یادداشتهای من

باز هم متاسفانه حادثه و بحرانی پیش امد و مسئولان یاد مسائل و نواقص افتادند و برنامه های متنوع و شعاری گوناگونی شروع شد ، درج خبر جریمه خودروسازانی که خودرو پر مصرف تولید کنند ، افزایش وسعت منطقه طرح ترافیک ، زوج و فرد کردن پلاک خودرو برای محدودیت تردد ، تاخیر در بهره برداری از خط دو مترو و زجه و مویه مدیرعامل مترو مبنی بر نیاز به ۱۰۰ میلیارد برای تکمیل خط ۲ مترو ، هزینه گزاف ۶۰۰ میلیارد تومانی ماهیانه جهت واردات بنزین ، بحث شیرین گران شدن بنزین و قطع سوبسید ، نوسازی ناوگان هوائی ، برنامه های آموزشی صدا و سیما برای کاهش آلودگی هوا ، تجارت الکترونیک و اینترنت برای تسهیل در انجام کارها ، خبر آئین نامه الزام استفاده از راهکارهای الکترونیک و مبتنی بر وب در دستگاههای دولتی ، شهرکهای صنعتی و خروج واحدهای آلاینده از محدوده تهران ، مهاجرت بی رویه به تهران ، بانکها و موانع بانکداری نوین در ایران ، آمار مرگ و میر ناشی از بیماریهای تنفسی در ایران و …………………………..
همه این حرفها خوب و قشنگ و لازم هستند ، اما چه زمانی اجرائی میشوند ، فردا که بادی بوزد و دودها را با خود ببرد ، همه اینها هم به فراموشی سپرده میشود ، گوئی مسئولان و مدیران کشور شرطی شده اند ، تا هاله غلیظ دود را در سطح تهران میبینند ، آوای رسیدگی و حمایت سر می دهند و به محض بر طرف شدن نیاز، سکوت .
تا کی قرار است هر دستگاهی به فکر خودش باشد و هیچ برنامه جامعی وجود نداشته باشد ، چشم انداز ۲۰ یا ۲۱ ساله ( ۲۱ چون مضربی از ۷ است ) به تنهائی کافی نیست ، برنامه جامع عملیاتی هم برای محقق شدن لازم است ، از مسئولین محترم تقاضا دارم ، به غیر از فصل یک کتاب مدیریت استراتژیک که مطاله فرموده اند ( در مورد Mission و Vission ) ، بقیه فصلها را هم نگاهی بیاندازند .

اشتباه نکنید ، حرف بدی نیست ، ژاژ گیاهی است بیابانی که هیچ مزه ای ندارد و خائیدن هم یعنی جویدن ، ژاژ خائیدن یعنی کار بیهوده کردن و مترادف است با :

- محیط به کفچه پیمودن
- حدیث شمع با جماعت کوران گفتن
- گل لقد کردن
- با دیوار حرف زدن
- آب در هاون کوفتن
- آهن سرد کوفتن
- تو پیت گو…

این مثل زمانی استفاده میشود که کسی آخرین تلاش خود را هم انجام دهد ولی به نتیجه نرسد ، به اصطلاح ” آخرین تیر ترکش هم به هدف اثابت نکرد ” ، می گویند : تفنگ حسن موسی هم نزد .
در قدیم که تفنگ سرپر استفاده میشده و این تفنگها دستی ساخته میشده ، بهترین تفنگسازان ایران سه نفر بودند به اسامی حاج مصطفی و حسن و موسی . حسن و موسی با هم شریک بودند و هر کدام قسمتی از تفنگ را به صورت تخصصی میساخته اند ، به همین دلیل تفنگهای آنها بسیار دقیق برای هدفگیری بوده است .
از کتاب خاطرات و خطرات نقل شده که : ” … از تشریفات ناپسند ، آن هم به دستور خانمهای خودپسند ، مزاحمت فراشان بود در موقع عبور حرم ، که در اطراف کالسکه می دویدند و مردان را با نهیب کورشو رد میکردند . گوئی فراشان مرد نبودند ! … میرزا جعفر حکیم الهی وقتی این کورشو دورشوها را شنیده بود به فراشها گفت : مگر ..یر من تفنگ حسن موسی است که بتواند از دور با این فاصله نشانه بگیرد ؟! “

لغت (Taboo)tabu از Tongan آمده است ، زبان پولینزی (Polynesia) به توسط بومیهای جزیره Tonga استفاده می شده ، این کلمه برای چیزهایی که نمی توان به آن به دلیل مقدس بودنشان دست زد ، تعیین می شده است .بر طبق لغتنامه وبستر (Webster Dictionary) . این لغت به معنای ” یک ممنوعیتی که بوسیله آداب اجتماعی برای محافظت اصول تکلیف شده است .”
۱- مقدمه
ریشه TS در دهه ۱۹۷۰ بوجود آمده است . اولین بار توسط Glover در سال ۱۹۸۶ معرفی شد . همچنین نظریات اولیه توسط Hansen در سال ۱۹۸۶ کامل شد . در سال ۱۹۸۹ Glover ، de Werra و Herts به تلاشهایشان جهت فرموله کردن آن اضافه کردند . بسیاری از آزمایشهای انجام شده نشانگر این است که TS در حال حاضر به یک تکنیک بهینه سازی جا افتاده تبدیل شده است که می تواند با بیشتر تکنیکهای شنالخته شده رقابت کند و بوسیله انعطاف پذیری اش می تواند با بیشتر رویه های کلاسیک همساز شود . در سال ۱۹۹۳ نظریات TS توسط Faigle ، Kern ، Glover ، Fox مورد تجزیه و تحلیل قرار گرفته است .
مجموعه عظیمی از تکنیکهای بهینه سازی به وسیله سیل عظیمی از محققین ارائه شده که هر کدام در یک زمینه بوده است . در میان رویه های بهینه سازی تکنیک تکرار پذیر نقش مهمی را بازی می کند . برای بیشتر مسائل بهینه سازی هیچ رویه ای مستقیما برای گرفتن یک جواب بهینه شناخته نشده است .
گام معمول از رویه تکرار پذیر در ساختار حرکت از یک جواب i به جواب j در کنترل اینکه آیا باید اینجا متوقف شود یا گام دیگری اجرا شود ، شامل می شود . روشهای جستجوی همسایگی (Neighborhood search) تکرار پذیر هستند در اینکه یک همسایه N(i) تعریف شده برای هر جواب عملی i و جواب بعدی j در میان جوابهای موجود درN(i) جستجو می گردد .
مشهورترین روش جستجوی همسایگی که برای پیدا کردن تقریب مینیمم مقدار از یک تابع F در مجموعه S می باشد روش نزولی است که در زیر آورده شده است :
روش نزولی
گام ۱- یک جواب i از S انتخاب کنید .
گام ۲- بهترین j را در( N(iپیدا کنید . ( بطوریکه f(j) < f(k) برای هر k در N(i) )
گام ۳- اگر f(i) < f(j) ، متوقف شود در غیر این صورت i = j و به گام 2 بروید .
چنین روشی بطور واضح ممکن است در محلی متوقف شود اما مینیمم کلی از f نیست . به طور معمول N(i) بطور واضح تعریف نشده است . ما ممکن است برای j جستجو کنیم به کمک هدایتهایی که از i می شود .
۲- نظرات پایه ای TS :
به منظور بهبود تاثیر فرایند جستجو ، این نیاز در ابتدا وجود دارد که نه تنها رد اطلاعات محلی حفظ شود ( مانند ارزش فعلی تابع هدف ) بلکه حفظ برخی اطلاعات مربوط به فرایند جستجو نیز ضروری می باشد . این استفاده سیسماتیک از حافظه یک ویژگی ضروری TS می باشد . زمانیکه بیشتر روشهای جستجو ارزش f(i*) از بهترین جواب i* را که تا به حال مشاهده شده است در حافظه نگهداری می کنند . TS اطلاعات مربوط به آخرین جواب مشاهده شده را نیز نگه می دارد . چنین اطلاعاتی جهت هدایت حرکت از i به جواب بعدی j که از N(i) انتخاب می شود ، مورد استفاده قرار خواهد بود ، ( برای مثال ممانعت از حرکت به سمت بعضی جوابهای مجاور )
ما باید توجه کنیم که ساختار همسایگی N(i) از یک جواب i ، در واقع تکرار به تکرار دیگر متغیر خواهد بود . بنابراین بهتر خواهد بود که TS را در کلاس رویه هایی قرار داد که به آنها تکنیکهای جستجوی همسایگی پویا گفته می شود . (dynamic neighborhood search techniques ) یک مسئله بهینه ساز ی را به صورت زیر در نظر بگیرید :
مجموعه ای از جوابهای عملی S و یک تابع F : S R داده شده است . بعضی جوابهای i* در S پیدا کنید همانطور که f(i*) با توجه به شرایطی قابل قبول باشد . به طور معمول یک شرط از قابل قبول بودن برای یک جواب i* باید شرط f(i*) < f(i) برای هر i در S را داشته باشد . در چنین موقعیتی TS یک الگوریتم حداقل سازی است که دارای فرایند جستجویی است که تضمین می کند پس از تعداد مشخصی تکرار به i* می رسد .
به عنوان اولین گام به سمت توصیف TS ، روش نزولی کلاسیک را به صورت زیر فرموله مجدد می کنیم :
گام ۱- یک جواب اولیه i در S انتخاب کنید .
گام ۲- یک زیر مجموعه v* از یک جواب در N(i) ایجاد کنید .
گام ۳- بهترین j در v* پیدا کنید . (طوریکه f(i) < f(k) برای هر k در v* ) و I = j .
گام ۴- اگر f(j) > f(i) متوقف شوید در غیر این صورت به گام ۲ بروید .
در روش نزولی کلاسیک ما معمولا v* = N(i) خواهیم داشت . به هر حال این امر اغلب ممکن است زمان بر باشد لذا انتخاب مناسب v* می تواند منجر به بهبود قابل توجهی شود .
بجز بعضی مسائل خاص محدب ، استفاده از روشهای نزولی معمولا بی نتیجه است در بهینه محلی گرفتار شده و از بهینه مطلق دور باشد . بنابراین هر فرایند تکرار پذیر به منظور فرار از مینیمم محلی ، باید در بعضی مواقع عدم بهبود را نیز قبول کرده و از i به j در v* حرکت کند (حتی اگر
f(j) > f(i) ).
روش SA ( Simulated Annealing ) نیز این کار را انجام می دهد اما انتخاب j را هدایت نمی کند ، TS بهترین j را درv* انتخاب می کند .
به محض اینکه حرکات عدم بهبود امکان پذیرمی شوند ، ریسک مشاهده مجدد یک جواب و به طور کلی ایجاد چرخه حضور پیدا می کند . در اینجا نقطه ای است که استفاده از حافظه مفید واقع می شود برای جلوگیری از حرکاتی که ممکن است منجر به مشاهده جوابهای اخیر شود . اگر چنین حافظه ای معرفی شود ما در نظر می گیریم که ساختار N(i) به N(i , k) رجوع می کنیم تا با یک روشی بتوانیم آنرا به رویه TS نزدیک تر کنیم .
( i* بهترین جواب پیدا شده است و k شمارنده تکرار )
گام ۱- یک جواب اولیه i درS انتخاب کنید . i* = i و k=۰ قرار دهید .
گام ۲- k = k+۱ قرار دهید و یک زیر مجموعه v* از جواب در N(i , k) ایجاد کنید .
گام ۳- بهترین j در v* انتخاب کنید و i = j قرارر دهید .
گام ۴- اگر f(i) < f(i*)سپس i* = i قرار دهید .
گام ۵- اگر شرط توقف بر قرار شد متوقف شوید در غیر این صورت به گام ۲ بروید .
مشاهده می شود که رویه نزولی کلاسیک در این فرمول شامل شده است . ( قانون توقف بسادگی f(i)>f(i*) خواهد بود و i* همیشه آخرین جواب خواهد بود ) . همچنین توجه شود که ما ممکن است استفاده f ~ را به جای f در نظر بگیریم .
در TS بعضی از شرایط توقف می تواند موارد زیر باشد :
_ N( i , k+۱ ) = Q
_ k بیشتر از ماکزیمم تعداد تکرار مجاز است .
_ تعداد تکرارها از آخرین i* بزرگتر از یک تعداد معین است .
_ مدرکی ارائه شود مبنی به دستیابی به جواب بهینه .

قوانین توقف ممکن است بروش جستجو و نتایج آن اثر داشته باشد . بنابراین تعریف N(i,k) در هر تکرار k و انتخاب v* از اهمیت بالایی برخودار است .
Tabu Search:
گام ۱- یک جواب اولیه i در S انتخاب کنید . i* = i و k = ۰ قرار دهید .
گام ۲- k=k+۱ قرار دهید و یک زیر مجموعه v* از جواب در N(i , k) ایجاد کنید . به این صورت که یکی از شرایط Tabu tr  tr(i,m) برقرار نباشد (r=۱,…,t )
یا حداقل یکی از شرایط ar(i,m) Ar(i,m) و (r =۱,…,a)
گام ۳- بهترینm j = i  را در v* انتخاب کنید و i =j قرار دهید .
گام ۴- اگر f(i) گام ۵- شرایط Tabu و Aspiration را به روز رسانی کنید .
گام ۶- اگر یک شرایط توقف به قرار بود متوقف شوید در غیر این صورت به گام ۲ بروید .

۳- مدلسازی کارا (Effective modeling )
روشهای حل تکرار پذیر ممکن است مانند قدم زدن در یک فضای (State space) گراف به نظر برسد ، جایی که مجموعه S , Vertex مجموعه ای از جوابهای عملی است و در آنجا یک arc(i,j)A از i به j وجود دارد اگر jN(i) . انتخاب یک جواب اولیه معادل ایجاد یک Vertex در G است و یک مرحله از رویه تکرار پذیر شامل می شود در حرکت از Vertex فعلی i به یک Vertex مجاورi . برای هر i ارائه شده در S ، باید یک مسیر از i به یک راه حل بهینه i* موجود باشد .
اگر یک جواب که شرایط فوق در آن برقرار نباشد در مدت فرایند تکرار مشاهده شد انگاره هرگز به یک جواب بهینه نخواهد رسید .
برای روشن شدن این حقیقت مسئله رنگ آمیزی گراف را در نظر بگیرید :
یک گراف H=(V,E) داده شده می خواهیم حالتی را پیدا کنیم که از کمترین رنگ ممکن استفاده شود در صورتی که دو رنگ یکسان کنار هم قرار نگیرد . مجموعه S از جوابهای عملی ایجاد شده که تعداد رنگهای استفاده شده در آنها بیشتر از تعداد رنگهای ارائه شده نمی باشد . در واقع بالاترین حد آن تعداد رنگهای استفاده شده در مقدار دهی اولیه است . می توان همسایگی N(i) از جواب i را این طور تعریف کرد که به عنوان مجموعه ای از رنگ آمیزی عملی که می توان به وسیله تغییر رنگ کامل یک Vertex بدست می آید ، تعریف کرد . این کار State Space گراف را ترغیب می کند که شرط آن کافی نیست . در حقیقت مثالی که در شکل ۱ آمده را در نظر بگیرید :
اگر روش حل تکرار پذیری رنگ آمیزی عملی C۱ را ببنید و اگر حد بالای Uppre bound) ) روی شماره رنگها که ممکن است استفاده شده باشد ۳ باشد . آنگاه در رنگ آمیزی بهینه تنها ۲ رنگ هیچ وقت به آنها پرداخته نمی شود .

۴- یک کار برد از TS :
*مسئله رنگ آمیزی گراف :
شکل گرافیکی G=(V,E) را در نظر گرفته . ما می خواهیم خطهای عمودی را با کمترین رنگ ، رنگ آمیزی کنیم . تنها شرط این است که دو خط عمودی کنار هم رنگهای یکسان نداشته باشند . به عبارتی دیگر رنگ آمیزی از خطهای عمودی از G در K رنگ بخشی از مجموعه V , Vertex در داخل K مجموعه مستقل (V۱,…,VK ) است .
برای تعریف مجموعه S از جوابهای عملی ، آن تنها شرط چندان اجباری نیست . در اینجا TS می تواند تشخیص دهد که آیا با تعدا k رنگ ، رنگ آمیزی امکان پذیر است یا خیر . به عبارتی دیگر یک جواب عملی یک قسمت از مجموعه V یعنی (V۱,…,VK) می باشد . بوسیله تعریف کردن E(V۲) به عنوان مجموعه ای از لبه ها که دو نقطه انتهایی آنها مشخص شده در Vr ، هدف کوچک سازی
(V۲)  r=۱k است .
در مدلسازی کار آمد از TS که در بالا شرح داده شد همسایگی N(i) از یک جواب i شامل می شود تمام جوابهای بوجود آمده از i بوسیله دنبال کردن تغییرات محلی : حرکت کنید Vertex را که نقطه انتهایی آن از یک لبه تک رنگ ( هر دو نقطه انتهایی V۲ یکسانی دارند ) است به سمت یک مجموعه (qr)Vq .
زمانیکه یک Vertex ، V از Vr به Vq حرکت داده شد هر دو (V,r) درلیست T تعریف می شوند . این به این معنا ست که تعریف V در مجموعه Vr در مدت تکرار T ممنوع است .

۵- استفاده موثر از حافظه
همانطور که قبلا گفته شد استفاده از حافظه یک پایه مهم در TS می باشد .
شرایط Tabu ممکن است معمولا به عنوان یک حافظه موقت مورد بررسی قرار گیرد که چرخه بعضی از دامنه ها را متوقف می کند . ما در این قسمت بعضی از سیاستهای مدیریت را از Tabu list تشریح خواهیم کرد .
۱-۵ – تنوع اندازه لیست Tabu :
این طور به نظر میرسد که برای راحتی بیشتر همزمان ممکن است چند Tabu list مورد استفاده قرار گیرد . نقش اساسی Tabu list متوقف نمودن تکرار می باشد . اگر طول لیست بسیار کوتاه باشد این نتیجه حاصل نخواهد شد . با افزایش طول Tabu list ممکن است محدودیتهایی نیز رخ دهد .