ORIGINAL_ARTICLE
ارائه رویکردی مبتنی بر الگوریتم قهرمانی در لیگهای ورزشی و فیلتر کالمن برای بهینهسازی چندهدفه مسئله زمانبندی پروژه و پیشبینی پیشرفت زمانی پروژه
پیشبینی قابلاعتماد، عنصری حیاتی برای موفقیت در مدیریت یک پروژه میباشد. از دیرباز روش ارزش کسبشده (EVM) بهمنظور دنبال نمودن عملکرد زمانی و هزینهای پروژه، مورداستفاده قرارگرفته است. بهرهگیری از این روش جهت ارزیابی عملکرد زمانی پروژه با بهرهگیری از شاخص عملکرد زمانی (SPI) توسط محققین و صنعتگران موردانتقاد جدی واقعشده است؛ ازاینرو، مطالعه حاضر، چارچوبی بهمنظور ارزیابی تصادفی و پیشبینی عملکرد زمانی در هر یک از فعالیتها در مدیریت پروژه ارائه مینماید. در این چارچوب، با استفاده از الگوریتم چندهدفه فرا ابتکاری قهرمانی در لیگهای ورزشی (LCA)، برنامهریزی اولیه پروژه با توجه به زمان و منابع فعالیتها که فاکتورهایی غیرقطعی در نظر گرفتهشدهاند، بهینهسازی شده است؛ سپس با استفاده از روش پیشبینی فیلتر کالمن، برنامهریزی اجرایی پروژه به صورتی انجامگرفته است که بتوان پروژهها را در شرایط عدم قطعیت، پیشبینی و افق زمانی پیش روی آنها را خیلی دقیق و با کمترین خطا برای مدیران پروژه ترسیم نمود و با کمترین تأخیر زمانی و هزینهای، پروژه را به اتمام رساند. جهت اطمینان از کیفیت جواب، خروجی الگوریتم فرا ابتکاری قهرمانی در لیگهای ورزشی با الگوریتم ژنتیک (NSGAII) و الگوریتم چندهدفه بهینهسازی انبوه ذرات (PSO) مقایسه شده است که نتایج بهدستآمده نشان از برتری الگوریتم معرفیشده در این مقاله دارد.
https://www.journal-dmor.ir/article_65519_906293bedcec0dcbf9178eceb5a1dd68.pdf
2018-08-23
99
113
10.22105/dmor.2018.65519
مدیریت پروژه
عدم قطعیت
الگوریتم قهرمانی در لیگهای ورزشی
فیلتر کالمن
احسان
عقدایی
ehsan_aghdaee@yahoo.com
1
گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران.
AUTHOR
علی
حسین زاده کاشان
a.kashan@modares.ac.ir
2
گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران.
LEAD_AUTHOR
دیرانلو، م. (1385). ارائه یک الگوریتم ژنتیک کارا جهت حل مسئله زمانبندی پروژه تحت شرایط محدودیت منابع (پایاننامه دانشگاه تهران).
1
سبزه پرور، م. (1389). مرجع درسی و کاربردی کنترل پروژه (نسخه ششم). تهران: نشر ترمه.
2
احسان اله اشتهاردیان، ع. ا. (1385). بهینهسازی موازنه هزینه – زمان: استفاده از الگوریتم ژنتیک و منطق فازی در عدم قطعیت هزینهها. سومین کنفرانس بینالمللی مدیریت پروژه. تهران، گروه پژوهشی آریانا.
3
Larson, E. W., & Gray, C. F. (2015). A Guide to the Project Management Body of Knowledge: PMBOK (®) Guide. Project Management Institute.
4
Azeem, S. A., Hosny, H. E., & Ibrahim, A. H. (2014). Forecasting project schedule performance using probabilistic and deterministic models. HBRC journal, 10(1), 35-42.
5
Kim, B. C., & Reinschmidt, K. F. (2010). Probabilistic forecasting of project duration using Kalman filter and the earned value method. Journal of construction engineering and management, 136(8), 834-843.
6
Hass, K. B. (2009). Managing Complex Projects: A New Model. Vienna. VA: Management Concepts.
7
Demeulemeester, E. L., & Herroelen, W. S. (2006). Project scheduling: a research handbook. Springer Science & Business Media.
8
Kazemi, F. S., & Tavakkoli-Moghaddam, R. (2011). Solving a Multi-Objective Multi-Mode Resource-Constrained Project Scheduling Problem with Particle Swarm Optimization. International journal of academic research, 3(1), 103-110.
9
Kumar, N., & Vidyarthi, D. P. (2016). A model for resource-constrained project scheduling using adaptive PSO. Soft computing, 20(4), 1565-1580.
10
He, Z., Liu, R., & Jia, T. (2012). Metaheuristics for multi-mode capital-constrained project payment scheduling. European journal of operational research, 223(3), 605-613.
11
Gonçalves, J. F., Mendes, J. J., & Resende, M. G. (2008). A genetic algorithm for the resource constrained multi-project scheduling problem. European journal of operational research, 189(3), 1171-1190.
12
Orji, M. J., & Wei, S. (2013). Project scheduling under resource constraints: a recent survey. International journal of engineering research and technology, 2(2), 1-20.
13
Padalkar, M., & Gopinath, S. (2016). Are complexity and uncertainty distinct concepts in project management? A taxonomical examination from literature. International journal of project management, 34(4), 688-700.
14
Daniel, P. A., & Daniel, C. (2018). Complexity, uncertainty and mental models: From a paradigm of regulation to a paradigm of emergence in project management. International journal of project management, 36(1), 184-197.
15
Turner, J. R. (2014). Handbook of project-based management. New York, NY: McGraw-hill.
16
Chen, A. H., & Chyu, C. C. (2008, June). A memetic algorithm for maximizing net present value in resource-constrained project scheduling problem. Proceedings of 2008 IEEE congress on evolutionary computation (IEEE world congress on computational intelligence) (pp. 2396-2403). Hong Kong, China: IEEE.
17
Pishvaee, M. S., Razmi, J., & Torabi, S. A. (2012). Robust possibilistic programming for socially responsible supply chain network design: A new approach. Fuzzy sets and systems, 206, 1-20.
18
Kashan, A. H. (2009, December). League championship algorithm: a new algorithm for numerical function optimization. Proceedings of 2009 international conference of soft computing and pattern recognition (pp. 43-48). Malacca, Malaysia: IEEE.
19
Hegazy, T., & Kassab, M. (2003). Resource optimization using combined simulation and genetic algorithms. Journal of construction engineering and management, 129(6), 698-705.
20
Feng, C. X. J., Saal, A. L., Salsbury, J. G., Ness, A. R., & Lin, G. C. (2007). Design and analysis of experiments in CMM measurement uncertainty study. Precision engineering, 31(2), 94-101.
21
Soyster, A. L. (1973). Convex programming with set-inclusive constraints and applications to inexact linear programming. Operations research, 21(5), 1154-1157.
22
Kim, B. C. (2007). Forecasting project progress and early warning of project overruns with probabilistic methods. Texas A&M University.
23
Browning, T. R. (2014). Managing complex project process models with a process architecture framework. International journal of project management, 32(2), 229-241.
24
Ramasesh, R. V., & Browning, T. R. (2014). A conceptual framework for tackling knowable unknown unknowns in project management. Journal of operations management, 32(4), 190-204.
25
Qureshi, S. M., & Kang, C. (2015). Analysing the organizational factors of project complexity using structural equation modelling. International journal of project management, 33(1), 165-176.
26
Saunders, F. C., Gale, A. W., & Sherry, A. H. (2015). Conceptualising uncertainty in safety-critical projects: A practitioner perspective. International journal of project management, 33(2), 467-478.
27
Attarzadeh, M., & Chua, D. K. (2011). Performance risk evaluation of long term infrastructure projects (PPP-BOT projects) using probabilistic methods. EPPM, Singapore, 20-21.
28
Kim, B. C. (2011). Probabilistic performance risk evaluation of infrastructure projects: First international symposium on uncertainty modeling and analysis and management (ICVRAM 2011); and fifth international symposium on uncertainty modeling and anaylsis (ISUMA) (pp. 292-299). Hyattsville, Maryland, United States: American Society of Civil Engineers.
29
ORIGINAL_ARTICLE
حل مسئله مسیریابی وسایل نقلیه چند انباره با در نظر گرفتن پنجره زمانی و تقاضای فازی با استفاده از الگوریتمهای فرا ابتکاری در خدمات بهداشت خانگی
در دنیای امروز، برطرف کردن نیازهای بهداشتی و درمانی بیماران در منزل دارای فواید متعددی است. با ارائه خدمات درمانی بهصورت منظم و بهموقع، علاوه بر کاهش هزینهها، روند بهبودی بیمار نیز سرعت مییابد. در این مقاله، یک مسئله مسیریابی وسایل نقلیه چند انباره با در نظر گرفتن پنجره زمانی و تقاضای فازی در نظر گرفتهشده است. این مسئله، درصدد است تا با مدلهای ریاضی و بهینهسازی بهگونهای عمل کند که مسافت طی شده، زمان کل سفر، تعداد وسایل حملونقل و تابع هزینه حملونقل حداقل گردد و با در نظر گرفتن پنجره زمانی سخت، جهت ملاقات بیماران، رضایت بیماران افزایش یابد. این مسئله جزء مسائل پیچیده و متعلق به کلاس NP-hard است و حل آن از طریق برنامهریزی خطی و نرمافزارهای موجود مدتزمان بالایی را به خود اختصاص میدهد. لذا در این مقاله برای حل آن از دو رویکرد فرا ابتکاری شامل الگوریتم ژنتیک و بهینهسازی ازدحام ذرات استفادهشده است. با توجه به حساسیت الگوریتمهای فرا ابتکاری به مقدار پارامترهایشان، برای تنظیم این پارامترها از متدولوژی سطح پاسخ استفادهشده است. تعدادی مسئله برای نشان دادن کارایی الگوریتمهای پیشنهادی حلشده است و نتایج محاسباتی با نرمافزار GAMS مقایسه شده است.
https://www.journal-dmor.ir/article_65276_e5d2a8604bd38847133b0f75718dd4b9.pdf
2018-08-23
114
127
10.22105/dmor.2018.65276
مسیریابی وسایل نقلیه
پنجره زمانی
تقاضای فازی
روش سطح پاسخ
الگوریتم فراابتکاری
مسعود
ربانی
mrabani@ut.ac.ir
1
دانشکده مهندسی صنایع و سیستم، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران.
LEAD_AUTHOR
مریم
توجیدی فرد
mtohidi@ut.ac.ir
2
دانشکده مهندسی صنایع و سیستم، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران.
AUTHOR
محمد
پرتوی
mpartovi@ut.ac.ir
3
دانشکده مهندسی صنایع و سیستم، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران.
AUTHOR
حامد
فرخی اصل
hamed.farrokhi@ut.ac.ir
4
دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران.
AUTHOR
Allaoua, H., Borne, S., Létocart, L., & Calvo, R. W. (2013). A matheuristic approach for solving a home health care problem. Electronic notes in discrete mathematics, 41,471-478.
1
Amirsadi, A., & Soleimani, H. (2005). Evaluating the phenomenon of aging and its consequences in Iran. Journal of health and wellbeing, 1(2), 19-35.
2
Bell, W. J., Dalberto, L. M., Fisher, M. L., Greenfield, A. J., Jaikumar, R., Kedia, P., ... & Prutzman, P. J. (1983). Improving the distribution of industrial gases with an on-line computerized routing and scheduling optimizer. Interfaces, 13(6), 4-23.
3
Bertels, S., & Fahle, T. (2006). A hybrid setup for a hybrid scenario: combining heuristics for the home health care problem. Computers & operations research, 33(10), 2866-2890.
4
Braekers, K., Hartl, R. F., Parragh, S. N., & Tricoire, F. (2016). A bi-objective home care scheduling problem: Analyzing the trade-off between costs and client inconvenience. European journal of operational research, 248(2), 428-443.
5
Bredström, D., & Rönnqvist, M. (2008). Combined vehicle routing and scheduling with temporal precedence and synchronization constraints. European journal of operational research, 191(1), 19-31.
6
Cappanera, P., Scutellà, M. G., & Visintin, F. (2014). Home Care Services delivery: equity versus efficiency in optimization models. Proceedings of the international conference on health care systems engineering. Springer.
7
Cheng, E., & Rich, J. L. (1998). A home health care routing and scheduling problem. Retrieved from CAAM Technical Reports.
8
Dantzig, G. B., & Ramser, J. H. (1959). The truck dispatching problem. Management science, 6(1), 80-91.
9
Decerle, J., Grunder, O., El Hassani, A. H., & Barakat, O. (2016). A two-phases matheuristic for the home care routing and scheduling problem. IFAC-PapersOnLine, 49(12), 1484-1489.
10
En-nahli, L., Afifi, S., Allaoui, H., & Nouaouri, I. (2016). Local search analysis for a vehicle routing problem with synchronization and time windows constraints in home health care services. IFAC-PapersOnLine, 49(12), 1210-1215.
11
Engelbrecht, A. P. (2006). Fundamentals of computational swarm intelligence. John Wiley & Sons.
12
En-nahli, L., Allaoui, H., & Nouaouri, I. (2015). A multi-objective modelling to human resource assignment and routing problem for home health care services. IFAC-PapersOnLine, 48(3), 698-703.
13
Frifita, S., Masmoudi, M., & Euchi, J. (2017). General variable neighborhood search for home healthcare routing and scheduling problem with time windows and synchronized visits. Electronic notes in discrete mathematics, 58, 63-70.
14
Majidi, S., Hosseini-Motlagh, S. M., Yaghoubi, S., & Jokar, A. (2017). Fuzzy green vehicle routing problem with simultaneous pickup–delivery and time windows. RAIRO-operations research, 51(4), 1151-1176.
15
Ho, W., Ho, G. T., Ji, P., & Lau, H. C. (2008). A hybrid genetic algorithm for the multi-depot vehicle routing problem. Engineering applications of artificial intelligence, 21(4), 548-557.
16
Hu, X., Shi, Y., & Eberhart, R. (2004, June). Recent advances in particle swarm. Proceedings of the 2004 congress on evolutionary computation (IEEE Cat. No.04TH8753). Portland, OR, USA: IEEE.
17
Jiao, B., Lian, Z., & Gu, X. (2008). A dynamic inertia weight particle swarm optimization algorithm. Chaos, solitons & fractals, 37(3), 698-705.
18
Kergosien, Y., Lenté, C., & Billaut, J.-C. (2009). Home health care problem: An extended multiple traveling salesman problem. Proceedings of the 4th multidisciplinary international conference on scheduling: Theory and applications (MISTA'09). Dublin (Irlande).
19
Kergosien, Y., Ruiz, A., & Soriano, P. (2014). A routing problem for medical test sample collection in home health care services. Proceedings of the international conference on health care systems engineering (pp. 29-46). Springer.
20
Liu, R., Xie, X., Augusto, V., & Rodriguez, C. (2013). Heuristic algorithms for a vehicle routing problem with simultaneous delivery and pickup and time windows in home health care. European journal of operational research, 230(3), 475-486.
21
Liu, R., Xie, X., & Garaix, T. (2014). Hybridization of tabu search with feasible and infeasible local searches for periodic home health care logistics. Omega, 47,17-32.
22
Mankowska, D. S., Meisel, F., & Bierwirth,C. (2014). The home health care routing and scheduling problem with interdependent services. Health care management science, 17(1), 15-30.
23
Nickel, S., Schröder, M., & Steeg, J. (2012). Mid-term and short-term planning support for home health care services. European journal of operational research, 219(3), 574-587.
24
Ombuki-Berman, B., & Hanshar, F. T. (2009). Using genetic algorithms for multi-depot vehicle routing. Bio-inspired algorithms for the vehicle routing problem (pp.77-99). Berlin, Heidelberg: Springer.
25
Potvin, J. Y., & Rousseau, J. M. (1995). An exchange heuristic for routeing problems with time windows. Journal of the operational research society, 46(12), 1433-1446.
26
Rasmussen, M. S., Justesen, T., Dohn, A., & Larsen, J. (2012). The home care crew scheduling problem: Preference-based visit clustering and temporal dependencies. European journal of operational research, 219(3), 598-610.
27
Talbi, E. G. (2009). Metaheuristics: from design to implementation. John Wiley & Sons.
28
Torres-Ramos, A., Alfonso-Lizarazo, E., Reyes-Rubiano, L., & Quintero-Araújo, C. (2014). Mathematical model for the home health care routing and scheduling problem with multiple treatments and timewindows. Proceedings of the 1st international conference on mathematical methods & computational techniques in science & engineering (MMCTSE 2014).
29
Trautsamwieser, A., & Hirsch, P. (2011). Optimization of daily scheduling for home health care services. Journal of applied operational research, 3(3), 124-136.
30
Yalçındağ, S., Matta, A., Şahin, E., & Shanthikumar, J. G. (2014). A two-stage approach for solving assignment and routing problems in home health care services. Proceedings of the international conference on health care systems engineering. Springer.
31
Yuan, B., Liu, R., & Jiang, Z. (2015). A branch-and-price algorithm for the home health care scheduling and routing problem with stochastic service times and skill requirements. International journal of production research, 53(24), 7450-7464.
32
ORIGINAL_ARTICLE
روش آزادسازی لاگرانژ برای حل مسئله توزیع چند محصولی با هزینه ثابت
در این مقاله، مسئله توزیع چند محصولی با هزینه ثابت که نوع خاصی از مسئله حملونقل با هزینه ثابت میباشد، توسعه دادهشده است. در مسئله توزیع چند محصولی با هزینه ثابت، محصولات از مبدأ با هزینه مستقیم و ثابت حمل و باحالت حمل مختلف به مقصدها ارسال میشوند. این مدل، بهمنظور تأمین تقاضای هر مشتری، مقدار حمل کالاها در این مسیرها را طوری تعیین میکند که مجموع هزینههای مستقیم و ثابت حمل کمینه شود. چون این مسئله از نوع مسائل چندجملهای سخت است، نرمافزارهای بهینهسازی قادر به حل این مسئله در اندازههای کوچک و تا حدی متوسط هستند. بهمنظور حل مسئله در اندازه های متوسط و بزرگ، روش آزادسازی لاگرانژ را پیشنهاد میکنیم. نتایج محاسباتی نشان میدهد که روش آزادسازی لاگرانژ با شکاف بهینگی، قادر به حل مسایلی با ابعاد بالاتر در مقایسه با جواب حاصل از نرمافزارهای بهینهسازی است.
https://www.journal-dmor.ir/article_67220_d1cdb0bd47c6469dd7146d7439b1f9d8.pdf
2018-08-23
128
137
10.22105/dmor.2018.67220
مسئله توزیع چند محصولی
مسائل چندجملهای سخت
آزادسازی لاگرانژ
هزینه ثابت
علی
محمودی راد
alimahmoodirad@gmail.com
1
گروه ریاضی، دانشگاه آزاد اسلامی واحد مسجد سلیمان، ایران.
LEAD_AUTHOR
حامد
انصوری سواری
alimahmooirad@yahoo.com
2
گروه ریاضی، دانشگاه آزاد اسلامی واحد مسجد سلیمان، ایران.
AUTHOR
محمودی راد، علی، صالحی دره باریک، مرضیه و تقاعدی، روح الله. (1396). مسئله حملونقل سهبعدی با هزینه ثابت با متغیرهای فازی نوع-2. مجله تصمیمگیری و تحقیق در عملیات، 2(3)، 194-179.
1
Ardalan, Z., Karimi, S., Naderi, B., & Khamseh, A. A. (2016). Supply chain networks design with multi-mode demand satisfaction policy. Computers & industrial engineering, 96, 108-117.
2
Eskigun, E., Uzsoy, R., Preckel, P. V., Beaujon, G., Krishnan, S., & Tew, J. D. (2007). Outbound supply chain network design with mode selection and lead time considerations. Naval research logistics (NRL), 54(3), 282-300.
3
Fisher, M. L. (1981). The Lagrangian relaxation method for solving integer programming problems. Management science, 27(1), 1-18.
4
Gendron, B. (in press). Revisiting Lagrangian relaxation for network design. Discrete applied mathematics.doi: https://doi.org/10.1016/j.dam.2018.07.003
5
Held, M., & Karp, R. M. (1971). The traveling-salesman problem and minimum spanning trees: Part II. Mathematical programming, 1(1), 6-25.
6
Jalil, S. A., Javaid, S., & Muneeb, S. M. A decentralized multi-level decision making model for solid transportation problem with uncertainty. International journal of system assurance engineering and management, 1-12.
7
Heidari-Fathian, H., & Pasandideh, S. H. R. (2018). Green-Blood supply chain network design: Robust optimization, Bounded Objective Function & Lagrangian relaxation. Computers & industrial engineering. 12, 95-105.
8
Kundu, P., Kar, S., & Maiti, M. (2013). Multi-objective multi-item solid transportation problem in fuzzy environment. Applied mathematical modelling, 37(4), 2028-2038.
9
Martin, C. H., Dent, D. C., & Eckhart, J. C. (1993). Integrated production, distribution, and inventory planning at Libbey-Owens-Ford. Interfaces, 23(3), 68-78.
10
Molla-Alizadeh-Zavardehi, S., Nezhad, S. S., Tavakkoli-Moghaddam, R., & Yazdani, M. (2013). Solving a fuzzy fixed charge solid transportation problem by metaheuristics. Mathematical and computer modelling, 57(5-6), 1543-1558.
11
Pramanik, S., Jana, D. K., & Maiti, M. (2015). A fixed charge multi-objective solid transportation problem in random fuzzy environment. Journal of intelligent & fuzzy systems, 28(6), 2643-2654.
12
Sanei, M. Mahmoodirad, A. Molla-Alizadeh-Zavardehi, S. (2013), An Electromagnetism-like algorithm for fixed charge solid transportation problem, International journal of mathematical modelling & computations, 3(4), 345-354.
13
Sanei, M., Mahmoodirad, A., Niroomand, S., Jamalian, A., & Gelareh, S. (2017). Step fixed-charge solid transportation problem: a Lagrangian relaxation heuristic approach. Computational and applied mathematics, 36(3), 1217-1237.
14
Thomas, D. J., & Griffin, P. M. (1996). Coordinated supply chain management. European journal of operational research, 94(1), 1-15.
15
ORIGINAL_ARTICLE
بررسی کارایی و رتبهبندی شرکتهای سیمانی فعال در بورس با استفاده از روش بهبودیافته تلفیق تحلیل پوششی دادهها و فرآیند تحلیل سلسله مراتبی
در دهههای اخیر، با رشد جهانی اقتصاد و توسعه سرمایهگذاری، تحقیقات گستردهای درزمینهی رتبهبندی شرکتها انجام پذیرفته است که تحلیل پوششی دادهها (DEA) و فرآیند تحلیل سلسله مراتبی از مطرحترین آنهاست. بااینحال، شاید بهترین روش درزمینهی موردبحث، روش DEA/AHP باشد که از ترکیب دو مقولهی مذکور پای به عرصهی وجود نهاده است. هدف از انجام این تحقیق، ارائه رتبهبندی شرکتهای سیمانی فعال در بورس با استفاده از روش بهبودیافته DEA/AHP است. یافتههای تحقیق نشان میدهد که شرکتهای سیمانی اصفهان، بجنورد و قائن در سال 1391 به ترتیب رتبههای اول تا سوم را به خود اختصاص دادهاند و در سال 1392 این رتبهها به شرکتهای آبیک، اصفهان و کارون تعلقگرفتهاند. لذا میتوان نتیجه گرفت که به هنگام استفاده از روش مذکور، علاوه بر اینکه شرکتهای با کارایی بالاتر در رتبه بهتر قرار میگیرند، شرکتهای ناکارا نیز رتبهبندی میشوند.
https://www.journal-dmor.ir/article_66918_aa79aeb08db6ef1e5615b21d415379ad.pdf
2018-08-23
138
150
10.22105/dmor.2018.66918
کارایی
رتبهبندی شرکتها
روش بهبودیافته تلفیق تحلیل پوششی دادهها
فرآیند تحلیل سلسله مراتبی
معصومه
خانمحمدی
kh_khanmohamady@yahoo.com
1
گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد واحد اسلامشهر، ایران.
LEAD_AUTHOR
حسین
حیدری
hosseinheydari1363@gmail.com
2
گروه حسابداری، دانشکده حسابداری و مدیریت، دانشگاه آزاد اسلامی واحد اسلامشهر، ایران.
AUTHOR
عندلیب اردکانی، نادر. (1383). طراحی مدل ریاضی برنامهریزی تولید (مورد: شرکت سیمان فارس-خوزستان). تهران: دانشگاه تربیت مدرس.
1
دشتی، نادر. (1383). بررسی بهرهوری انرژی در صنایع انرژی بر در ایران (مطالعه موردی صنعت سیمان). تهران: دانشگاه تربیت مدرس.
2
علیرضایی، محمدرضا، رفیعی ثانی، محمدرضا. (1389). توسعه بر روش برای رتبهبندی واحدهای تصمیمگیرنده. نشریه مدیریت صنعتی،2(5)، 9099.
3
قدسی پور، حسن. (1381). فرآیند تحلیل سلسله مراتبی دادهها AHP. دانشگاه صنعتی امیرکبیر مرکز نشر.
4
قلی زاده، محمدحسن (1383). طرح مدل رتبهبندی شرکتهای پذیرفتهشده در بورس تهران با استفاده از تحلیل پوششی دادهها (مورد صنعت مواد غذایی و آشامیدنی). پژوهشنامه اقتصادی، 5، 173-193
5
محمد حسینی زاده، سمیه، محمدی، علی. (1386). کاربرد رویکرد تلفیقی در رتبهبندی نمایندگیهای بیمه. فصلنامه پژوهشنامه اقتصادی، 3 (26)، 281-304.
6
Azadeh, A., Ghaderi, S. F., & Izadbakhsh, H. (2008). Integration of DEA and AHP with computer simulation for railway system improvement and optimization. Applied mathematics and computation, 195(2), 775-785.
7
Cai, Y., & Wu, W. (2001). Synthetic financial evaluation by a method of combining DEA with AHP. International transactions in operational research, 8(5), 603-609.
8
Ertay, T., Ruan, D., & Tuzkaya, U. R. (2006). Integrating data envelopment analysis and analytic hierarchy for the facility layout design in manufacturing systems. Information sciences, 176(3), 237-262.
9
Otay, I., Oztaysi, B., Onar, S. C., & Kahraman, C. (2017). Multi-expert performance evaluation of healthcare institutions using an integrated intuitionistic fuzzy AHP&DEA methodology. Knowledge-based systems, 133, 90-106.
10
Jablonsky, J. (2007). Measuring the efficiency of production units by AHP models. Mathematical and computer modelling, 46(7-8), 1091-1098.
11
Korpela, J., Lehmusvaara, A., & Nisonen, J. (2007). Warehouse operator selection by combining AHP and DEA methodologies. International journal of production economics, 108(1-2), 135-142.
12
Liu, F. H. F., & Chen, C. L. (2009). The worst-practice DEA model with slack-based measurement. Computers & industrial engineering, 57(2), 496-505.
13
Gupta, P., Mehlawat, M. K., Aggarwal, U., & Charles, V. (in press). An integrated AHP-DEA multi-objective optimization model for sustainable transportation in mining industry. Resources Policy. Doi: https://doi.org/10.1016/j.resourpol.2018.04.007
14
Lai, P. L., Potter, A., & Beynon, M. (2012). The development of benchmarking techniques in airport performance evaluation research. Transportation journal, 51(3), 305-337.
15
Sinuany‐Stern, Z., Mehrez, A., & Hadad, Y. (2000). An AHP/DEA methodology for ranking decision making units. International transactions in operational research, 7(2), 109-124.
16
Shang, J., & Sueyoshi, T. (1995). A unified framework for the selection of a flexible manufacturing system. European journal of operational research, 85(2), 297-315.
17
Rezaeitaziani, T., & Barkhordari, A. M. (2015). A two-stage model for ranking DMUs using DEA/ AHP. International jornal of industrial mathematics. 7(2), 161-169
18
Yang, T., & Kuo, C. (2003). A hierarchical AHP/DEA methodology for the facilities layout design problem. European journal of operational research, 147(1), 128-136.
19
Yoo, H. (2003). A study on the efficiency evaluation of total quality management activities in Korean companies. Total quality management & business excellence, 14(1), 119-128.
20
ORIGINAL_ARTICLE
بررسی و اولویتبندی عوامل مؤثر بر تصمیمگیری صادرات
هنگام بررسی بازارهای بینالمللی و برونمرزی، مدیران شرکتها با وظایف استراتژیک نسبتا پیچیدهای مواجه میشوند که با ریسک، ثبات و بازده بالقوه موجود در بازارهای کشورهای جهان در رابطه می باشد. انتخاب از میان بازارهای بینالمللی گوناگون برای صادرات، اعطای امتیاز، سرمایهگذاری مشترک و ... نیازمند اطلاعات از کشور و بازار هدف است. ارزیابی اطلاعات در انواع مختلف عوامل بازار، میزان موفقیت در عرصه بینالمللی را تعیین میکند. اطلاعات بازار خارجی میتواند از ترکیبی از صنعت، بازار و انواع معاملات به دست بیاید. در این پژوهش به بررسی عوامل مؤثر و اولویتبندی آنها بر تصمیمگیری بر صادرات کارتهای هوشمند شرکت صاایران به کشورهای بینالمللی پرداختهشده است. این پژوهش ازنظر هدف، کاربردی و ازنظر ماهیت، توصیفی- پیمایشی است. جهت آزمون فرضیههای پژوهش و به دست آوردن نتایج، از نرمافزار SPSS و آزمون t تک نمونه و آزمون فریدمن استفادهشده است. نتایج بهدستآمده از آزمون فرضیات این پژوهش نشان داد که عوامل مؤثر بر تصمیمگیری صادرات شرکت صاایران به کشورهای بینالمللی به ترتیب عبارتاند از: 1) محیط قانونی؛ 2) عامل سیاسی؛ 3) فرهنگ؛ 4) عامل اقتصادی؛5) زیرساختار.
https://www.journal-dmor.ir/article_66701_c210039b21cb11c10b634956a7fa4181.pdf
2018-08-23
151
163
10.22105/dmor.2018.66701
صادرات
عوامل سیاسی
عوامل اقتصادی
زیرساختار
فرهنگ
صاایران
حسین
احمدی
spring2015.ahmadi@gmail.com
1
گروه مدیریت بازرگانی، دانشگاه آزاد اسلامی واحد بوئین زهرا، ایران.
AUTHOR
امیر
نجفی
asdnjf@gmail.com
2
گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد زنجان، ایران.
LEAD_AUTHOR
کیگان، وارن جی. (1383). مدیریت بازاریابی جهانی. (ترجمه و تلخیص عبدالحمید ابراهیمی). تهران: دفتر پژوهشهای فرهنگی.
1
بهبودی، بابک. (1395). بازارهای نوظهور و اهمیت استراتژیهایمؤثر برای آنها.
2
Albaum, G., Strandskov, J., & Duerr, (2002). International Marketing and Export Management. Prentice Hall.
3
Brouthers, K. D., Brouthers, L. E., & Werner, S. (2002). Industrial sector, perceived environmental uncertainty and entry mode strategy. Journal of business research, 55(6), 495-507.
4
Cateora, P., & Graham, J. (2002). International Marketing. The McGraw-Hall Companies.
5
Gripsrud, G., & Benito, G. R. (2005). Internationalization in retailing: Modeling the pattern of foreign market entry. Journal of business research, 58(12), 1672-1680.
6
-Kantapipat, W.(2011). The Determinants of Successful Export Marketing Strategy. RU International Journal, Vol. 3, pp. 91-102.
7
Kotabe, M., & Helsen, K. (1998). Global marketing management. New York.
8
Leonidou, C. N., & Hultman, M. (In press). Global marketing in business-to-business contexts: Challenges, developments, and opportunities. Industrial and marketing management.doi: https://doi.org/10.1016/j.indmarman.2018.04.016
9
López-Duarte, C., & Vidal-Suárez, M. M. (2010). External uncertainty and entry mode choice: Cultural distance, political risk and language diversity. International business review, 19(6), 575-588.
10
Onkvisit, S. and Shaw, J. J. (1993). International Marketing: Analysis and strategy. Prentice hall of India.
11
Pehrsson, A. (2008). Strategy antecedents of modes of entry into foreign markets. Journal of business research, 61(2), 132-140.
12
Quer, D., Claver, E., & Andreu, R. (2007). Foreign market entry mode in the hotel industry: The impact of country-and firm-specific factors. International business review, 16(3), 362-376.
13
Reijonen, H., Hirvonen, S., Nagy, G., Laukkanen, T., & Gabrielsson, M. (2015). The impact of entrepreneurial orientation on B2B branding and business growth in emerging markets. Industrial marketing management, 51, 35-46.
14
Slangen, A. H., & Van Tulder, R. J. (2009). Cultural distance, political risk, or governance quality? Towards a more accurate conceptualization and measurement of external uncertainty in foreign entry mode research. International business review, 18(3), 276-291.
15
Tsang, E. W. (2005). Influences on foreign ownership level and entry mode choice in Vietnam. International business review, 14(4), 441-463.
16
Urde, M., Baumgarth, C., & Merrilees, B. (2013). Brand orientation and market orientation—From alternatives to synergy. Journal of business research, 66(1), 13-20.
17
Wood, V. R., & Robertson, K. R. (2000). Evaluating international markets: The importance of information by industry, by country of destination, and by type of export transaction. International marketing review, 17(1), 34-55.
18
ORIGINAL_ARTICLE
کاربرد تکنیکهای تحقیق در عملیات در تحقیقات مالی
این مقاله نشان میدهد که تکنیکهای تحقیق در عملیات، نقش مهمی در توسعه تحقیقات مالی و سرمایهگذاری دارد. در سالهای اخیر با بهبودهای چشمگیر درزمینهی در دسترس بودن زمان واقعی دادهها و افزایش سرعت رایانه، این نقش بیشتر شده و در راستای آن با ایجاد فرصتی بیشتر برای این تکنیکها، اهمیت بیشتری در تحقیقات و خروجیها به آنها دادهشده است. با توجه به اهمیت موضوع، امروزه رابطه دوسویه بین مفاهیم مالی و سرمایهگذاری با تکنیکهای تحقیق در عملیات وجود دارد؛ یعنی همانطور که تکنیکهای مختلف تحقیق در عملیات برای مسائل مالی بکار گرفتهشدهاند، نظریههای مالی نیز نیازمند توسعه و بهبود تکنیکهای راهحل تحقیق در عملیات بوده هستند. مقاله حاضر نشان میدهد که بسته به نوع تصمیمگیری در حوزه مالی و سرمایهگذاری، از طریق نتایج تحقیقات، این تکنیکها علاوه بر بالا بردن دقت نتایج تحقیقات مالی میتواند باعث تنوع بیشتر این تحقیقات خصوصاً برای رشتههای مهندسی مالی گردد.
https://www.journal-dmor.ir/article_67216_f3a4926f8885aa4f9765dc99494b203c.pdf
2018-08-23
164
177
10.22105/dmor.2018.67216
تحقیق در عملیات
تحقیقات مالی
پرتفوی
میثم
کاویانی
meysamkaviani@gmail.com
1
گروه مدیریت مالی، دانشگاه آزاد اسلامی واحد علی آباد کتول، ایران.
LEAD_AUTHOR
سید فخرالدین
فخرحسینی
f_fkm21@yahoo.com
2
گروه مدیریت بازرگانی، دانشگاه آزاد اسلامی واحد تنکابن، ایران.
AUTHOR
ابزری، مهدی، کتابی، سعیده، عباسی، عباس. (1384). بهینهسازی سبد سرمایهگذاری با استفاده از روشهای برنامهریزی خطی و ارائه یک مدل کاربردی. مجله علوم اجتماعی و انسانی دانشگاه شیراز، 22(2)، 1-17.
1
امیرحسینی، زهرا و قبادی، معصومه. (1393). ارائه مدل برنامهریزی خطی بر مبنای تئوری تصمیمگیری فازی برای انتخاب پرتفوی. مهندسی مالی و مدیریت اوراق بهادار، 5(21)، 1-12.
2
راعی، رضا. (1381). تشکیل سبد سهام برای سرمایهگذار مخاطرهپذیر: مقایسه شبکههای عـصبی و مـارکوویتز. چشم انداز مدیریت بازرگانی (چشمانداز مدیریت (پیام مدیریت))، 2(2)، 96-78.
3
رهبر، نوید. (1396). حفظ استقلال نظام بورس و اوراق بهادار جمهوری اسلامی ایران. مطالعات حقوق تطبیقی، 8(1)، 179-202.
4
شاه علیزاده، محمد و معماریانی، عزیزاله. (1382). چارچوب ریاضی گزینش سبد سهام با اهداف چندگانه، بررسیهای حسابداری و حسابرسی. بررسیهای حسابداری و حسابرسی، 10(32)،102-83.
5
صافی، محمدرضا، باقری، امین و فولادی، پردیس. (1391). استفاده از برنامهریزی کسری- خطی برای حل مسئلهی پرتفوی، سومین کنفرانس ریاضیات مالی و کاربردها. سمنان، دانشگاه سمنان: سیویلیکا.
6
فخرحسینی، سیدفخرالدین و کاویانی، میثم. (1397). مدلهای تصادفی پیشرفته، ارزیابی ریسک و بهینهسازی پرتفوی، ترجمه کتاب راشف و همکاران، 2008، تهران، انتشارات کتاب مهربان.
7
کاظمی میان گسکری، مینا، یاکیده، کیخسرو و قلی زاده، محمدحسن. (1396). بهینه یابی سبد سهام (کاربرد مدل ارزش در معرض ریسک بر روی کارایی متقاطع). راهبرد مدیریت مالی، 5(2)، 183-159.
8
کاویانی، میثم، فخرحسینی، سیدفخرالدین، منتظری، امین و یزدانی، رضا. (1395). بررسی موارد خاص در مدیریت مالی:رویکرد تحقیقات تجربی. تهران، انتشارات آرون.
9
معافی، سیده فاطمه. (1388). آشنایی با اوراق قرضه ارزی. دینای اقتصاد. دریافت شده از
10
بخش-اندیشه-اقتصاد-23/573172-آشنایی-با-اوراق-قرضه-ارزی https://donya-e-eqtesad.com/
11
مقصود، امیری، محبوب قدسی، مهسا. (1394). مدل برنامهریزی خطی فازی برای مسئله انتخاب سبد سهام بهینه. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 6(23)، 105 - 118 .
12
نبوی چاشمی، علی، رحمان، یوسفی کرچنگی. (1390). تعیین پرتفوی بهینه با استفاده از تکنیک برنامهریزی آرمانی فازیFGP . مهندسی مالی و مدیریت اوراق بهادار. 3(9)، 107-131.
13
نجفی، امیرعباس و خراسانی، صبا. (1396). توسعه یک مدل چندهدفه برای بهینهسازی سبد ردیاب شاخص با در نظرگیری بتا، ریسک غیر سیستماتیک و خطای ردیابی. دانش سرمایهگذاری، 6(21)، 128-113.
14
نمازی، محمد و ناظمی، امین. (1384). بررسی تحلیلی تحقیقات انجامشده در بورس اوراق بهادار تهران. تحقیقات مالی، 7(1)، ١٦٦ ـ ١٣٥.
15
همائیفر، ساغر و روغنیان عماد. (1395). بهکارگیری الگوهای بهینهسازی پایدار و برنامهریزی آرمانی در مسئله انتخاب سبد سرمایهگذاری چند دورهای. مهندسی مالی و مدیریت اوراق بهادار، 5(28)، 153-167 .
16
Ahmadi, H. (1993) Testability of the Arbitrage Pricing Theory by Neural Networks. Proceedings of the 1990 IJCNN international joint conference on neural networks. San Diego, CA, USA: IEEE.
17
Bauer, P. W., Berger, A. N., Ferrier, G. D., & Humphrey, D. B. (1998). Consistency conditions for regulatory analysis of financial institutions: a comparison of frontier efficiency methods. Journal of economics and business, 50(2), 85-114.
18
Ben-Horim, M., & Silber, W. L. (1977). Financial innovation: a linear programming approach. Journal of banking & finance, 1(3), 277-296.
19
Bertsimas, D., & Lo, A. W. (1998). Optimal control of execution costs. Journal of financial markets, 1(1), 1-50.
20
Bierwag, G. O. (1976). Optimal TIC bids on serial bond issues. Management science, 22(11), 1175-1185.
21
Chandy, P. R., & Kharabe, P. (1986). Pricing in the government bond market. Interfaces, 16(5), 65-71.
22
Co. Incorporated.
23
Dahl, H., Meeraus, A., & Zenios, S. A. (1993). Some financial optimization models: II. Financial engineering. Financial optimization, 37-71.
24
Del Angel, G. F., Diez-Canedo, J. M., & Gorbea, E. P. (1998). A discrete Markov chain model for valuing loan portfolios. The case of Mexican loan sales. Journal of banking & finance, 22(10-11), 1457-1480.
25
Dryden, M. M. (1968). Short‐term forecasting of share prices: An information theory approach. Scottish journal of political economy, 15(1), 227-249.
26
Dryden, M. M. (1969). Share price movements: A Markovian approach. The journal of finance, 24(1), 49-60.
27
Dutta, P. K., & Madhavan, A. (1997). Competition and collusion in dealer markets. The journal of finance, 52(1), 245-276.
28
Elimam, A. A., Girgis, M., & Kotob, S. (1996). The use of linear programming in disentangling the bankruptcies of Al-Manakh stock market crash. Operations research, 44(5), 665-676.
29
Elimam, A. A., Girgis, M., & Kotob, S. (1997). A solution to post crash debt entanglements in Kuwait's al-Manakh stock market. Interfaces, 27(1), 89-106.
30
Goonatilake, S., & Treleaven, P. C. (1995). Intelligent systems for finance and business. John Wiley & Sons, Inc.
31
Gupton,G.M.,Finger,C.C., &Bhatia,M.(1997).CreditMetrics-TechnicalDocument. NewYork: J.P.Morgan&
32
Hodges, S. D., & Schaefer, S. M. (1977). A model for bond portfolio improvement. Journal of financial and quantitative analysis, 12(2), 243-260.
33
J.P. Morgan & Reuters (1996). RiskMetricsTM--Technical Document. New York: Morgan Guaranty Trust Company. Companies.
34
Jiménez, M., Bilbao‐Terol, A., & Arenas‐Parra, M. (2018). A model for solving incompatible fuzzy goal programming: an application to portfolio selection. International transactions in operational research, 25(3), 887-912.
35
Keim, D. B., Ziemba, W. T., & Moffatt, H. K. (Eds). (2000). Security market imperfections in worldwide equity markets. Cambridge University Press.
36
Lwin, K. T., Qu, R., & MacCarthy, B. L. (2017). Mean-VaR portfolio optimization: A nonparametric approach. European Journal of operational research, 260(2), 751-766.
37
Mulvey, J. M., & Vladimirou, H. (1992). Stochastic network programming for financial planning problems. Management science, 38(11), 1642-1664.
38
Nauss, R. M. (1986). True interest cost in municipal bond bidding: An integer programming approach. Management science, 32(7), 870-877.
39
Nauss, R. M., & Keeler, B. R. (1981). Minimizing net interest cost in municipal bond bidding. Management science, 27(4), 365-376.
40
Powers, I. Y. (1987). A game-theoretic model of corporate takeovers by major stockholders. Management science, 33(4), 467-483.
41
Pritsker, M. (1997). Evaluating value at risk methodologies: accuracy versus computational time. Journal of financial services research, 12(2-3), 201-242.
42
Refenes, A. P. (1994). Neural networks in the capital markets. John Wiley & Sons, Inc.
43
Rudd, A. (1980). Optimal selection of passive portfolios. Financial management, 57-66.
44
Sharda, R. (1987). A simple model to estimate bounds on total market gains and losses for a particular stock. Interfaces, 17(5), 43-50.
45
Speranza, M. G. (1996). A heuristic algorithm for a portfolio optimization model applied to the Milan stock market. Computers & operations research, 23(5), 433-441.
46
Trippi, R. R., & Turban, E. (1992). Neural networks in finance and investing: Using artificial intelligence to improve real world performance. McGraw-Hill, Inc.
47
Wong, B. K., & Selvi, Y. (1998). Neural network applications in finance: A review and analysis of literature (1990–1996). Information & management, 34(3), 129-139.
48
Xidonas, P., Hassapis, C., Bouzianis, G., & Staikouras, C. (2018). An Integrated Matching-Immunization Model for Bond Portfolio Optimization. Computational Economics, 51(3), 595-605.
49
Zenios, S. A. (1993). A model for portfolio management with mortgage-backed securities. Annals of operations research, 43(6), 337-356.
50
Zhu, W., Zhang, C. H., Liu, Q., & Zhu, S. S. (2018). Incorporating Convexity in Bond Portfolio Immunization Using Multifactor Model: A Semidefinite Programming Approach. Journal of the operations research society of china, 6(1), 3-23.
51
Zipkin, P. (1993). Mortgages and Markov chains: a simplified evaluation model. Management science, 39(6), 683-691.
52
ORIGINAL_ARTICLE
کاربرد مدل اسپلاین آماری در حل برخی مسائل معکوس سهموی با منبع مجهول
مسائل معکوس سهموی از بارزترین مسائل بدوضع در علوم کاربردی هستند. با توجه به تعریف مسأله بدوضع، استفاده از روشهای عددی پایدار برای حل این دسته از مسائل منجر به بروز خطا با اندازههای بسیار بزرگی در جواب خروجی میشود. در این مقاله، مسأله تعیین عبارت منبع مجهول(g=g(t در مسأله معکوس سهموی با معادله[{partial _t}T(x,t) = kappa ,{nabla ^2}T(x,t) + g(t)delta (x - {x^*}),x in {( circ ,,1)^d},t in ( circ,{t_f}),]به همراه شرط فوق اضافی [T({x_{measure}},{t_i}) = {y_i}, ,i = 1,2, ldots ,I,]در نظر گرفته میشود که در آن d = 1,2، [delta ] تابع دلتای دیراک و (T,g) توابع مجهول بوده و باید تعیین شود. در این مقاله، با استفاده از مدل اسپلاین آماری و بهکارگیری روش منظم سازی لونبرگ - مارکوارت، تقریبی از شبه جواب g محاسبه میشود. در پایان، چند نمونه عددی ارائه و با استفاده از روش مورد نظر نتایج عددی استخراج میشوند. نتایج عددی کارایی روش ارائه شده را نشان می دهند.
https://www.journal-dmor.ir/article_66656_acb6d2706dea710c2039ea97a435842e.pdf
2018-08-23
178
189
10.22105/dmor.2018.66656
مدل اسپلاین آماری
مسئله معکوس سهموی منبع مجهول
امیرحسین
صالحی شایگان
ah.salehi@mail.kntu.ac.ir
1
گروه ریاضی کاربردی، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران.
AUTHOR
علی
ذاکری
azakeri@kntu.ac.ir
2
گروه ریاضی کاربردی، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران.
LEAD_AUTHOR
Bear, J. (1972). Dynamics of fluids in porous media. New York: American Elsevier Publ. Co.
1
Renardy, M., & Nohel, J. A. (1987). Mathematical problems in viscoelasticity . Longman Sc & Tech.
2
Cleveland, T. G. (1996). Applied Contaminant Transport Modeling‐Theory and Practice. Eos, Transactions American Geophysical Union, 77(48), 479-479.
3
Beck, J. V., Blackwell, B., & St Clair Jr, C. R. (1985). Inverse Heat Conduction: Ill-Posed Problems. A Wiley-Interscience, New York.
4
Vasil’ev, F. P. (1981). Methods for Solving Extremal Problems. Minimization problems in function spaces, regularization, approximation. Moscow, Nauka.
5
Shidfar, A., Zakeri, A., & Neisi, A. (2005). A two-dimensional inverse heat conduction problem for estimating heat source. International journal of mathematics and mathematical sciences, (10), 1633-1641.
6
Shidfar, A., Zolfaghari, R., & Damirchi, J. (2009). Application of Sinc-collocation method for solving an inverse problem. Journal of computational and applied mathematics, 233(2), 545-554.
7
Ohe, T., & Ohnaka, K. (1994). Boundary element approach for an inverse source problem of the Poisson equation with a one-point-mass like source. Applied mathematical modelling, 18(4), 216-223.
8
Huhtala, A., Bossuyt, S., & Hannukainen, A. (2014). A priori error estimate of the finite element solution to a Poisson inverse source problem. Inverse problems, 30(8), 085007.
9
Yang, F., & Fu, C. L. (2010). The method of simplified Tikhonov regularization for dealing with the inverse time-dependent heat source problem. Computers & mathematics with applications, 60(5), 1228-1236.
10
Zhao, J., & Liu, S. (2015). Two regularization methods for inverse source problem on the Poisson equation. Complex variables and elliptic equations, 60(10), 1374-1391.
11
Hasanov, A. (2007). Simultaneous determination of source terms in a linear parabolic problem from the final overdetermination: weak solution approach. Journal of mathematical analysis and applications, 330(2), 766-779.
12
Tikonov, A. N., & Arsenin, V. Y. (1977). Solutions of ill-posed problems. New York: Winston.
13
Masjed-Jamei, M. (2009). Error control process in function interpolation using statistical spline model. Mathematical and computer modelling, 49(7-8), 1483-1493.
14
Kelley, C. T. (1999). Iterative methods for optimization. Siam.
15
Hanke, M. (2010). The regularizing Levenberg-Marquardt scheme is of optimal order. The journal of integral equations and applications, 259-283.
16
Cannon, J. R. (1984). The one-dimensional heat equation. Cambridge University Press.
17
Ozisik, M. N., & Orlande, H. R. B. (2000). Inverse heat transfer, fundamentals and applications. Taylor & Francis, New York.
18