نشریه بین المللی مهندسی صنایع و مدیریت تولید

طراحی شبکه­های اتوبوس­رانی، یک مساله مهم در حمل و نقل عمومی است. یکی از گام­های مهم در این راستا، محاسبه­ی تعداد و مکان­های بهینه­ی پایانه­های مورد نیاز است. در واقع این مساله به عنوان حالت خاصی از مساله مکان­یابی تسهیلات، که یک مساله‌ی بهینه سازی ترکیبیاتی با مقیاس بزرگ است، نیاز به زمان زیادی برای حل دارد.تا کنون برای حل این مساله، از روش­های شاخه و کران، شمارش ضمنی و گرم و سرد کردن شبیه سازی شده استفاده شده است. هر چند روش سوم که یک روش فرا ابتکاری است بسیار کاراتر از دو روش دیگر است؛ اما زمان اجرای الگوریتم، برای شهرهای بزرگ هنوز هم طولانی است. در این مقاله، برای حل مساله یک الگوریتم ژنتیک پیشنهاد شده است. مهمترین مزیت الگوریتم ژنتیک پیشنهادی، رسیدن به جواب دقیق‌تر در زمان کمتر می‌باشد. نتایج مشاهده شده، نشان داد که متدولوژی پیشنهادی یک الگوریتم کارا و مطمئن برای این مساله است. برای تایید این مطلب، الگوریتم برای شبکه های اتوبوسرانی مشهد و تهران اجرا و نتایج آن با نتایج کوشش های پیشین مقایسه شده است.

مساله مسیریابی وسیله نقلیه یکی از مهمترین مسائل بهینه‌سازی ترکیباتی است که امروزه بسیار مورد توجه محققان و دانشمندان قرار می‌گیرد. در این مساله هدف تعیین کمینه هزینه جابجایی چندین وسیله نقلیه است که بطور همزمان از انبار کالا شروع به حرکت می‌کنند و بعد از ملاقات کردن مشتری‌ها به انبار باز می‌گردند، به شرط آنکه اولا هر گره فقط توسط یکی از این وسایل نقلیه ملاقات شود و ثانیا هر وسیله نقلیه بیشتر از ظرفیت خود در طول مسیر بارگذاری نکند.

این مقاله نوعی روش فرا ابتکاری ترکیبی برای حل مساله کلاسیک مسیریابی وسیله نقلیه پیشنهاد می‌کند. در فاز اول، روش اصلاحی ژنتیک برای یافتن یک جواب زیر بهین خوب بکار گرفته می‌شود که در آن یک روش جدید تقاطع برای ترکیب کروموزوم‌ها ارائه شده است. سپس در فاز دوم برای یافتن جواب‌های بهتر، از الگوریتم جستجوی محلی بهبود دهنده سه‌گانه استفاده می‌شود. مقایسه این روش با روش‌های دیگر فراابتکاری کارایی روش پیشنهادی را اثبات می‌کند.

تحقیق حاضر، علاوه بر پارامترهای پویایی و انعطاف‌پذیری، چندمعیاره بودن تابع هدف را نیز درنظر می‌گیرد. مسائل زمان‌بندی ماهیتاً مسائل پویای بوده و لحاظ نمودن انواع انعطاف‌پذیری‌ها در این قبیل مسائل، منجر به رفع مشکلات گلوگاهی، افزایش تولید، بهبود عملکرد سیستم و ایجاد مزیت رقابتی می‌شود. از سویی دیگر برای دستیابی به اهداف سازگار با فلسفه تولید بموقع و اهداف مدیریتی زنجیره تامین، اهداف زمان‌بندی در این مسأله حداکثر زمان تکمیل، متوسط زمان گردش کاری و متوسط دیرکرد قطعات درنظر گرفته شد. این اهداف بمنظور استفاده بهینه از منابع، کمینه کردن موجودی در گردش و تعهد بالا در مقابل مشتریان انتخاب شده و کنترل همزمان آنها منجر به بهبود عملکرد سیستم می‌شود. هدف از حل مسأله، یافتن بهترین مجموع وزنی است. پس از مدل‌سازی مسأله، الگوریتم ژنتیک پیشنهادی با کروموزوم‌های دوبعدی پویا، برای حل آن ارائه شد. پارامترهای کنترلی الگوریتم ژنتیک توسعه‌یافته، به طور دینامیک در طول اجرای الگوریتم و فرآیند بهینه‌سازی تغییر می‌کند که این عامل منجر به کاهش احتمال همگرایی زودرس می‌شود. نتایج حاصل و مقایسه آن با یک روش فرا ابتکاری، نشان‌دهنده بهبود بمیزان ۴,۹۰% ، ۵.۳۳% و ۴.۶۰% در میانگین جواب‌های به دست آمده، به ترتیب برای سه سطح انعطاف پذیری جزئی، متوسط و کامل است.

خوشه­بندی ظرفیت­دار یکی از مسائلی است که از کاربرد گسترده‌ای در داده کاوی برخوردار است. این مساله به دنبال افراز یک مجموعه n تایی از عناصر به p خوشه ظرفیت­دار است به طوری که تمامی اعضای یک خوشه به نقطه­ای که به عنوان مرکز ثقل آن خوشه تعیین می­شود، تخصیص یابند. هدف از این مساله کمینه کردن عدم تشابه تمامی نقاط یک خوشه از مرکز ثقل خوشه با رعایت محدودیت ظرفیت در هر خوشه است، به طوری که هر عنصر تنها به یک خوشه تخصیص یابد. در این مقاله دو روش حل متفاوت جهت حل مساله خوشه‏بندی ظرفیت‏دار ارائه شده است. روش نخست یک روش حل فرا ابتکاری مبتنی بر شبیه‏سازی تبریدی است که در سازوکار جستجوی جواب از ساختارهای مختلف همسایگی استفاده می­کند. روش دوم مبتنی بر الگوریتم ژنتیک است که در آن از یک رویه ابتکاری جستجوی محلی استفاده شده است. روش­های ارائه شده با استفاده از مسائل نمونه­ای مختلف مورد آزمون قرار گرفته اند. نتایج محاسباتی حاکی از کارایی و توانمندی روش­های حل پیشنهادی است

تئوری زنجیره تحویل^۱ به بررسی تحویل کالاها و خدمات به مشتریان در محدوده زمانی مشخصی می پردازد. بدیهی است مطلوب آن است که زمان تحویل کالا و خدمات به مشتریان به حداقل برسد. معمولاً وجود چندین سایت های تولید، تحویل و همچنین تنوع روش های گوناگون حمل و نقل کالا و خدمات به پیچیدگی این مسئله می افزاید. بعلاوه، زمان صرف شده در هر یک از مراحل فرایند تحویل متغیری تصادفی است. از آن رو پایش متغیرهای زمانی در یک فرایند تحویل از اهمیت خاصی برخوردار است. در این مقاله، با یک مطالعه کاربردی در شرکت TNT در ایالت دلاور آمریکا نشان داده می شود که چگونه می توان زنجیره های تحویل در مدیریت زنجیره تامین را در قالب فرایندهای چندمتغیره مدل بندی نمود. همچنین به منظور پایش فرایند ، به استقرار نمودار بهینه اقتصادی – آماری نمودار کنترل چند متغیره T^۲ DWL   معرفی شده توسط فراز و پارسیان (۲۰۰۶) بر پایه مدل اقتصادی لورنزن و وانس (۱۹۸۶) پرداخته و سپس با استفاده از روش جستجو ژنتیک الگوریتم مقادیر بهینه پارامترهای نمودار کنترل تعیین گردیدند

سیستم پویای هدایت مسیر از جمله حوزه های مهم فعالیت سیستمهای هوشمند حمل و نقل می باشد. هسته اصلی این سیستم، محاسبات کوتاهترین مسیر بر اساس شرایط جاری (اطلاعات در زمان واقعی) است. در این تحقیق؛ فرموله نمودن مساله هدایت پویای وسائل نقلیه مبتنی بر ویژگیهای سیستمهای هوشمند حمل و نقل و استفاده از معیار کلی سطح سرویس مشتمل بر متغیرهایی نظیر زمان سفر و مصرف سوخت به منظور لحاظ نمودن واقعیتهای اقتصادی اجتماعی و توصیف کاملتر از شرایط ترافیکی انجام می شود. همچنین با توجه به زمان متغیر بودن شبکه های ترافیکی، الگوریتم های مسیریابی بر مبنای تکنیکهای هوش مصنوعی با تاکید بر یک الگوریتم ژنتیک ترکیبی به عنوان راه حل مدل ارائه شده مورد مطالعه و توسعه قرار خواهد گرفت. از نتایج مهم این مقاله می توان به توانایی الگوریتم طراحی شده در برنامه ریزی بهتر سفرها، تصمیم گیریهای مسیریابی در شبکه حمل ونقل شهری شامل استراتژیهای موثر انتخاب مسیر؛ در تطبیق با شرایط پویای ترافیکی و کاندیداهای مختلف طی مسیر برای رانندگان وسائل نقلیه با هدف کاهش هزینه های سفر آنان اشاره نمود. نهایتا موجه و معتبر بودن الگوریتم طراحی شده نیز از طریق آزمایشات شبیه سازی نشان داده شده است

  درسیستم­های کنترل فرآیند تولید که بر  اساس اصول JIT طراحی می­شوند، فرض بر این است که کالاهای تولید شده در هر یک از مراحل تولید، به میزانی و در زمانی برای مرحله بعدی ارسال ­گردد، که بلافاصله پس از رسیدن به مراکز کاری، وارد عملیات تولید ­شود. بدین لحاظ، هیچ­گونه انبار موجودی یا صف انتظار پای­کار، قبل از مراکز کاری تشکیل نمی­شود. این روش به کمک متد اجرایی کانبان طی سال­های متمادی در بسیاری از صنایع، مورد استفاده قرارگرفته و منشأ توفیقاتی در کنترل عملیات تولیدی و به تبع آن کاهش هزینه مراحل تولید شده است. با این حال، در بسیاری از شرایط تولیدی که امکان سرمایه­­گذاری_­های اضافی برای نگهداری پیوسته نرخ تولید مراکز کاری در سطح مقدار برنامه­ریزی­شده اولیه وجود ندارد، چنانچه اندازه محموله ارسالی بیش از ظرفیت تولیدی مرکز بعدی برای هر بار راه­اندازی باشد، تشکیل انبار موجودی پای­کار، عملا اجتناب­ناپذیر است. تحقیق حاضر، با طراحی یک سیستم کنترل فرآیند تولید تحت فضای JIT که دارای انبارهای توقف محصولات نیمه­ساخته بین مراحل متوالی تولید می­باشد، انباشت محصولاتی را که بنا به دلایل مختلف، افزون بر ظرفیت هر یک از مراکز کاری در هر بار       راه­اندازی به آن مرکز ارسال شوند در پای کار مجاز دانسته است. این سیستم علاوه بر گسترش دامنه به­کارگیری اصول JIT برای برنامه­ریزی و کنترل فرآیند­های تولیدی در سیستم­هایی که تحت شرایط واقعی عملا امکان اعمال پیوسته موازنه زمان و اندازه تولید بین مراحل مختلف را ندارند، در حقیقت امکان تمرکز هزینه­های پنهان در سیستم­های موجود کانبان و اعمال کنترل بر آن­­ها را فراهم می­نماید. در این مقاله، ابتدا، رفتار هزینه موجودی پای­کار در انبارهای قبل از مراکز کاری در یک زنجیره چندمرحله­ای و تک­محصولی مورد بررسی قرار گرفته و با استفاده از برنامه­ریزی عدد صحیح مختلط غیرخطی، مدل هزینه انباشت مجاز با سایر اجزای هزینه در کل زنجیره، به­صورت یکپارچه ارائه شده است. مدل نهایی هزینه در کل زنجیره، یک مدل NP-hard بوده و برای حل آن از الگوریتم ژنتیک استفاده شده است. به منظور ارزیابی میزان کارآیی سیستم طراحی­شده، در یک زنجیره تامین چندمرحله­ای و تک­محصولی، از یک شبیه­سازی عددی در مطالعه  مقایسه­ای عملکرد هزینه­ای آن با سیستم موجود کانبان بر مبنای تحقیق Sarker & Wang (۲۰۰۴) استفاده شده است.  نتایج حاصله نشان می­دهد که کاربرد سیستم طراحی­شده در این مقاله، سطح موجودی و هزینه در کل زنجیره را نسبت به سیستم موجود کانبان، مورد استفاده در تحقیق Sarker & Wang (۲۰۰۴)، به میزان قابل توجهی کاهش می­دهد

با توجه به نقش حساس مجموعه اکسل بالاخص کاسه چرخ خودرو، به دلیل مرتبط بودن آن با ایمنی سرنشینان، بررسی فرآیند تولید و مونتاژ وانجام آزمایشات کنترل کیفی حین این مراحل از اهمیت بسزایی برخوردار می­باشد. در این مقاله با توجه به اهمیت بالای سه عامل اصلی قطر توپی قسمت کاسه نمد، قطر داخلی کاسه نمد و گشتاور مهره قفلی به عنوان متغیرهای مستقل، سعی بر آن داریم میزان گشتاور چرخشی کاسه چرخ خودرو را (تحت عنوان متغیر پاسخ)، به کمک مباحث مطرح در طراحی آزمایشات و روش سطح پاسخ بهینه نمائیم. در ادامه میزان گشتاور بهینه با استفاده از مدل برنامه­ریزی غیرخطی محاسبه و جهت بررسی آن با جواب به دست آمده از الگوریتم ژنتیک مقایسه شده اند.

در محیط‌های صنعتی واقعی، ممکن است ماشینی به دلایل مختلف (مانند نگهداری و تعمیرات پیشگیرانه) در طول افق برنامه‌ریزی در دسترس نباشد. در تحقیق حاضر، محدودیت دسترسی به ماشین‌ها از نوع قطعی (تحت عنوان محدودیت نت) و در حالت دسترسی نامعین بررسی شده است. پس از مدل‌سازی مسأله، برای حل آن، الگوریتم ژنتیک توسعه‌یافته‌ای ‌با کروموزوم‌های دوبعدی پویا که در آن برای حل زیرمسأله نت یک الگوریتم ابتکاری دیگری نیز پیشنهاد شده؛ ارائه شد. عملکرد الگوریتم پیشنهادی در دو حالت مورد ارزیابی قرار گرفت. در حالت اول عملکرد نسخه توسعه یافته از الگوریتم پیشنهادی، با یک روش تکاملی موجود در ادبیات مقایسه شد که برای سه سطح انعطاف پذیری جزئی، متوسط و کامل به ترتیب نشانگر ۳,۹% ، ۴.۵۹% و ۴.۵۵% بهبود در شاخص «بهترین جواب به دست آمده» و نیز ۴.۹% ، ۵.۳۳% و ۴.۶۰% بهبود در شاخص «میانگین جواب‌های به دست آمده» است. در حالت دوم نیز روش پیشنهادی بر اساس شاخص «میانگین تابع هدف» در حالت وجود یک، دو و سه فعالیت نت به ترتیب با میانگین ۴.۶۸%، ۹.۴۸% و ۱۱.۷۵% افزایش، از عملکرد مطلوبی برخوردار است. نتایج محاسبات در هر دو حالت رجحان روش حل پیشنهادی را در زمینه‌های کیفیت جواب‌ها و سرعت همگرایی، نشان می‌دهد

مسئله چیدمان پویای تسهیلات، شاخه­ای از مسائل چیدمان تسهیلات است که در آن مقدار جریان مواد در دوره­های مختلف زمانی در طول افق برنامه­ریزی، ثابت نبوده و با تغییرات همراه است. غالب مطالعات صورت گرفته در این زمینه، با فرض معلوم و قطعی بودن اطلاعات جریان در     دوره­های مختلف زمانی، همراه بوده­اند. حال آنکه در محیط­های کسب و کار امروزی که پویایی و عدم قطعیت، دو جزء لاینفک آنهاست، این فرض چندان منطقی به نظر نمی­رسد. در این مقاله مسئله چیدمان پویای تسهیلات، در شرایط وجود ابهام در اطلاعات جریان، مورد مطالعه قرار گرفته است. در این راستا، حجم تقاضای محصولات (و به تبع آن حجم جریان مواد) در قالب اعداد فازی، با توابع عضویت متفاوت، تعریف شده­اند. مدل­سازی مسئله در چارچوب برنامه­ریزی فازی و در قالب سه مدل ارزش انتظاری، برنامه­ریزی با قید احتمالی و برنامه­ریزی بر مبنای شانس، انجام شده و برای حل مدل­ها، یک الگوریتم هوشمند ترکیبی ارائه شده است. در پایان با ذکر یک مثال عددی، کارایی الگوریتم در حل مدل­های فازی مسئله چیدمان پویای تسهیلات، مورد بررسی قرار گرفته است.

هدف اصلی استقرار تجهیزات و طراحی سیستم های خدماتی، پوشش تقاضای مشتریان بالقوه است. بسیاری از مدل های مکان یابی با هدف پوشش توسعه پیدا کردند و محدودیت ها، جزئیات مسئله و جنبه های مختلفی از آن را مورد بررسی قرار دادند. در این مقاله مدل مکان یابی-تخصیص حداکثر پوشش با امکان ایجاد ازدحام در یک محیط رقابتی توسعه یافته است. در مدل پیشنهادی چندین ویژگی مهم یعنی مدل های تعامل فضایی، ازدحام، محیط رقابتی مبتنی بر انتخاب مشتری و تقاضای احتمالی مورد بررسی قرار گرفته است. هدف مدل حداکثر نمودن درصد تقاضای جذب شده توسط تجهیزات خدمتدهی در محیط رقابتی است. برای حل مدل با ابعاد کوچک از نرم افزار بهینه سازی لینگو ۸ و الگوریتم فرا ابتکاری ژنتیک استفاده شده است. اما با توجه به پیچیدگی مسئله و ماهیت غیرخطی آن، نرم افزار لینگو ۸ توانایی حل مسایل با ابعاد بزرگ را ندارد و مسایل با ابعاد بزرگتر با استفاده از الگوریتم ژنتیک پیاده سازی شده است. نتایج عددی، اثربخشی الگوریتم پیشنهادی را برای حل مدل تایید می کند و نشان می دهد که به کار گیری نظریه صف در طراحی سیستم های خدماتی، بهبود استراتژی های مختلف خدمتدهی، افزایش رضایت مشتریان و ارتقای فرآیندهای کسب و کار سازمان را در بر خواهد داشت

در مقاله حاضر یک مدل‌ رتبه بندی اعتباری با استفاده از یک الگوریتم حل چند هدفه که ترکیبی از قوانین چیرگی فازی، الگوریتم ژنتیک و الگوریتم سیمپلکس به منظور پیش‌بینی عملکرد مالی مشتریان حقوقی بانک‌ها ارائه گردید. سپس کارایی مدل بر اساس توانایی آن در تشخیص دقیق نکول مورد ارزیابی قرار گرفت. با استفاده از داده‌های بانک کشاورزی طی سالهای  ۱۳۸۰-۱۳۸۵، مدل مفهومی رتبه بندی اعتباری تعیین و نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها بعنوان متغیرهای توضیحی مدل انتخاب شدند. از سوی دیگر نکول یا عدم نکول بصورت یک متغیر موهومی بعنوان متغیر وابسته مدل در نظر گرفته شد.  جهت آموزش و اعتبار سنجی مدل، داده‌ها به دو مجموعه مدل و شاهد تقسیم شدند.  پس از  اجرای الگوریتم، علاوه  بر  مقادیر درجه تشخیص و درجه حساسیت  به عنوان دو معیار کارایی مدل، متغیر کلیدی نیز تعیین گردید.

مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. هدف از این مقاله، ارائه روشی ترکیبی با استفاده از الگوریتم ژنتیک و K-Means برای خروج از نقاط بهینه محلی است.استفاده از الگوریتم ژنتیک برای خروج از نقاط بهینه محلی، توسط محققین بسیاری انجام شده است. در این مقاله روش های جدیدی برای عملگرهای بازترکیبی و جهش ارائه شده است. منطق روش های پیشنهادی بر این امر استوار است که اگر عملگرهای تغییر به جای آنکه بطور تصادفی در کل فضای جواب اعمال گردند، در یک منطقه محدود از پیش تعریف شده، انجام شوند، به جواب های بهتری دست خواهیم یافت. برای ارزیابی الگوریتم پیشنهادی، از سه نوع عملگر جهش و پنج نوع عملگر بازترکیبی بر روی مجموعه داده­های استاندارد استفاده شده است. مقایسه نتایج بدست آمده با سایر روش ها، به ازای Kهای متفاوت، نشان می­دهد می­توان با استفاده از عملگر بازترکیبی ساده یک نقطه ای و عملگر جهش ارائه شده در این مقاله با نام "عملگر جهش منطقه ای خوشه ای"، به جواب های بهتری دست یافت.

مسأله مکانیابی هاب یکی از موضوعات جدید در حوزه مسائل مکانیابی بشمار می رود. این دسته از مسائل؛ کاربردهای فراوانی در سیستمهای حمل و نقل، در شبکه های پستی و همچنین در     شبکه­های ارتباطی دارند. در این تحقیق؛ فرموله نمودن مسائل هاب پوششی(یکی از انواع مسائل مکانیابی هاب) در محیط فازی انجام می شود و به منظور لحاظ نمودن عدم قطعیت های موجود در زمانهای انتقال و جابجایی  محموله ها، فرمول بندی برنامه ریزی خطی فازی برای آن پیشنهاد   می­گردد. هدف اصلی مدل ارائه شده، یافتن مکان هاب ها و تخصیص گره های غیر هاب به گره های هاب می باشد بطوریکه زمان سفر بین هر جفت از گره های مبدأ – مقصد از محدودیت از پیش تعیین شده (محدودیت پوشش) تجاوز نکند. سپس یک الگوریتم ابتکاری مبتنی بر الگوریتم ژنتیک به عنوان راه حل مدل ارائه شده مورد مطالعه و توسعه قرار خواهد گرفت. از نتایج مهم این مقاله می توان به اثبات موضوع نیاز به افزایش تعداد هاب های تأسیس شده با فرض فازی در نظر گرفتن پارامترهای مسأله و نیز توانایی الگوریتم ارائه شده در حل مسائل با اندازه بزرگ و برتری محاسباتی آن از لحاظ زمان انجام محاسبات و کیفیت جوابها اشاره نمود. معتبر بودن و کارایی محاسباتی الگوریتم ارائه شده، برروی مجموعه داده های شناخته شده CAB , AP از طریق آزمایشات شبیه سازی نشان داده شده است.

مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. در مسائل خوشه­بندی در دنیای واقعی، اغلب با مجموعه داده­هایی مواجهیم که از ترکیبی از مقادیر عددی و دسته­ای تشکیل شده­اند. در حالیکه اغلب روشهای خوشه­بندی موجود تنها بر روی داده­های عددی از کارایی مناسبی برخوردارند و قابلیت استفاده بر روی داده­های مختلط را ندارند. از سوی دیگر، بیشتر روشهای سنتی، تعداد خوشه­ها را به عنوان ورودی از کاربر طلب می­کنند. در حالیکه در بیشتر موارد تعداد خوشه­ها برای کاربر مقداری نامعلوم است و حدس زدن مقدار آن نیز به خصوص در مورد مجموعه داده­های بزرگ کاری مشکل و حتی غیرممکن است. در این مقاله قصد داریم تا با بهره­گیری از روشی دقیق­تر جهت اندازه­گیری فاصله میان مقادیر دسته­ای،  روش جدیدی را برای خوشه­بندی داده­های مختلط ارائه نماییم که نیازی به تعیین تعداد خوشه­ها به عنوان ورودی الگوریتم نداشته و  قادر است همزمان با خوشه­بندی داده ها، مقدار بهینه برای تعداد خوشه­ها را محاسبه نماید. در روش پیشنهادی معکوس شاخص Davies-Bouldin به عنوان تابع برازش در نظر گرفته شده و به منظور جستجوی فضای جواب از الگوریتم ژنتیک استفاده می­شود. برای ارزیابی عملکرد الگوریتم از دو گروه از داده های استاندارد و شبیه­سازی شده استفاده شده است. نتایج بدست آمده، عملکرد بسیار بالای الگوریتم پیشنهادی را نشان می­دهد

انتخاب بهترین مجموعه از سهام، با لحاظ اهداف چندگانه و با توجه به تعدد گزینه‌ها، تصمیم مدیریتی دشواری است. لذا تصمیم‌گیرها می‌توانند توسط روش دومرحله‌ای زیر، شانسِ یافتن سبد سهام بهینه را افزایش دهند. براساس این روش، ابتدا فضای جواب تمام سبدهای کارا تعیین می‌گردد، و سپس به تصمیم‌گیرها این امکان داده می‌شود که بطور تعاملی، این فضای جواب را جستجو نمایند. بهر حال، کار تعیین فضای جواب، بصورت سعی و خطا انجام نمی‌گیرد. روش شمارش کاملِ برات- فورس که یک روش جستجو برای تعیین فضای جواب است؛ تنها زمانی عملکرد مطلوبی دارد که تعداد سهام اندک باشد. اما زمانیکه تعداد سهام، زیاد (بالغ بر ۳۲۳ سهم) گردد؛ مسئله انتخاب سبد سهام، به یک مسئله سخت تبدیل می‌شود و دیگر نمی‌توان از آن، برای تعیین فضای جواب استفاده کرد (و سپس کلیه سبدهای کارا را تعیین نمود). از آنجاکه روش‌های فراابتکاری می‌توانند توازنی را بین مدت زمان مورد نیاز برای انجام محاسبات و کیفیتِ فضای جواب تقریب زده شده فراهم آورند؛ در این مقاله پس از توسعه مدل انتخاب سبد سهام مارکویتز، روشی مبنی بر ترکیب‌ دو روش بهینه‌یابیِ اجتماع مورچگان و شبیه‌سازی تبرید-تدریجیِ پارتو پیشنهاد گردیده است. به منظور اعتبارسنجی این روش، عملکرد آن در بورس اوراق بهادار تهران، با عملکرد چند روش‌ فراابتکاریِ دیگر مقایسه شده است. نتایج بدست آمده حاکی از برتری روش پیشنهادی نسبت به روشهای مذکور(از نقطه‌ نظر معیارهای قابل طرح در این حوزه) می‌باشد.

امروزه با توجه به افزایش جمعیت و گسترش شهرها و در پی آن افزایش تقاضا برای دریافت کالا و خدمات، مسائل مربوط به حمل و نقل اهمیت بسزایی پیدا کرده­اند. یکی از مسائل مهم در بحث حمل و نقل که توجه محققین بسیاری را به خود معطوف ساخته است مسأله مسیریابی وسیله نقلیه می­باشد. در این پژوهش، مدل جدیدی از مسأله مسیریابی چند قرارگاهی و برای چند دوره متوالی به صورت برنامه­ریزی خطی عدد صحیح فرموله می­شود که در آن الزامی به بازگشت وسائل نقلیه به قرارگاه اولیه نبوده و قرارگاه ابتدایی و انتهایی برای هر مسیر در هر دوره با توجه مشتریان سایر دوره­ها مشخص می­گردد. هدف اصلی مدل ارائه شده نیز سرویس­دهی به مجموعه­ای از مشتریان در طی دوره­های مختلف از طریق چندین قرارگاه می­باشد. سپس یک الگوریتم فرا ابتکاری(الگوریتم ژنتیک) به عنوان راه حل مدل ارائه شده مورد مطالعه و توسعه قرار خواهد گرفت. از نتایج مهم این مقاله می­توان به کاهش مجموع هزینه­های مسیریابی با لحاظ نمودن ویژگی انعطاف­پذیری در تعیین قرارگاه پایانی هر مسیر اشاره نمود. معتبر بودن و کارایی محاسباتی الگوریتم ارائه شده در بررسی تعدادی از مسائل نمونه تولید شده نشان داده شده است.

در این مقاله، مسأله زمانبندی یکپارچه تولید و حمل هوایی در زنجیره تأمین با در نظر گرفتن زمان­های آماده­سازی وابسته به توالی جهت طراحی یک رویه کاربردی برای ایجاد زمانبندی تولید و توزیع قابل استفاده و واقعی­تر مورد مطالعه قرار می­گیرد. بدین منظور مدل­های برنامه­ریزی ریاضی با در نظر گرفتن زمان آماده­سازی وابسته به توالی در تولید جهت کمینه نمودن کل هزینه­های زنجیره تامین که شامل هزینه­های توزیع، زودکرد و دیرکرد تولید و تحویل می­باشد، ارایه می­شود. با توجه به پیچیدگی حل و سخت بودن این مسأله، الگوریتم­های ژنتیک و جستجوی همسایگی متغیر برای بهینه­سازی پیشنهاد می­گردد. همچنین با استفاده از طراحی آزمایشات تاگوچی، مقدار مناسب پارامترهای دو الگوریتم فوق و عملگرهای مناسب تعیین می­گردد و سپس کیفیت جواب­های به­دست آمده با یکدیگر مقایسه می­شود. نتایج محاسباتی نشان می­دهد که الگوریتم جستجوی همسایگی متغیر توسعه داده شده جواب­های بهتری را نسبت به الگوریتم ژنتیک بدست می­آورد.