الگوريتم شبيه سازي آنيلينگ براي بودجه-بندي سرمايه اي فازي براساس برنامه ريزي شانس و تحليل حساسيت پارامترهاي آن

A Fuzzy Simulated Annealing Model For Solving Chance Constrained Capital Budgeting Problem And Sensitivity Analysis Of Parameters

جمع آوري اطلاعات و داده هاي دقيق براي توصيف رفتار سيستم-هاي واقعي كاري بسيار مشكل است. همچنين مدلسازي دقيق رياضي، با افزايش پيچيدگي سيستم ها غيرممكن به نظر مي رسد، از اين رو محاسبات فازي پاسخي براي مسايل پيچيده امروز است. دراين مقاله از مفاهيم فازي، برنامه ريزي شانس و روش شبيه سازي آنيلينگ به عنوان وسيله اي جهت تعيين ارزش خالص فعلي چند پروژه و درنهايت انتخاب اقتصادي ترين آن ها بهره گرفته شده است. هزينه هاي سرمايه گذاري و فرآيند مالي خالص ساليانه به صورت فازي براساس مقدار اعتبار درنظر گرفته شد. ابتدا تكنيك شبيه سازي فازي براي محاسبه مقدار تابع هدف و مقدار اعتبار متغيرهاي فازي مورد استفاده قرار گرفت، سپس مدل با استفاده از شبيه سازي آنيلينگ حل و با نتايج حاصل از شبيه-سازي فازي براساس الگوريتم ژنتيك و روش شاخه و حد مقايسه گرديد. نتايج نشان دهنده اين موضوع است؛ كه الگوريتم ژنتيك در ابعاد كوچك در مقايسه با شبيه سازي آنيلينگ، داراي خطاي كمتر و نتيجه بهتري است. همچنين مشخص گرديد كه در بين پارامترهاي تاثيرگذار در الگوريتم SA، ضريب دماي نهايي" B" از اهميت بيشتري برخوردار بوده و در صورتيكه به حد كافي كوچك اختيار گردد،‌الگوريتم مي تواند در زمان بسيار مناسب به نتيجه قابل قبولي برسد.

Collect accurate data to describe the behavior of real systems is very difficult. Accurate mathematical modeling, with the increasing complexity of systems is impossible. Therefore, fuzzy computing is the answer to the complex problems of today. Authors have employed fuzzy concepts; chance constrained programming and simulated annealing as appropriate tools for determining the net present worth value of several projects. At the end, the most economical project was chosen. In this article, the investment expenses and annual net financial processes are considered fuzzy taking the credibility definition into consideration. The proposed model is then solved by simulated annealing program and to check its credibility we have compared the results of our model with the results obtained by the Genetic Algorithm as well as the Branch and Bound routine. The results indicate that for small sized problems, Genetic Algorithm has worked relatively with less error amounts and produces better results. It was determined that the effective parameters in the algorithm SA, the final temperature coefficient, B, is more important and if to be sufficiently small, the algorithm can be a very appropriate time to reach a satisfactory conclusion.