کتاب الگوریتم‌های فرا ابتکاری برای مسائل لجستیکی

کتاب الگوریتم‌های فرا ابتکاری برای مسائل لجستیکی نوشته‌ی لوران دروسی منجر به حرکت موثر و کاربردی‌تری در راستای تعمیق و ترویج دانش و کاربرد الگوریتم‌های فرا ابتکاری در مباحث شبکه‌های لجستیکی می‌شود.

از جمله مهم‌ترین مسائل بهینه‌سازی که در سال‌های اخیر بسیار مورد توجه محققین دانشگاهی و پژوهشگران صنعتی قرار گرفته، مباحث بهینه‌سازی شبکه‌های لجستیکی است که امروزه نیز یکی از مزیت‌های اصلی رقابتی برای قدرت‌های بزرگ اقتصادی جهان هم محسوب می‌شود. بنابراین پرداختن به بحث بهینه‌سازی موثر و کارآمد و در عین حال به ‌موقع می‌تواند کمک بزرگی به شبکه لجستیکی یک کشور در عرصه‌های مختلف رقابتی باشد.

سال‌هاست که درس الگوریتم‌های فرا ابتکاری در سطوح کارشناسی ارشد و دکتری به عنوان یک درس اختصاصی در گرایش‌های مختلف رشته‌های مهندسی صنایع، مدیریت در دانشگاه‌ها و مؤسسات آموزشی متعدد در سراسر کشور تدریس شده است. این درس یکی از پرطرفدارترین دروس اختصاصی در دانشگاه‌های سراسر کشور است که، علاوه بر دانشجویان دانشگاه، اخیراً برخی کارگاه‌های الگوریتم‌های فرا ابتکاری برای انواع مختلف مسائل بهینه‌سازی برگزار شده که مورد توجه و علاقه ویژه شرکت‌کنندگان آن کارگاه‌ها قرار گرفته است.

کتاب الگوریتم‌های فرا ابتکاری برای مسایل لجستیکی (Metaheuristics for Logistics) به چه کسانی پیشنهاد می‌شود؟

لوران دروسی (Laurent Deroussi) با این کتاب، کمک شایان و موثری به دانشجویان تحصیلات تکمیلی در گرایش‌های مختلف رشته‌های مهندسی صنایع، مدیریت و نیز محققین بهینه‌سازی شبکه‌های لجستیکی می‌کند. امید است این اثر، گام هر چند ناچیزی در راستای بهینه‌سازی موثر و به ‌موقع شبکه‌های لجستیکی ایران بردارد.

در بخشی از کتاب الگوریتم‌های فرا ابتکاری برای مسایل لجستیکی می‌خوانیم:

از لحاظ تاریخی، الگوریتم کانگورو توسط جرارد فلوری [FLE 93] به عنوان یک دنباله‌ای از کاهش تصادفی موفق معرفی شد که با یک مکانیسم کاملا هوشمندانه "پرش " مرتبط است. پرش به سادگی شامل آشفتگی راه‌حل به دست آمده در نتیجه یک کاهش و استفاده از راه‌حل جدید است که به عنوان راه‌حل اولیه ساخته شده برای کاهشی است که در ادامه ذکر می‌شود. این کاهش بدین صورت است که انجام هر حرکت کاهشی در همسایگی یا مجاورت قبلی صورت می‌گیرد.

در این راستا پرش باید به اندازه کافی بزرگ باشد تا ما بتوانیم از دره که در آن کاهش (فاکتور اکتشاف برای فضای جواب) به دام افتاده است، خارج شویم و به اندازه کافی کوچک باشد تا آخرین اطلاعات مسیر در فضای جستجو (عامل اکتشاف در فضای مینیمم‌های محلی) را فراموش نکنیم. الگوریتم کانگورو از دو محله مجاور استفاده می‌کند: یکی برای فرود (N) و دیگری برای پرش (Nʼ).