گروه ریاضی، دانشگاه فرهنگیان ارومیه، ارومیه، ایران.
LEAD_AUTHOR
سلیمانپور باکفایت اژدر. (1392). شبکههای عصبی مصنوعی در علوم پایه، ارومیه: انتشارات مؤلف.
1
Bazaraa, M. S., Sherali, H. D., & Shetty, C. M. (1993). Nonlinear Programming: Theory and Algorithms. John Wiley and Sons New York. NY Google Scholar.
2
Rao, S. S., & Bard, J. (1997). Engineering optimization: theory and practice. IIE transactions, 29(9), 799.
3
Kreyszig, E. (1978). Introductory functional analysis with applications. New York: wiley.
4
Blum, E. K., & Li, L. K. (1991). Approximation theory and feedforward networks. Neural networks, 4(4), 511-515.
5
Nazemi, A. R. (2012). A dynamic system model for solving convex nonlinear optimization problems. Communications in nonlinear science and numerical simulation, 17(4), 1696-1705.
6
Fajfar, I., Puhan, J., & Bűrmen, Á. (2017). Evolving a Nelder–Mead Algorithm for Optimization with Genetic Programming. Evolutionary computation, 25(3), 351-373.
7
Li, G., Yan, Z., & Wang, J. (2014). A one-layer recurrent neural network for constrained nonsmooth invex optimization. Neural networks, 50, 79-89.
8
Luersen, M. A., & Le Riche, R. (2004). Globalized Nelder–Mead method for engineering optimization. Computers & structures, 82(23-26), 2251-2260.
9
Nelder, J. A., & Mead, R. (1965). A simplex method for function minimization. The computer journal, 7(4), 308-313.
10
Liu, Q., Tang, W. M., & Yang, X. M. (2009). Properties of saddle points for generalized augmented Lagrangian. Mathematical methods of operations research, 69(1), 111-124.
11
Yang, Y., & Cao, J. (2008). A feedback neural network for solving convex constraint optimization problems. Applied mathematics and computation, 201(1-2), 340-350.
12
Yang, Y., & Gao, Y. (2011). A new neural network for solving nonlinear convex programs with linear constraints. Neurocomputing, 74(17), 3079-3083.
13
ORIGINAL_ARTICLE
تشخیص زمان انجام فعالیتهای نگهداری و تعمیرات و تحلیل عوامل موثر بر وقوع خرابی
در میان کاربردهای انبوهی که برای مفهوم سریهای زمانی میتوان متصور شود، استفاده از این مفهوم در صنایع تولیدی در جهت تشخیص مواقع خرابی دستگاهها پیش از موعد و انجام اقدامات نگهداری و تعمیرات، همچنین تعیین درصد قطعات معیوب با استفاده از بررسی و تحلیل تناوب اتفاقات صورت گرفته در یک خط تولید میتواند بسیار ارزشمند تلقی گردد. در این راستا، پژوهش حاضر به بررسی نقش استفاده از سریهای زمانی بهمنظور بررسی موارد عنوانشده در یک شرکت قطعهسازی خودرو میپردازد. بدین منظور، ابتدا به تحلیل و بررسی دادههای مستخرج از بخش نگهداری و تعمیرات کارخانه پرداخته و سپس با استفاده از روشهای تضمین کیفیت نظیر آنالیز حالات بالقوه خرابی، اقدام به تعیین مهمترین عوامل مؤثر بر خرابی قطعات و درنتیجه تشخیص حدودی خرابی تجهیزات میپردازیم.
https://www.journal-dmor.ir/article_65083_2874bf8ffbbfd7a0597db7197fc497e5.pdf
2018-05-22
11
23
10.22105/dmor.2018.65083
پیشبینی
سریهای زمانی
نگهداری و تعمیرات
تضمین کیفیت
قطعهسازی خودرو
معین
سماک جلالی
moeen.sammak@aut.ac.ir
1
دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران.
AUTHOR
سیدمحمدتقی
فاطمی قمی
fatemi@aut.ac.ir
2
دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران.
LEAD_AUTHOR
دبیری، غلامرضا. (1382). آنالیز حالات بالقوه خرابی و آثار آن (FMEA): مفاهیم، روش و پیادهسازی. تهران: انتشارات شرکت تهیه و توزیع لوازمیدکی ایرانخودرو، صوفیان.
1
سماک جلالی، معین و قادری، سید فرید. (1391). کاربرد ابزارهای کنترل کیفیت و FMEA بهمنظور ارتقاء کیفیت در یک مطالعه موردی. نهمین کنفرانس بینالمللی مهندسی صنایع، دانشگاه صنعتی خواجهنصیرالدین طوسی.
2
فاطمی قمی، سیدمحمد تقی. (1391). کنترل کیفیت آماری. تهران: انتشارات دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران).
3
مسیحی، الیپس، رونق، مریم و مشایخ، محمدرضا. (1392). فناوریها و فرآیندهای تولید. تهران: انتشارات فرمنش.
4
نقندریان، کاظم. (1384). کنترل کیفیت آماری. تهران: انتشارات دانشگاه علم و صنعت ایران.
5
یزدانی، امیرعلی و محبی، امیرحسن. (1390). شش سیگما همراه با نرمافزار MINITAB 14. تهران: انتشارات ناقوس.
6
Chen, C., Wang, Y., Ou, H., He, Y., & Tang, X. (2014). A review on remanufacture of dies and moulds. Journal of cleaner production, 64, 13-23.
7
Eminente, A., Gallo, M., Murino, T., & Naviglio, G. (2013). A proposal for forecasting highly seasonal products: the Unifrigo Gadus SPA case study. International journal of statistics & economics, 3, 77-88.
8
Ghobbar, A. A., & Friend, C. H. (2003). Evaluation of forecasting methods for intermittent parts demand in the field of aviation: a predictive model. Computers & operations research, 30(14), 2097-2114.
9
Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International journal of forecasting, 20(1), 5-10.
10
Hyndman, R. J., & Khandakar, Y. (2007). Automatic time series for forecasting: the forecast package for R (No. 6/07). Monash University, Department of Econometrics and Business Statistics.
11
Kim. H. Y., Raichur, V., Skerlos, S. J. (2008). Economic and environmental assessment of automotive remanufacturing: alternator case study. Proceedings ASME 2008 international manufacturing science and engineering conference. Evanston, Illinois, USA.
12
Kim, Y. J., & Choi, C. H. (2009). A study on life estimation of hot forging die. International journal of precision engineering and manufacturing, 10(3), 105.
13
Marx-Gomez, J., Rautenstrauch, C., Nürnberger, A., & Kruse, R. (2002). Neuro-fuzzy approach to forecast returns of scrapped products to recycling and remanufacturing. Knowledge-Based systems, 15(1-2), 119-128.
14
Meier, H., Roy, R., & Seliger, G. (2010). Industrial product-service systems—IPS2. CIRP annals-manufacturing technology, 59(2), 607-627.
15
United States International Trade Commission (2012). Remanufactured Goods: An Overview of the U.S. and Global Industries, Markets, and Trade. Retrived from http://www.usitc.gov/publications/332/pub4356.pdf.
16
ORIGINAL_ARTICLE
کاربرد کارایی متقاطع تحلیل پوششی دادهها در گزینش سبد سهام 20 شرکت معتبر بورس
یکی از مشکلات انتخاب پرتفولیو، انتخاب یک مجموعه سهام، دارایی و اوراق بهادار با اهداف متضاد و غیرقابل مقایسه مانند بازده و ریسک میباشد. مدل کارایی متقاطع تکنیک تحلیل پوششی دادهها (DEA)، یکی از ابزارهای مفید در سنجش کارایی است که امکان تعیین واحدهای کارا از صنایع مختلف را جهت تشکیل پرتفولیو فراهم مینماید. هرچند کارایی متقاطع رویکردی برای ارزیابی است، اما کاربرد آن در انتخاب سبد سهام توسعه دادهشده است. در این تحقیق، میانگین نمرات کارایی متقاطع و تغییرات آن را بررسی کرده و دو آمارۀ آن را در فرمول میانگین- واریانس گزینش سبد سهام گنجانیدهایم. این روش دو مزیت دارد: یکی گزینش سبد سهامهایی که ازلحاظ عملکردشان روی معیار ارزیابی چندگانه بهخوبی توسعهیافتهاند و دیگری کاهش پدیدهی بهاصطلاح "دستهبندی همزمان" ارزیابی کارایی متقاطع در انتخاب سبد سهام. این روش برای ارزیابی کارایی گزینش سبد سهام 20 شرکت معتبر بورس طی 9 دوره زمانی به کار گرفتهشده و تغییرات کارایی و علل آن موردبررسی قرارگرفته است. همچنین نشان دادهشده است که سبد سهام منتخب با این روش، بازدهی بالاتری بر مبنای تنظیم ریسک نسبت به دو شاخص بازار سهام طی یک دوره 9 ساله به همراه دارد.
https://www.journal-dmor.ir/article_63751_ebcc210cadd93c587f9db8040fda808b.pdf
2018-05-22
24
40
10.22105/dmor.2018.63751
تحلیل پوششی دادهها
کارایی متقاطع
انتخاب سبد سهام
بورس
محمد رضا
علیرضایی
mralirez@iust.ac.ir
1
دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران.
AUTHOR
فاطمه
رخشان
rakhshan@mathedep.iust.ac.ir
2
دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران.
LEAD_AUTHOR
بهاره
بنای خویی
bahar.banayi@yahoo.com
3
دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران.
AUTHOR
مهرگان، محمدرضا، (1387). مدلهای کمی در ارزیابی عملکرد سازمانها (تحلیل پوششی دادهها). انتشارات دانشگاه تهران.
1
واعظی، احسان، معمارپور، مهدی. (1396). ارزیابی کارایی و رتبهبندی شعب یک بانک خصوصی با استفاده از رویکرد تحلیل پوششی دومرحلهای و تکنیک رتبهبندی بردا. تصمیمگیری و تحقیق در عملیات، 2(2)، 116-129.
2
Andersen, P., & Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management science, 39(10), 1261-1264.
3
Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078-1092.
4
Banker, R. D., & Maindiratta, A. (1988). Nonparametric analysis of technical and allocative efficiencies in production. Econometrica: Journal of the econometric society, 1315-1332.
5
Braglia, M., & Petroni, A. (2000). A quality assurance-oriented methodology for handling trade-offs in supplier selection. International journal of physical distribution & logistics management, 30(2), 96-112.
6
Charnes, A., Cooper, W. W., Huang, Z. M., & Sun, D. B. (1990). Polyhedral cone-ratio DEA models with an illustrative application to large commercial banks. Journal of econometrics, 46(1-2), 73-91.
7
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429-444.
8
Chen, C. M., & Zhu, J. (2011). Efficient resource allocation via efficiency bootstraps: An application to R&D project budgeting. Operations research, 59(3), 729-741.
9
Cooper, W. W., Park, K. S., & Pastor, J. T. (1999). RAM: A range adjusted measure of inefficiency for use with additive models, and relations to other models and measures in DEA. Journal of productivity analysis, 11(1), 5-42. Doyle, J., & Green, R. (1994). Efficiency and cross-efficiency in DEA: Derivations, meanings and uses. Journal of the operational research society, 45(5), 567-578.
10
Edirisinghe, N. C., & Zhang, X. (2007). Generalized DEA model of fundamental analysis and its application to portfolio optimization. Journal of banking & finance, 31(11), 3311-3335.
11
Green, R. H., Doyle, J. R., & Cook, W. D. (1996). Preference voting and project ranking using DEA and cross-evaluation. European journal of operational research, 90(3), 461-472.
12
Liang, L., Wu, J., Cook, W. D., & Zhu, J. (2008). Alternative secondary goals in DEA cross-efficiency evaluation. International journal of production economics, 113(2), 1025-1030.
13
Lim, S. (2012). Minimax and maximin formulations of cross-efficiency in DEA. Computers & industrial engineering, 62(3), 726-731.
14
Lim, S., Oh, K. W., & Zhu, J. (2014). Use of DEA cross-efficiency evaluation in portfolio selection: An application to Korean stock market. European journal of operational research, 236(1), 361-368.
15
Oral, M., Kettani, O., & Lang, P. (1991). A methodology for collective evaluation and selection of industrial R&D projects. Management science, 37(7), 871-885.
16
Park, J. H., Bae, H. R., & Lim, S. M. (2011). Multi-criteria ABC inventory classification using the cross-efficiency method in DEA. Journal of korean institute of industrial engineers, 37(4), 358-366.
17
Pastor, J. T., & Ruiz, J. L. (2007). Variables with negative values in DEA. Modeling data irregularities and structural complexities in data envelopment analysis (pp. 63-84). Springer, Boston, MA.
18
Salo, A., & Punkka, A. (2011). Ranking intervals and dominance relations for ratio-based efficiency analysis. Management science, 57(1), 200-214.
19
Scheel, H. (2001). Undesirable outputs in efficiency valuations. European journal of operational research, 132(2), 400-410.
20
Stewart, T. J. (1996). Relationships between data envelopment analysis and multicriteria decision analysis. Journal of the operational research society, 47(5), 654-665.
21
Thompson, R. G., Langemeier, L. N., Lee, C. T., Lee, E., & Thrall, R. M. (1990). The role of multiplier bounds in efficiency analysis with application to Kansas farming. Journal of econometrics, 46(1-2), 93-108.
22
Tofallis, C. (1996). Improving discernment in DEA using profiling. Omega, 24(3), 361-364.
23
ORIGINAL_ARTICLE
اولویت بندی شاخص های عمومی ارزیابی عملکرد کارکنان استانداری مازندران با استفاده از فرآیند تحلیل سلسله مراتبی فازی
میزان تحقق اهداف از طریق سنجش عملکرد و همچنین کارایی و اثربخشی هر سازمانی از اصول پویایی سازمان است. ازاینرو، تحقیق کنونی، به اولویتبندی شاخصهای عمومی ارزیابی عملکرد کارکنان استانداری مازندران به روش فرآیند تحلیل سلسله مراتبی فازی پرداخته است. ازآنجاکه ارزیابی معیارها ماهیتاً ذهنی و بهطور کیفی است، برای کارشناسان و تصمیمگیرندگان دشوار است که قضاوتها و ترجیحات خود را در قالب ارزشهای دقیق عددی بیان کنند. ازاینرو، روش فرآیند تحلیل سلسله مراتبی فازی که بر مبنای مفهوم تئوری فازی بنیان نهاده شده است، در این تحقیق به کار گرفته میشود. در این روش، مقایسات زوجی بر اساس واژههای زبانی و اعداد فازی انجام میشود. بر این اساس، جداول مقایسات زوجی فازی شاخصها و زیرشاخصها طراحی و جهت تکمیل بین خبرگان توزیعشده است. ابتدا، ناسازگاری هر یک از جداول مقایسات زوجی تکمیلشده توسط ارزیابان بررسی میشود؛ سپس با استفاده از روش فرآیند تحلیل سلسله مراتبی فازی گروهی و نرمافزار Expert Choice، وزنهای فازی هر یک از شاخصها و زیرشاخصها تعیین و با استفاده از یکی از روشهای کارا در رتبهبندی کمیتهای فازی، مقایسه میگردند. نتایج نشان میدهد که در بین شاخصهای عمومی ارزیابی عملکرد کارکنان، شاخص ابتکار و خلاقیتاولویت اول را کسب نموده است.
https://www.journal-dmor.ir/article_62794_62a9066eebd983d826fd27e96776c14e.pdf
2018-05-22
41
57
10.22105/dmor.2018.62794
ارزیابی عملکرد
فرآیند تحلیل سلسله مراتبی فازی
شاخصهای عمومی
استانداری مازندران
علی
ابراهیم نژاد
aemarzoun@gmail.com
1
گروه ریاضی دانشگاه آزاد اسلامی واحد قائمشهر، قائمشهر، ایران.
LEAD_AUTHOR
مرتضی
حسین نتاج
payinza_ae58@yahoo.com
2
گروه مدیریت دولتی، دانشگاه آزاد اسلامی واحد قائمشهر، قائمشهر، ایران.
AUTHOR
ابطحی، ح. (1381). مدیریت منابع انسانی اداره امور کارکنان در سازمانهای دولتی، صنعتی و بازرگانی. کرج، انتشارات موسسه تحقیقات آموزش مدیریت، چاپ اول، ص 226.
1
ایزدی یزدان آبادی، آ، ابراهیم نژاد، م و صادقی، ز. (1393). اولویتبندی شاخصهای ارزیابی عملکرد کارکنان استانداری کرمان با استفاده از AHP. همایش بینالمللی مدیریت.
2
فضلی، ص و آذر، ع. (1381). طراحی مدل ریاضی ارزیابی عملکرد مدیر با استفاده از تحلیل پوششی دادهها (DEA). فصلنامهمدرس،6 (3)،102.
3
پورظهیر، ت و علی ناصری، ن. (1385). تدوین استانداردهای عملکرد مدیران آموزشی مقطع متوسطۀ شهر تهران و ارائۀ یک الگوی مناسب جهت کاربرد آن. مجلۀاقتصادومدیریت، 70.
4
کاظمی، ب. (1380). مدیریت امور کارکنان و اداره امور استخدامی و منابع انسانی با نگرش کاربردی به بخش دولتی در ایران. تهران،مرکزآموزشمدیریتدولتی،چاپسوم، ص242.
5
کریمیان، م، صفری، س و خسروی، ع. (1394). سنجش عملکرد سازمان بر اساس شاخصهای مدیریت منابع انسانی با استفاده از تکنیکهای MADM فازی (مطالعة موردی: سازمانهای وابسته به شهرداری اصفهان). مدیریت دولتی، 7(1)، 153-183.
6
متفکرفرد، ر، راست قلم، ن و شیرویه زاد، ه. (1396). انتخاب استراتژی مناسب طراحی شبکه توزیع در زنجیره تأمین شرکت elphy اصفهان با استفاده از روشهای TOPSIS و SAW. مجله تصمیمگیری و تحقیق در عملیات، 2(1)، 1-16.
7
محمد شفیعی، م، کتابی، س، اردکانی، م. ش و محمد شفیعی، م. (1391). انتخاب بهینهی کانالهای ابزارهای ارتباطات بازاریابی با رویکرد تحلیل سلسله مراتبی فازی (مطالعه موردی گروه تولیدی لوازمخانگی). مجلهی تحقیق در عملیات و کاربردهای آن، 9(3)، 13-26.
8
موجودی، س، امین دوست، ع و نیکبخت، م. (1396). رتبهبندی راهکارهای کاهش مصرف انرژی الکتریکی در سیمان سپاهان اصفهان با استفاده از تکنیک AHP فازی. مجله تصمیمگیری و تحقیق در عملیات، 2(1)، 17-34.
9
موسیخانی، م، حمیدی، ن و نجفی، ز. (1389). اولویتبندی عوامل مؤثر بر عملکرد مدیران آموزشوپرورش با استفاده از فنون تصمیمگیری چندگانه (تجزیهوتحلیل سلسله مراتبی و تخصیص خطی بردا). فصلنامهی نوآوریهای آموزشی، 34، 127-156.
10
میرغفوری، س. ح، رجبیپور میبدی، ع و فرید، د. (1388). کاربرد فرآیند تحلیل سلسله مراتبی فازی در اولویتبندی عوامل مؤثر بر انتخاب سهام در بورس اوراق بهادار تهران از دیدگاه سهامداران. مجله توسعه و سرمایه، 2(3)، 111-130.
11
Beşikçi, E. B., Kececi, T., Arslan, O., & Turan, O. (2016). An application of fuzzy-AHP to ship operational energy efficiency measures. Ocean engineering, 121, 392-402.
12
Cakir, O., & Canbolat, M. S. (2008). A web-based decision support system for multi-criteria inventory classification using fuzzy AHP methodology. Expert systems with applications, 35(3), 1367-1378.
13
Celik, E., & Akyuz, E. (2018). An interval type-2 fuzzy AHP and TOPSIS methods for decision-making problems in maritime transportation engineering: The case of ship loader. Ocean engineering, 155, 371-381.
14
Sun, C. C. (2010). A performance evaluation model by integrating fuzzy AHP and fuzzy TOPSIS methods. Expert systems with applications, 37(12), 7745-7754.
15
Dožić, S., Lutovac, T., & Kalić, M. (2017). Fuzzy AHP approach to passenger aircraft type selection. Journal of air transport management, 68, 165-175.
16
Fattahi, R., & Khalilzadeh, M. (2018). Risk evaluation using a novel hybrid method based on FMEA, extended MULTIMOORA, and AHP methods under fuzzy environment. Safety science, 102, 290-300.
17
Gumus, A. T. (2009). Evaluation of hazardous waste transportation firms by using a two step fuzzy-AHP and TOPSIS methodology. Expert systems with applications, 36(2), 4067-4074.
18
Hsieh, T. Y., Lu, S. T., & Tzeng, G. H. (2004). Fuzzy MCDM approach for planning and design tenders selection in public office buildings. International journal of project management, 22(7), 573-584.
19
Van Laarhoven, P. J. M., & Pedrycz, W. (1983). A fuzzy extension of Saaty's priority theory. Fuzzy sets and systems, 11(1-3), 229-241.
20
Leung, L. C., & Cao, D. (2000). On consistency and ranking of alternatives in fuzzy AHP. European journal of operational research, 124(1), 102-113.
21
Li, X., Liu, Y., Wang, Y., & Gao, Z. (2016). Evaluating transit operator efficiency: An enhanced DEA model with constrained fuzzy-AHP cones. Journal of traffic and transportation engineering (english edition), 3(3), 215-225.
22
Pan, N. F. (2008). Fuzzy AHP approach for selecting the suitable bridge construction method. Automation in construction, 17(8), 958-965.
23
Sambasivan, M., & Fei, N. Y. (2008). Evaluation of critical success factors of implementation of ISO 14001 using analytic hierarchy process (AHP): a case study from Malaysia. Journal of cleaner production, 16(13), 1424-1433.
24
Tavana, M., Zareinejad, M., Di Caprio, D., & Kaviani, M. A. (2016). An integrated intuitionistic fuzzy AHP and SWOT method for outsourcing reverse logistics. Applied soft computing, 40, 544-557.
25
Tyagi, S., Agrawal, S., Yang, K., & Ying, H. (2017). An extended Fuzzy-AHP approach to rank the influences of socialization-externalization-combination-internalization modes on the development phase. Applied soft computing, 52, 505-518.
26
Wang, T. C., & Chen, Y. H. (2008). Applying fuzzy linguistic preference relations to the improvement of consistency of fuzzy AHP. Information sciences, 178(19), 3755-3765.
27
Vincent, F. Y., & Dat, L. Q. (2014). An improved ranking method for fuzzy numbers with integral values. Applied soft computing, 14, 603-608.
28
ORIGINAL_ARTICLE
حل معکوس مسئله 1-میانه با استفاده از آلفا برش فازی
مسائل مکانیابی تسهیلات، یکی از مهمترین مسائل در حوزه تحقیق در عملیات و علم مدیریت به شمار میرود. هدف از حل این نوع مسائل، تعیین مکان مناسبی در بین نقاط تقاضا، جهت استقرار تسهیلات و مراکز خدماترسانی است، بهگونهای که این مراکز حداکثر بازده و خدماترسانی را با کمترین هزینه به سایر مشتریان متقاضی داشته باشند. از کاربردهای معروف این مسئله میتوان به مکانیابی انبارها، بیمارستانها، ایستگاههای امداد و نجات، تأسیسات نظامی، شعب بانک و ... اشاره کرد؛ اما در برخی از موارد، تسهیلات بهصورت غیر بهینه مکانیابی شدهاند و به دلایل مختلفی امکان جابهجایی آنها وجود ندارد، در این صورت مسائل مکانیابی معکوس مطرح میشوند. یکی از مهمترین این نوع مسائل، معکوس مسئله 1-میانه میباشد. با توجه به اینکه در دنیای واقعی بسیاری از پارامترهای مسئله مشخص و دقیق نیستند، انگیزهای شد تا در این مقاله معکوس مسئله 1-میانه فازی را بررسی کنیم. بر اساس مفهوم آلفا-برش برای اعداد فازی مثلثی، ابتدا یک مدل برنامهریزی خطی تماماً فازی بهصورت بازهای برای این مسئله در هر سطح اطمینان به دست میآوریم و سپس یک روش حل بر اساس حساب بازهای و معرفی یک تابع رتبه ارائه میکنیم. دراینصورت، بر اساس این روش، حل معکوس مسئله 1-میانه با پارامترهای فازی، با حل کلاسیک این مسئله متناظر خواهد بود. در پایان نیز بهمنظور نشان دادن کارایی روش حل پیشنهادی، یک مثال عددی ارائه کردهایم.
https://www.journal-dmor.ir/article_63833_5aea845821cea5bbc984cdae1edc60e7.pdf
2018-05-22
58
71
10.22105/dmor.2018.63833
معکوس مسئله 1-میانه
زیردرخت ماکسیمال
معیار بهینگی
عدد فازی مثلثی
برنامهریزی خطی تماما فازی
آلفا برش
حساب بازهای
منا
خداقلی
ma_khodagholy@yahoo.com
1
گروه ریاضی کاربردی، دانشگاه شاهد، تهران، ایران.
AUTHOR
اردشیر
دولتی
dolati@shahed.ac.ir
2
گروه علوم کامپیوتر، دانشگاه شاهد، تهران، ایران.
LEAD_AUTHOR
علی
حسین زاده
hoseinzadeh1393@gmail.com
3
گروه ریاضی کاربردی، دانشگاه شاهد، تهران، ایران.
AUTHOR
خداقلی، منا و دولتی، اردشیر. (1397). کاربرد مسائل مکانیابی در برنامهریزی شهری. پنجمین همایش ریاضیات و علوم انسانی (ریاضی مالی).
1
Allahviranloo, T., Lotfi, F. H., Kiasary, M. K., Kiani, N. A., & Alizadeh, L. (2008). Solving fully fuzzy linear programming problem by the ranking function. Applied mathematical sciences, 2(1), 19-32.
2
Balas, E., & Zemel, E. (1980). An algorithm for large zero-one knapsack problems. Operations research, 28(5), 1130-1154.
3
Bellman, R. E., & Zadeh, L. A. (1970). Decision-making in a fuzzy environment. Management science, 17(4), B-141.
4
Bonab, F. B., Burkard, R. E., & Alizadeh, B. (2010). Inverse median location problems with variable coordinates. Central european journal of operations research, 18(3), 365-381.
5
Bonab, F. B., Burkard, R. E., & Gassner, E. (2011). Inverse p-median problems with variable edge lengths. Mathematical methods of operations research, 73(2), 263-280.
6
Buckley, J. J., & Feuring, T. (2000). Evolutionary algorithm solution to fuzzy problems: fuzzy linear programming. Fuzzy sets and systems, 109(1), 35-53.
7
Burkard, R. E., Pleschiutschnig, C., & Zhang, J. (2004). Inverse median problems. Discrete optimization, 1(1), 23-39.
8
Burkard, R. E., Pleschiutschnig, C., & Zhang, J. (2008). The inverse 1-median problem on a cycle. Discrete optimization, 5(2), 242-253.
9
Canós, M. J., Ivorra, C., & Liern, V. (2001). The fuzzy p-median problem: A global analysis of the solutions. European journal of operational research, 130(2), 430-436.
10
Canós, M. J., Ivorra, C., & Liern, V. (2008). Marginal analysis for the fuzzy p-median problem. European journal of operational research, 191(1), 264-271.
11
Dehghan, M., Hashemi, B., & Ghatee, M. (2006). Computational methods for solving fully fuzzy linear systems. Applied mathematics and computation, 179(1), 328-343.
12
Dutta, P., Boruah, H., & Ali, T. (2011). Fuzzy Arithmetic with and without using α-cut method: A Comparative Study. International journal of latest trends in computing, 2(1), 99-107.
13
Ezzati, R., Khorram, E., & Enayati, R. (2015). A new algorithm to solve fully fuzzy linear programming problems using the MOLP problem. Applied mathematical modelling, 39(12), 3183-3193.
14
Fathali, J., Rad, N. J., & Sherbaf, S. R. (2014). The p-median and p-center Problems on Bipartite Graphs. Iranian journal of matematical sciences and informatics, 9(2), 37-43.
15
Galavii, M. (2010). The inverse 1-median problem on a tree and on a path. Electronic notes in discrete mathematics, 36, 1241-1248.
16
Guan, X., & Zhang, B. (2012). Inverse 1-median problem on trees under weighted Hamming distance. Journal of global optimization, 54(1), 75-82.
17
Halpern, J. (1976). The location of a center‐median convex combination on an undirected tree. Journal of regional science, 16(2), 237-245.
18
Helen, R., & Uma, G. (2015). A new operation and ranking on Pentagon Fuzzy Numbers. International journal of mathematical sciences and applications, 5(2), 341-346.
19
Hosseinzadeh, A., & Edalatpanah, S. A. (2016). A new approach for solving fully fuzzy linear programming by using the lexicography method. Advances in fuzzy systems, 4.
20
Kamble, A. J. (2017). Some Notes on Pentagonal Fuzzy Numbers. International journal of fuzzy mathematical archive, 13(2),113-121.
21
Kaur, J., & Kumar, A. (2016). An Introduction to Fuzzy Linear Programming Problems. Springer Publishing Company, Incorporated.
22
Kumar, A., Kaur, J., & Singh, P. (2011). A new method for solving fully fuzzy linear programming problems. Applied mathematical modelling, 35(2), 817-823.
23
Kutangila-Mayoya, D., & Verdegay, J. L. (2005). p-Median problems in a fuzzy environment. Mathware & soft computing, 12(2).
24
Nguyen, K. T. (2016). Inverse 1-median problem on block graphs with variable vertex weights. Journal of optimization theory and applications, 168(3), 944-957.
25
Nguyen, K. T., & Sepasian, A. R. (2016). The inverse 1-center problem on trees with variable edge lengths under Chebyshev norm and Hamming distance. Journal of combinatorial optimization, 32(3), 872-884.
26
Perez, J. A. M., Vega, J. M. M., & Verdegay, J. L. (2004). Fuzzy location problems on networks. Fuzzy sets and systems, 142(3), 393-405.
27
Najafi, H. S., & Edalatpanah, S. A. (2013). A note on “A new method for solving fully fuzzy linear programming problems”. Applied mathematical modelling, 37(14-15), 7865-7867.
28
Sudha, A. S., & Anitha, N. (2015). Solving a Interval Fuzzy Linear Programming Problem using Alpha-Cut Operation. International journal of computer applications, 112(10).
29
Sudha, A. S., & Vijayalakshmi, K. R. Application Of Symmetric Hexagonal Intuitionist Fuzzy Numbers In A Transportation Problem. Mathematical sciences international research journal, 5(2), 2278-8697.
30
Taleshian, F., & Fathali, J. (2016). A Mathematical Model for Fuzzy-Median Problem with Fuzzy Weights and Variables. Advances in operations research, 2016.
31
Tanaka, H., Okuda, T., & Asai, K. (1973). Fuzzy mathematical programming. Transactions of the society of instrument and control engineers, 9(5), 607-613.
32
Wu, L., Lee, J., Zhang, J., Wang, Q. (2013). The inverse 1-median problem on tree networks with variable real edge lengths. Mathematical problems in engineering. http://dx.doi.org/10.1155/2013/313868.
33
Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8, 69-78.
34
Zhang, G., Wu, Y. H., Remias, M., & Lu, J. (2003). Formulation of fuzzy linear programming problems as four-objective constrained optimization problems. Applied Mathematics and computation, 139(2-3), 383-399.
35
Zimmermann, H. J. (1975). Description and optimization of fuzzy systems. International journal of general system, 2(1), 209-215.
36
ORIGINAL_ARTICLE
محاسبه ارزش در معرض ریسک و کسری مورد انتظار برخی توزیعهای آماری
ارزش در معرض ریسک و کسری مورد انتظار دو کمیت بسیار متداول درزمینهی اندازهگیری ریسک مالی هستند. رویکردهای بسیاری برای محاسبهی این دو کمیت وجود دارند که این رویکردها را میتوان به سه دستهی کلی پارامتری، نا پارامتری و نیمه نا پارامتری تقسیمبندی کرد. درروش پارامتری که رویکرد اصلی این مقاله است، فرض بر این است که توزیع بازده سهام به دستهی خاصی از توزیعهای پارامتری تعلق دارد. در این مقاله برای تعدادی از توزیعها، ارزش در معرض ریسک و کسری مورد انتظار محاسبهشده و روابط مربوط به این دو کمیت برای چند توزیع متقارن بیان و اثباتشده است. با مقایسه نتایج عددی بر مبنای محاسبه قیمتهای روزانه سهام شرکت کوکاکولا به مدت 10 سال، نشان دادهشده است که کسری مورد انتظار در مقابل ارزش در معرض ریسک کمیت قابلاتکا و معتبری در مبحث مدیریت ریسک میباشد.
https://www.journal-dmor.ir/article_64783_5a6dc2247ab5cf12fe088edec469f261.pdf
2018-05-22
72
81
10.22105/dmor.2018.64783
ارزش درمعرض ریسک
کسری مورد انتظار
روش پارامتری
رسول
روزگار
rroozegar@yazd.ac.ir
1
گروه آمار، دانشگاه یزد، یزد، ایران.
LEAD_AUTHOR
بها الدین
صوفی
baha.sufi@gmail.com
2
گروه ریاضی کاربردی، دانشگاه یزد، یزد، ایران.
AUTHOR
حمیدرضا
طاهری زاده
tahery2875@gmail.com
3
گروه آمار، دانشگاه یزد، یزد، ایران.
AUTHOR
Acerbi, C., & Tasche, D. (2002). On the coherence of expected shortfall. Journal of banking & finance, 26(7), 1487-1503.
1
Artzner, P. (1997). Thinking coherently. Risk, 68-71.
2
Artzner, P., Delbaen, F., Eber, J. M., & Heath, D. (1999). Coherent measures of risk. Mathematical finance, 9(3), 203-228.
3
Nadarajah, S., Zhang, B., & Chan, S. (2014). Estimation methods for expected shortfall. Quantitative finance, 14(2), 271-291.
4
Oh, S., & Moon, S. J. (2006). Comparative analysis of portfolio risk measures based on EVT-copula approach during financial crises. Asia-Pacific journal of financial studies, 35(3), 175-205.
5
Rockafellar, R. T., & Uryasev, S. (2002). Conditional value-at-risk for general loss distributions. Journal of banking & finance, 26(7), 1443-1471.
6
Taylor, J. W. (2008). Estimating value at risk and expected shortfall using expectiles. Journal of financial econometrics, 6(2), 231-252.
7
Yamai, Y., & Yoshiba, T. (2002). Comparative analyses of expected shortfall and value-at-risk: their estimation error, decomposition, and optimization. Monetary and economic studies, 20(1), 87-121.
8
ORIGINAL_ARTICLE
تشخیص و کلاسه بندی خطا در شبکه های هوشمند با استفاده از فازورهای ولتاژ و جریان
این مقاله، یک متدولوژی جهت تشخیص و کلاسهبندی خطاهای رخداده بر روی خطوط انتقال شبکههای قدرت هوشمند ارائه میکند. در روش پیشنهادی، فازورهای ولتاژ و جریان توسط واحد اندازهگیری فازور (PMU) نصبشده در باس ژنراتور، تخمین زده میشود و سپس زوایای ولتاژ و جریان معادل به دست میآید. این زوایا از طریق تبدیل فوریه سریع) FFT (آنالیز میشوند و برای تشخیص و کلاسهبندی خطای خط انتقال بکار میروند. تشخیص خطای خط انتقال با استفاده از روش سیستم استنتاج فازی-عصبی صورت میگیرد و کلاسهبندی خطای تشخیص دادهشده با استفاده از ماشین بردار پشتیبانی (SVM) انجام میشود. اعتبار سنجی روش پیشنهادی بر روی سیستم 14 باسه IEEE در محیط نرمافزار متلب مورد آزمایش قرارگرفته است.
https://www.journal-dmor.ir/article_58265_7f1aebd18a1ee154e62e0a630a990aeb.pdf
2018-05-22
82
98
10.22105/dmor.2018.58265
تشخیص و کلاسه بندی خطا
شبکه هوشمند
واحد اندازه گیری فازور
آنالیز تبدیل فوریه
سیستم استنتاج قازی-عصبی
ماشین بردار پشتیبان
محمد
صابری
mp_saberi@yahoo.com
1
گروه مهندسی برق، موسسه اموزش عالی آیندگان، تنکابن، ایران
LEAD_AUTHOR
بهزاد
تقی پور
taghipoor_behzad@yahoo.com
2
گروه مهندسی برق، دانشگاه آزاد اسلامی واحد سیاهکل، سیاهکل، ایران.
AUTHOR
Brown, M. A., & Zhou, S. (2013). Smart‐grid policies: an international review. Wiley interdisciplinary reviews: energy and environment, 2(2), 121-139.
1
Donnelly, M. K., Dagle, J. E., Trudnowski, D. J., & Rogers, G. J. (1996). Impacts of the distributed utility on transmission system stability. IEEE transactions on power systems, 11(2), 741-746.
2
Slootweg, J. G., & Kling, W. L. (2002, July). Impacts of distributed generation on power system transient stability. Proceedings of power engineering society summer meeting, 2002 IEEE, 2, 862-867. doi: 10.1109/PESS.2002.1043465
3
Cecati, C., Citro, C., & Siano, P. (2011). Combined operations of renewable energy systems and responsive demand in a smart grid. IEEE transactions on sustainable energy, 2(4), 468-476.
4
Gopakumar, P., Reddy, M. J. B., & Mohanta, D. K. (2014). Letter to the editor: stability concerns in smart grid with emerging renewable energy technologies. Electric power components and Systems, 42(3-4), 418-425.
5
Ma, J., Zhang, P., Fu, H. J., Bo, B., & Dong, Z. Y. (2010). Application of phasor measurement unit on locating disturbance source for low-frequency oscillation. IEEE transactions on smart grid, 1(3), 340-346.
6
Hashiesh, F., Mostafa, H. E., Khatib, A. R., Helal, I., & Mansour, M. M. (2012). An Intelligent Wide Area Synchrophasor Based System for Predicting and Mitigating Transient Instabilities. IEEE trans. smart grid, 3(2), 645-652.
7
Song, Y. H., Johns, A. T., Xuan, Q. Y., & Liu, J. Y. (1997). Genetic algorithm based neural networks applied to fault classification for EHV transmission lines with a UPFC. Proceedings of sixth international conference on developments in power system protection (Conf. Publ. No. 434), 278-281. doi: 10.1049/cp:19970081
8
Maji, T. K., & Acharjee, P. (2017). Multiple solutions of optimal PMU placement using exponential binary PSO algorithm for smart grid applications. IEEE transactions on industry applications, 53(3), 2550-2559.
9
Dhend, M. H. (2016, October). Efficient fault diagnosis in smart grid using non conventional mother wavelet function. Proceedings of 2016 IEEE pes asia-pacific power and energy engineering conference (APPEEC), 342-347. doi:
10
10.1109/APPEEC.2016.7779524
11
Reddy, M. J. B., Rajesh, D. V., & Mohanta, D. K. (2013). Robust transmission line fault classification using wavelet multi-resolution analysis. Computers & electrical engineering, 39(4), 1219-1247.
12
Ferrero, A., Sangiovanni, S., & Zappitelli, E. (1995). A fuzzy-set approach to fault-type identification in digital relaying. IEEE transactions on power delivery, 10(1), 169-175.
13
Reddy, M. J., & Mohanta, D. K. (2008). Adaptive-neuro-fuzzy inference system approach for transmission line fault classification and location incorporating effects of power swings. IET generation, transmission & distribution, 2(2), 235-244.
14
Bo, Z. Q., Aggarwal, R. K., Johns, A. T., Li, H. Y., & Song, Y. H. (1997). A new approach to phase selection using fault generated high frequency noise and neural networks. IEEE transactions on power delivery, 12(1), 106-115.
15
Oubrahim, Z., Choqueuse, V., Amirat, Y., & Benbouzid, M. (2015, November). An improved algorithm for power system fault type classification based on least square phasor estimation. Proceedings of 41st annual conference of the ieee industrial electronics society, IECON 2015, 002735-002740. doi: 10.1109/IECON.2015.7392515
16
Gopakumar, P., Reddy, M. J. B., & Mohanta, D. K. (2015). Adaptive fault identification and classification methodology for smart power grids using synchronous phasor angle measurements. IET generation, transmission & distribution, 9(2), 133-145.
17
Phadke, A. G., Thorp, J. S., & Adamiak, M. G. (1983). A new measurement technique for tracking voltage phasors, local system frequency, and rate of change of frequency. IEEE transactions on power apparatus and systems, (5), 1025-1038.
18
Tziouvaras, D. A., McLaren, P., Alexander, G., Dawson, D., Esztergalyos, J., Fromen, C., ... & Kotheimer, B. (2000). Mathematical models for current, voltage, and coupling capacitor voltage transformers. IEEE transactions on power delivery, 15(1), 62-72.
19
Lopes, F. V., Santos, W. C., Fernandes, D., Neves, W. L. A., & Souza, B. A. (2011, October). An adaptive fault location method for smart distribution and transmission grids. Proceedings of 2011 IEEE PES conference on innovative smart grid technologies (ISGT Latin America), 1-7. doi: 10.1109/ISGT-LA.2011.6083196
20
Ferraz, R. G., Iurinic, L. U., Filomena, A. D., & Bretas, A. S. (2012, September). Park's transformation analitycal approach of transient signal analysis for power systems. Proceedings of north american power symposium (NAPS), 1-6. 10.1109/NAPS.2012.6336412
21
Dash, P. K., Samantaray, S. R., & Panda, G. (2007). Fault classification and section identification of an advanced series-compensated transmission line using support vector machine. IEEE transactions on power delivery, 22(1), 67-73.
22
Vapnik, V. (1998). Statistical learning theory. Wiley, New York.
23
Hsu, C. W., & Lin, C. J. (2002). A comparison of methods for multiclass support vector machines. IEEE transactions on Neural Networks, 13(2), 415-425.
24
Vapnik, V. (2013). The nature of statistical learning theory. Springer science & business media.
25
Seyedtabaii, S. (2012). Improvement in the performance of neural network-based power transmission line fault classifiers. IET generation, transmission & distribution, 6(8), 731-737.
26