بهینه سازی تحت عدم اطمینان به طور معمول از یکی از دو روش استفاده می کند: (1) بهینه سازی تصادفی. یا (2) بهینه سازی استوار(رباست). در بهینه سازی تصادفی ، پارامترهای تصادفی با توزیع احتمال کنترل می شوند و هدف این است که یک راه حل پیدا کند که هزینه مورد انتظار را به حداقل برساند. در بهینه سازی استوار، احتمالات مشخص نیستند و پارامترهای نامشخص توسط سناریوهای گسسته یا دامنه های مداوم مشخص می شوند. هدف این است که بدترین هزینه را به حداقل برساند.
در دهه های گذشته مدل های قطعی ، پویا و تصادفی برای حل انواع مسائل مکانیابی پیشنهاد شده است. در این پاورپوینت به مبحث مکان یابی احتمالی یا (SLP) پرداخته می شود. مسئله مکان یابی احتمالی عدم قطعيت در يک يا چند مولفه، ميزان تقاضا و هزينه هاي حمل و نقل و انتقالات، تعداد سرويس دهندگان و … تعریف می شود. مدل های برنامه ریزی احتمالی اولین بار به وسیله دنزیک و بیل در سال 1995 ارائه شد.
فهرست پاورپوینت
- مقدمه
- بيان مسئله
- تعاريف مهمضرورت و اهميت موضوع
- کاربردها در دنياي واقعي
- مدل کلاسيک مکان یابی احتمالی
- بررسی مقالات
- نتیجه گیری
تقسيم بندی مسائل مکان يابی احتمالی
- مسائل مکان یابی با ارتباطات احتمالی
- مسائل مکان یابی با وسائل يا مکان احتمالی (بشیری و همکاران ،1392)
رويکرد استوار در مسائل بهینه سازی احتمالی
اين رویکرد برای حل مسائل بهینه سازی با عدم قطعیت داده ها در اوایل دهه ی 1970 پیشنهاد شد. اولین بار یک روش بهینه سازی استوار توسط سویستر ارائه داد که در آن پارامترها با عدم قطعیت با حالت بدبینانه ممکن خود جایگزین می شدند. در مدل سویستر همه پارامترها با عدم قطعیت در آن با مقدار بدبینانه ترین حالت در مجموعه غیرقطعی جایگزین شده اند. در این مدل مقدار بهینه استوار بسیار بدتر از مقدار بهینه مساله بهینه سازی خط اصلی است. نتایج مدل وی بسیار محافظه کارانه است زیرا فقط بدترین حالت را می بیند. در سال های بعد بهینه سازی در حالت غیرقطعی بیشتر مورد توجه قرار گرفت.
دلايل استفاده از اين رويکرد(مدل داگلاس خوزه الم و رینالدومورابیتو)
- بهینه سازی استوار نسبت به رویکرد احتمالی از لحاظ حل مدل راحت تر است
- نياز به توزيع احتمالي داده هاي داراي عدم قطعيت نيست
مطالب مرتبط و مشابه