Robust Discrete Optimization and Its Applications

این کتاب به تصمیم‌گیری در محیط‌های با قطعیت داده‌های قابل توجه، با تأکید ویژه بر عملیات و برنامه‌های مدیریت تولید می‌پردازد. برای چنین محیط‌هایی، ما استفاده از رویکرد استحکام برای تصمیم‌گیری را پیشنهاد می‌کنیم، که دانش ناکافی تصمیم‌گیرنده در مورد وضعیت تصادفی طبیعت را فرض می‌کند و تصمیمی را ایجاد می‌کند که در برابر بدترین احتمالی که ممکن است ایجاد شود محافظت می‌کند. عوامل محرک اصلی تصمیم گیرندگان برای استفاده از رویکرد استحکام عبارتند از: • عدم قطعیت را نادیده نمی گیرد و در پاسخ به این واقعیت که مقادیر پیش بینی شده پارامترهای نامطمئن در اکثر محیط ها رخ نخواهد داد، گامی فعال برمی دارد. • برای تصمیمات منحصر به فرد و غیر تکراری، که در بسیاری از محیط های در حال تغییر سریع و پویا رایج هستند، اعمال می شود. • ماهیت ریسک گریزی تصمیم گیرندگان را به حساب می آورد. و • تشخیص می‌دهد که حتی اگر محیط‌های تصمیم‌گیری مملو از عدم قطعیت داده‌ها هستند، تصمیم‌ها از قبل با داده‌های تحقق‌یافته ارزیابی می‌شوند. به دلایل فوق، تصمیمات قوی در قلب تصمیم گیرندگان عملیاتی مهم است. این کتاب اولین قدم بزرگ را در ارائه ابزارهای پشتیبانی تصمیم و روش های راه حل برای ایجاد تصمیمات قوی در انواع محیط های کاربردی جالب برداشته است. بهینه سازی گسسته قوی یک چارچوب برنامه ریزی ریاضی جامع برای تصمیم گیری قوی است.

This book deals with decision making in environments of significant data un­ certainty, with particular emphasis on operations and production management applications. For such environments, we suggest the use of the robustness ap­ proach to decision making, which assumes inadequate knowledge of the decision maker about the random state of nature and develops a decision that hedges against the worst contingency that may arise. The main motivating factors for a decision maker to use the robustness approach are: • It does not ignore uncertainty and takes a proactive step in response to the fact that forecasted values of uncertain parameters will not occur in most environments; • It applies to decisions of unique, non-repetitive nature, which are common in many fast and dynamically changing environments; • It accounts for the risk averse nature of decision makers; and • It recognizes that even though decision environments are fraught with data uncertainties, decisions are evaluated ex post with the realized data. For all of the above reasons, robust decisions are dear to the heart of opera­ tional decision makers. This book takes a giant first step in presenting decision support tools and solution methods for generating robust decisions in a variety of interesting application environments. Robust Discrete Optimization is a comprehensive mathematical programming framework for robust decision making.