مقاله مکان یابی بهینه دستگاه خودپرداز با استفاده از الگوریتم ژنتیک

بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مکان یابی بهینه دستگاه خودپرداز با استفاده از الگوریتم ژنتیک

چکیده

اهمیت مکان ارائه خدمات به مشتریان به عنوان یکی از چهار عامل آمیخته بازاریابی و لزوم وجود دیدگاه پویا نسبت به موقعیت مکانی عرضهکنندگان خدمات پولی را بیش از پیش میسازد. باید دانست که دستگاه خودپرداز بانک نه تنها در ایجاد ارتباط با مشتریان خرد از اهمیت بسزایی برخوردار است بلکه در ایجاد ارتباط با مشتریان تجاری نیز نقش بسیار حیاتی ایفا میکنند. در این پژوهش پس از بررسی شاخص های اصلی ، پرسشنامه محقق ساخته که روایی آن با مشورت صاحبنظران و تعدادی از افراد جامعه آماری مورد تایید قرار گرفت و پایایی آن توسط آلفای کرونباخ مقدار 0,87 بدست آمد. جامعه آماری این پژوهش شامل 164 نفر از مدیران و کارکنان مرتبط با بازاریابی و دستگاه های خودپرداز می باشد. به منظور تجزیه و تحلیل داده ها از آزمون t استفاده شده و ضرایب اهمیت آن شاخص ها محاسبه گردیده است. سپس با استفاده از الگوریتم ژنتیک مدل ریاضی ارائه شده را حل نمودیم.

واژگان کلیدی: مکان یابی، دستگاه خودپرداز، الگوریتم ژنتیک، روش تاگوچی

مقدمه

مکانیابی یک فعالیت اقتصادی اعم از یک بنگاه خرده فروشی،کارخانه، مرکز خدماتی یا یکی از مهمترین پرسشهای پیش روی یک بنگاه اقتصادی است، تا آنجا که این مسأله میتواند تعیین کننده موفقیت یا شکست بنگاه باشد، زیرا هر بنگاه از لحاظ مکانی دامنه نفوذی دارد که اکثریت مشتریان خود را از داخل این محدوده جذب میکند. این محدوده با عنوان منطقه خدماتی یا تجاری شناخته می شود، البته باید توجه داشت که این منطقه به لحاظ مسافت دارای محدودیت است و دامنه نفوذ محدودی دارد، حال اگر مکان انتخاب شده برای بنگاه بهنحوی باشد که در دامنه نفوذ بنگاه، مشتریان بالقوه زیادی وجود داشته باشند، امکان موفقیت بنگاه به شدت افزایش می یابد. در این بین مسأله، مکانیابی برای بنگاه هایی که دارای شعب متعدد هستند، مانند بانک ها، از حساسیت بیشتری برخوردار است، بخصوص بانکهای خصوصی که در سالهای اخیر روند رو به رشد سریعی را در پیش گرفته اند و تصمیم به افزایش تعداد شعب خود دارند، اما متأسفانه مباحث مکانیابی از دیدگاه اقتصادی در ایران بسیار مهجور بوده و مطالعات علمی روی این موضوع بسیار نادر است.

از آنجا که با توجه به بازار بانکی ایران و اینکه در آن تنها تعداد محدودی بانک در حال فعالیت هستند، می توان شرایط بازار انحصار چندجانبه را برای صنعت بانکداری ایران در نظر گرفت، در این شرایط، رقابت های قیمتی به حداقل میرسد و بنگاه های موجود در صنعت ناگزیر به رقابت های غیرقیمتی با یکدیگر هستند، مانند تبلیغات، نحوه ارایه خدمات و… این موضوع با توجه به سیاست های اخیر بانک مرکزی جمهوری اسلامی ایران مبنی بر برابر کردن نرخ سود سپرده ها، نرخ سود تسهیلات و نرخ کارمزد خدمات بانکی، تشدید شده است. در این بین، مکان قرارگیری شعب بانک ها تأثیر بسزایی در دسترسی مشتریان به شعب بانک برای استفاده از خدمات بانکی دارد و با توجه به ماهیت محصولات بانکی که از جنس خدمات هستند، شرایط ارایه خدمت نیز جزیی از محصول ارایه شده است و می تواند باعث متفاوت شدن محصول هریک از بانک ها از سایر رقبا شود. حال موضوع انتخاب بهترین مکان برای تأسیس شعب بانک مطرح میشود که این امر از طریق بررسی آمارهای عوامل مؤثر بر تقاضای خدمات بانکی در هر منطقه از شهر میسر می شود تا بتوان مستعدترین مناطق را برای تأسیس شعبه انتخاب کرد.

یافته ها

الگوریتم ژنتیک

الگوریتم ژنتیک، الهامی از علم ژنتیک و نظریه تکامل داروین است و بر اساس بقای برترینها یا انتخاب طبیعی استوار است. یک کاربرد متداول الگوریتم ژنتیک، استفاده از آن بعنوان تابع بهینهکننده است. الگوریتم ژنتیک ابزار سودمندی دربازشناسی الگو ،انتخاب ویژگی،درک تصویرو یادگیری ماشینی است. در الگوریتمهای ژنتیکی , نحوه تکامل ژنتیکی موجودات زنده شبیهسازی میشود. در هر مرحله از اجرای الگوریتم ژنتیکی, یک دسته از نقاط فضای جستجو مورد پردازشهای تصادفی قرار میگیرند. به این صورت که به هر نقطه دنبالهای از کاراکترها نسبت داده میشود و بر روی این دنبالهها, عملگرهای ژنتیکی اعمال میشود .(Vafaie,1994) سپس دنبالههای بدست آمده دیکد میگردد تا نقاط جدیدی در فضای جستجو بدست آید. در آخر براساس این که تابع هدف در هر یک از نقاط چه مقدار باشد, احتمال شرکت نمودن آنها در مرحله بعد تعیین میگردد. الگوریتمهای ژنتیکی را میتوان یک روش بهینهسازی تصادفی جهتدار دانست که به تدریج به سمت نقطه بهینه حرکت میکند . در مورد ویژگیهای الگوریتم ژنتیک در مقایسه با دیگر روشهای بهینه سازی میتوان گفت که الگوریتمی است که بدون داشتن هیچ گونه اطلاعی از مسئله و هیچ گونه محدودیتی بر نوع متغیرهای آن برای هر گونه مسئله ای قابل اعمال است و دارای کارآیی اثبات شدهای در یافتن بهینه کلی میباشد. توانایی این روش در حل مسائل پیچیده بهینهسازی, است که روشهای کلاسیک یا قابل اعمال نیستند و یا دریافتن بهینه کلی قابل اطمینان نیستند.

ساختار الگوریتمهای ژنتیکی

به طور کلی, الگوریتمهای ژنتیکی از اجزاء زیر تشکیل میشوند:

کروموزوم1

در الگوریتمهای ژنتیکی, هر کروموزوم نشان دهنده یک نقطه در فضای جستجو و یک راهحل ممکن برای مسئله مورد نظر است. خود کروموزومها (راه حلها) از تعداد ثابتی ژن2 (متغیر) تشکیل میشوند. برای نمایش کروموزومها, معمولاً از کدگذاریهای دودویی (رشتههای بیتی) استفاده میشود (البرزی،.(1393

جمعیت3
مجموعهای از کروموزومها یک جمعیت را تشکیل میدهند. با تاثیر عملگرهای ژنتیکی بر روی هر جمعیت, جمعیت جدیدی با همان تعداد کروموزوم تشکیل میشود (البرزی،.(1393

تابع برازندگی4

به منظور حل هر مسئله با استفاده از الگوریتمهای ژنتیکی, ابتدا باید یک تابع برازندگی برای آن مسئله ابداع شود. برای هر کروموزوم, این تابع عددی غیر منفی را برمیگرداند که نشان دهنده شایستگی یا توانایی فردی آن کروموزوم است (البرزی،.(1393

عملگرهای ژنتیکی

در الگوریتمهای ژنتیکی, در طی مرحله تولید مثل5 ازعملگرهای ژنتیکی استفاده میشود. با تاثیر این عملگرها بر روی یک جمعیت, نسل6 بعدی آن جمعیت تولید میشود. عملگرهای انتخاب, 7 آمیزش8 و جهش9معمولاً بیشترین کاربرد را در الگوریتمهای ژنتیکی دارند (البرزی،.(1393

انتخاب رتبه

در این روش, هنگام رتبهبندی از دادن بزرگترین سهم از زاد و ولد به گروه کوچکی از افراد خیلی قوی اجتناب میشود. بنابراین, در این روش هنگامی که واریانس برازندگی بالا است, فشار انتخاب کاهش داده میشود. همچنین, هنگامی که واریانس برازندگی پایین است, فشار انتخاب ثابت نگه داشته خواهد شد: نسبت نرخهای انتظار افراد رتبه i ام و i+1 ام یکسان خواهد شد, بدون توجه به این که اختلافات برازندگی مطلقشان بالا یا پایین است.

ExpVal(i,t) = Min + ( Max-Min) rank(i, t) 1

N 1

انواع متفاوتی از طرحهای رتبهبندی (از قبیل رتبهبندی خطی1 و رتبهبندی توانی(2 پیشنهاد شدهاند. در روش رتبه بندی خطی (که توسط Baker پیشنهاد شده است), افراد جمعیت برحسب ترتیب افزایشی برازندگیشان از 1 تا N ردیف میشوند. کاربر نرخ انتظار (Max ≥ 0) Max را برای فرد با رتبه N انتخاب میکند. نرخ انتظار هر فرد i در جمعیت در زمان t از رابطه زیر بدست میآید:

که Min نرخ انتظار فرد با رتبه 1 است. با فرض محدودیتهای Max ≥ 0 و (از آنجا که اندازه جمعیت از نسلی به نسل دیگر ثابت میماند), لازم است 0 ≤ Max ≤ 1 و Min = 2-Max باشد.

در هر نسل افراد جمعیت رتبهبندی میشوند و به هر فرد برحسب معادله فوق نرخهای انتظاری نسبت داده میشود. Baker توصیه کرد که Max = 1.1 باشد و نشان داد که این طرح در مقایسه با روش انتخاب متناسب با برازندگی بر روی برخی از مسائل آزمایشی مطلوبتر است.

شرط پایان الگوریتم

در الگوریتمهای تکاملی غالباً اجرای برنامه برای تعداد نسلهای از پیش تعیین شدهای صورت میگیرد. اما شرط دیگری نیز برای پایان الگوریتمهای ژنتیک ارائه شده است که آن میزان پراکندگی بیتها درون جمعیت میباشد. این محک نشان دهنده
میزان همگرا شدن کد اعضای جمعیت میباشد. اگر کد یک عنصر دارای طول l بیت باشد و به صورت ( ai (ail ,..., ait نشان
داده شود و تعداد اعضای جمعیت است)، مقدار پراکندگی بیت جمعیت P، b(P) به صورت زیر
تعریف میشود:




هر اندازه میزان b بزرگتر باشد میزان پراکندگی بیتها درون جمعیت کمتر خواهد بود. در حالت ویژه اگر b(P)=1 باشد به

این معنی است که کد همه اعضای جمعیت یکسان است. شرط پایان به صورت b(p)> bmax تعریف میشود که bmax معمولا0/95  0/99 میباشد.

مدل سازی مساله

مکان یابی یک وسیله جدید نسبت به یک سری از مکان های موجود در این بخش مورد بررسی قرار می گیرد. مکانی که به دنبال آن هستیم جایی است که برای ان یک تابع هزینه کل (مطلوبیت کل) تعیین گردیده است. و هدف آن حداقل سازی هزینه یا حداکثر سازی سود است (بشیری و همکاران،.(1392

مفروضات اولیه

با توجه به اینکه مسائل مکان یابی همچون سایر مطالعات دیگر با یک سری از مفروضات اولیه مواجه می باشد. در این پژوهش مفروضات اولیه به طور مختصر مورد تجزیه و تحلیل قرار می گیرد.

معیار های تاثیر گذار که باید بیشینه گردد. این معیار ها در جدول زیر نشان داده شده اند. در این پژوهش از عبارت زیر برای مشخص کردن شاخص های پژوهش استفاده می نماییم. بدیهی است که برای هردو معیار کمینه و بیشینه از این عبارت استفاده می شود. و در محاسبات انجام شده در مورد شاخص با ماهیت کمینه کردن از معکوس آن استفاده خواهد شد.

وزن هر شاخص =

جدول : 1 معیار های تاثیرگذار مثبت

جدول : 2 معیار های تاثیرگذار منفی

مکان های مستعد جهت انتخاب: این مکان بر اساس مناطق تقسیم شده توسط شهرداری به محلات مختف، انتخاب و مورد بررسی قرار گرفته اند. این مناطق در سطح مهاباد شامل محله های زیر می باشند. همچنان این مکان ها از لحاظ معیار های تصمیم گیری نیز بررسی و در جدول زیر به طور خلاصه ذکر گردیده است. در این پژوهش هریک از شاخص های مرتبط با مکان انتخاب شده با عبارت زیر مشخص می شود.

مقداراهمیت هر شاخص برای هر مکان =
شمارنده مکان = i
شمارنده شاخص ها = j

تعداد مکان انتخابی

در هنگام مدل سازی مسائل مرتبط با مکان یابی بهینه باید یک یا چند مکان را از بین مکان های موجود با توجه با شرایط مکان و همچنین شاخص های پژوهش انتخاب نماییم. در این پژوهش حداکثر مکانی که باید انتخاب گردد 4 مورد انتخاب شده است.

تعداد مکان مورد انتخاب N =

تابع هدف

با توجه به این که در این پژوهش مساله فاصله های متعامد و اقلیدسی مطرح نیست و همچنین هدف یافتن مکانی است که بیشترین مطلوبیت را تامین کند بنابر این می توان از مدل زیر که توسط سوین و برمن (2008) و با عنوان پوشش جزئی در زمینه مسائل مرتبط با مکان یابی استفاده نمود.

ST

وزن هر شاخص

با توجه به نتایج حاصل از آزمون t وزن شاخص ها به صورت زیر می باشد.