مدیریت منابع و تخصیص بهینه با استفاده از مدل‌های فازی

•   آرشیو : نسخه بهار1404
•   کد پذیرش : 12420
•   موضوع : سایر شاخه ها
• نویسنده/گان : | ارشد فرهمندیان، امیرحسین زهدی
•   زبان : فارسی
•   نوع مقاله : مروری
•   چکیده مقاله به فارسی : مدیریت منابع و تخصیص بهینه یکی از مفاهیم کلیدی در بسیاری از زمینه‌ها می‌باشد. هدف اصلی این فرآیند، بهینه‌سازی استفاده از منابع محدود به‌منظور دستیابی به بهترین نتایج ممکن است. یکی از چالش‌های بزرگ در این زمینه، مدیریت عدم قطعیت‌ها و پیچیدگی‌هایی است که در بسیاری از سیستم‌های واقعی وجود دارند. به‌ویژه زمانی که اطلاعات موجود دقیق نیستند یا به‌صورت ناقص در دسترس قرار دارند. مدل‌های فازی به‌عنوان یک ابزار قدرتمند برای حل مشکلات مرتبط با عدم قطعیت‌ها و پیچیدگی‌ها در تخصیص منابع بهینه مطرح شده‌اند. این مدل‌ها امکان مدیریت داده‌های غیرقطعی و غیرقطعی را فراهم می‌آورند. براین اساس، پژوهش حاضر با هدف بررسی مدیریت منابع و تخصیص بهینه با استفاده از مدل‌های فازی انجام گرفته است. این پژوهش، از لحاظ ماهیت و هدف، کاربردی می‌باشد، که اطلاعات آن از طریق بررسی مقالات، کتب، مجلات، نشریه‌¬ها، پایان‌نامه‌ها و نمایه‌¬های نوشته شده در این زمینه جمع¬آوری شده است. نتایج این تحقیق نشان داد که مدل‌های فازی با قابلیت‌های خاص خود در مواجهه با ابهام‌ها و داده‌های ناکامل، توانسته‌اند به‌طور چشمگیری در حل مسائل تخصیص منابع و بهینه‌سازی فرآیندها موثر واقع شوند. این مدل‌ها با ارائه روشی برای کار با داده‌های غیرقطعی و تحلیل وضعیت‌های مبهم، به مدیران امکان می‌دهند تا تصمیمات بهینه‌تری را در شرایط واقعی اتخاذ کنند. به‌ویژه در مسائلی که متغیرهای متعدد و متنوعی در تخصیص منابع دخیل هستند، مدل‌های فازی می‌توانند ضمن حفظ انعطاف‌پذیری، راه‌حل‌های جامع‌تری ارائه دهند.
•   لیست منابع : 1) Abid, A., Manzoor, M. F., Farooq, M. S., Farooq, U., & Hussain, M. (2020). Challenges and issues of resource allocation techniques in cloud computing. KSII Transactions on Internet and Information Systems (TIIS), 14(7), 2815-2839.
  2) Atanassov, K. T., & Atanassov, K. T. (1999). Intuitionistic fuzzy sets (pp. 1-137). Physica-Verlag HD.
  3) Caiado, R. G. G., Scavarda, L. F., Gavião, L. O., Ivson, P., de Mattos Nascimento, D. L., & Garza-Reyes, J. A. (2021). A fuzzy rule-based industry 4.0 maturity model for operations and supply chain management. International Journal of Production Economics, 231, 107883.
  4) Challoumis, C. (2024). Integrating Money Cycle Dynamics and Economocracy for Optimal Resource Allocation and Economic Stability. Journal of Risk and Financial Management, 17(9), 422.
  5) Chen, L., Pedrycz, W., & Xu, H. (2024). Analysis of power asymmetry conflict based on fuzzy options graph models. Knowledge-Based Systems, 284, 111221.
  6) Garibaldi, J. M., Jaroszewski, M., & Musikasuwan, S. (2008). Nonstationary fuzzy sets. IEEE Transactions on Fuzzy Systems, 16(4), 1072-1086.
  7) Journal of mathematical analysis and applications, 18(1), 145-174.
  8) Kacprzyk, J., Sirbiladze, G., & Tsulaia, G. (2022). Associated fuzzy probabilities in madm with interacting attributes: Application in multi-objective facility location selection problem. International Journal of Information Technology & Decision Making, 21(04), 1155-1188.
  9) Li, M., Fu, Q., Singh, V. P., Liu, D., Li, T., & Zhou, Y. (2020). Managing agricultural water and land resources with tradeoff between economic, environmental, and social considerations: A multi-objective non-linear optimization model under uncertainty. Agricultural systems, 178, 102685.
  10) Lu, K., Liao, H., & Zavadskas, E. K. (2021). An overview of fuzzy techniques in supply chain management: Bibliometrics, methodologies, applications and future directions. Technological and Economic Development of Economy, 27(2), 402-458.
  11) Mu, X., Liu, Y., Guo, L., Lin, J., & Al-Dhahir, N. (2021). Capacity and optimal resource allocation for IRS-assisted multi-user communication systems. IEEE Transactions on Communications, 69(6), 3771-3786.
  12) Riaz, M., Riaz, M., Jamil, N., & Zararsiz, Z. (2022). Distance and similarity measures for bipolar fuzzy soft sets with application to pharmaceutical logistics and supply chain management. Journal of Intelligent & Fuzzy Systems, 42(4), 3169-3188.
  13) Sangaiah, A. K., Hosseinabadi, A. A. R., Shareh, M. B., Bozorgi Rad, S. Y., Zolfagharian, A., & Chilamkurti, N. (2020). IoT resource allocation and optimization based on heuristic algorithm. Sensors, 20(2), 539.
  14) Shrimali, B., Bhadka, H., & Patel, H. (2018). A fuzzy-based approach to evaluate multi-objective optimization for resource allocation in cloud. International Journal of Advanced Technology and Engineering Exploration, 5(43), 140-150.
  15) Sun, C., She, C., Yang, C., Quek, T. Q., Li, Y., & Vucetic, B. (2018).
  16) Optimizing resource allocation in the short blocklength regime for ultra-reliable and low-latency communications. IEEE Transactions on Wireless Communications, 18(1), 402-415.
  17) Torra, V. (2010). Hesitant fuzzy sets. International journal of intelligent systems, 25(6), 529-539.
  18) Zadeh, L. A. (1965). Fuzzy sets. Information and Control.
  19) Zhang, S., Liao, P., Ye, H. Q., & Zhou, Z. (2020, August). Multiple resource allocation for precision marketing. In Journal of Physics: Conference Series (Vol. 1592, No. 1, p. 012034). IOP Publishing.
•   کلمات کلیدی به فارسی : مدل‌های فازی، مدیریت منابع، تخصیص بهینه، منطق فازی، تخصیص بهینه منابع.
•   چکیده مقاله به انگلیسی : Resource management and optimal allocation are key concepts in many fields. The main objective of this process is to optimize the use of limited resources in order to achieve the best possible outcomes. One of the major challenges in this area is managing uncertainties and complexities that exist in many real-world systems, especially when the available information is either inaccurate or incomplete. Fuzzy models have been introduced as a powerful tool for solving problems related to uncertainties and complexities in optimal resource allocation. These models enable the management of imprecise and uncertain data. Therefore, this research aims to investigate resource management and optimal allocation using fuzzy models. This study is applied in nature and purpose, and the data have been collected through a review of articles, books, journals, publications, theses, and indexes written in this field. The results of this research showed that fuzzy models, with their specific capabilities in handling ambiguities and incomplete data, have significantly contributed to solving resource allocation problems and optimizing processes. By providing a method for working with uncertain data and analyzing ambiguous situations, these models allow managers to make more optimal decisions in real-world conditions. Especially in cases where multiple and diverse variables are involved in resource allocation, fuzzy models can offer more comprehensive solutions while maintaining flexibility.
•   کلمات کلیدی به انگلیسی : Fuzzy models, resource management, optimal allocation, fuzzy logic, optimal resource allocation.
•  صفحات : 1-14
•   دانلود فایل ( 586.42 KB )