استفاده از برنامه ريزي آرماني و بهينه سازي استوار براي سهم بندي سرمايه اي

Using Goal Programming and Robust Optimization for Capital Rationing

در تحقيق پيش رو مدلي جديد براي حل مسأله بودجه بندي سرمايه ارائه شده است. يك سازمان با فرصت هاي متنوعي براي سرمايه گذاري مواجه است، همچنين منابع مالي سازمان محدودند و سرمايه گذاري در همه گزينه ها، ممكن نيست. از اين رو بحث بودجه بندي و سهم بندي سرمايه، اهميت مي يابد. برخي پارامترهاي مرتبط با اين مسأله، به واسطه ماهيتشان قطعي نيستند. همچنين محدوديت هاي مسأله بودجه بندي بر روي ميزان بودجه در هر دوره بوده و در نتيجه سخت نيستند بدان معنا كه مي توان تا حدي از آنها عدول نمود. برنامه ريزي آرماني روشي براي حل مسائل چند هدفه با محدوديت هاي نرم مي باشد. همچنين بهينه سازي استوار رويكردي براي مقابله با عدم قطعيت در مدل سازي رياضي است. در اين مقاله مدل افق زماني براي مسأله بودجه بندي سرمايه، با كمك برنامه ريزي آرماني بازنويسي شده است. سپس با در نظر گرفتن هزينه ها و درآمدها يا همان جريان هاي نقدي پروژهها، به عنوان پارامترهاي غير قطعي، مدل آرماني حاصل، به روش بازهاي استوار شده است. از مدل پيشنهادي براي حل مسائلي با ابعاد مختلف، استفاده شده و نتايج بررسي شده است. در انتها نيز مزاياي اين مدل نسبت به مدل هاي پيشين بررسي شده است

In this paper, we propose a new model for capital budgeting problem. Every organization faces different investment opportunities. Since financial resources are limited, it is not possible to choose all the options. Thus capital budgeting and capital rationing are important problems. Some of the main parameters of this problem, e.g. cash flows and interest rate, are not deterministic parameters. The constraints of this problem are budget constraint and accordingly are soft constraints, i.e. they can be deviated. Goal programming is a method to solve multi objective problems with soft constraints. In addition, robust optimization is an approach that deals with the uncertainty parameters in mathematical models. In this study, horizon capital budgeting model is rewritten with goal programming approach. Costs and benefits or generally project's cash flows are considered as uncertain parameters. Then the goal programming model is adapted to the robust optimization framework. The model is illustrated with different examples. Finally, results are analyzed and advantages are declared