Моделирование и оптимизация логистического, информационного и экономико-финансового межкластерного взаимодействия с использованием муравьиного алгоритма
Яшин С.Н.доктор экономических наук, профессор, заведующий кафедрой менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация jashinsn@yandex.ru https://orcid.org/0000-0002-7182-2808 SPIN-код: 4191-7293
Кошелев Е.В.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация ekoshelev@yandex.ru https://orcid.org/0000-0001-5290-7913 SPIN-код: 8429-5702
Борисов С.А.кандидат экономических наук, доцент кафедры менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет имени Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация ser211188@yandex.ru https://orcid.org/0000-0002-6829-0230 SPIN-код: 9422-4591
Предмет. Создание технологии моделирования и оптимизации экономико-финансового, информационного и логистического межкластерного взаимодействия в пределах федерального округа. Цели. Предложить модель выбора определения оптимального центра промышленной агломерации для инновационно-индустриальных кластеров, расположенных в одном федеральном округе. Методология. Проблема решается как квадратичная задача о назначениях с использованием муравьиного алгоритма. Результаты. Для Приволжского федерального округа получен оптимальный вариант промышленной агломерации Самара-Ульяновск-Димитровград. Ей соответствуют наименьшие транспортные издержки. Результатом оптимизации информационного взаимодействия стала та же промышленная агломерация, в которой наблюдается наименьшая для ПФО естественная убыль населения. Выводы. Сокращение общих транспортных издержек и естественной убыли населения в ПФО в случае размещения центра промышленной агломерации в полученных трех городах позволит качественно улучшить процесс форсайта эволюции крупной инновационной системы, представленной исследуемым округом.
Ключевые слова: квадратичная задача о назначениях, межкластерное взаимодействие, муравьиный алгоритм, промышленная агломерация
Список литературы:
Anstreicher K.M. Recent Advances in the Solution of Quadratic Assignment Problems. Mathematical Programming, Series B, 2003, vol. 97, pp. 27–42. URL: Link
Anstreicher K.M., Brixius N.W., Goux J.P., Linderoth J. Solving Large Quadratic Assignment Problems on Computational Grids. Mathematical Programming, Series B, 2002, vol. 91, pp. 563–588. URL: Link
Drezner Z., Hahn P.M., Taillard E.D. Recent Advances for the Quadratic Assignment Problem with Special Emphasis on Instances that are Difficult for Meta-Heuristic Methods. Annals of Operation Research, 2005, vol. 139, pp. 65–94. URL: Link
Rendl F., Sotirov R. Bounds for the Quadratic Assignment Problem Using the Bundle Method. Mathematical Programming, 2007, vol. 109, pp. 505–524. URL: Link
Hahn P.M., Kim B.-J., Monique G. et al. An Algorithm for the Generalized Quadratic Assignment Problem. Computational Optimization and Applications, 2008, vol. 40, Article no. 351. URL: Link
Povh J., Rendl F. Copositive and Semidefinite Relaxations of the Quadratic Assignment Problem. Discrete Optimization, 2009, vol. 6, iss. 3, pp. 231–241. URL: Link
Erdoğan G., Tansel B.Ç. Two Classes of Quadratic Assignment Problems that are Solvable as Linear Assignment Problems. Discrete Optimization, 2011, vol. 8, iss. 3, pp. 446–451. URL: Link
Ahuja R.K., Orlin J.B., Tiwari A. A Greedy Genetic Algorithm for the Quadratic Assignment Problem. Computers & Operations Research, 2000, vol. 27, iss. 10, pp. 917–934. URL: Link00067-2
Кравец О.Я., Сафронова А.П. Обзор методов структурного синтеза для решения квадратичных задач о назначениях // Современная наука: Актуальные проблемы теории и практики: научно-практический журнал. Серия Естественные и технические науки. 2013. № 9-10. С. 66—72.
Tasgetiren M.F., Pan Q.-K., Suganthan P.N., Dizbay I.E. Metaheuristic Algorithms for the Quadratic Assignment Problem. 2013 IEEE Symposium on Computational Intelligence in Production and Logistics Systems (CIPLS), 2013, pp. 131–137. URL: Link
Drezner Z. The Quadratic Assignment Problem. In: G. Laporte, S. Nickel, and F.S. da Gama (Eds) Location Science. Chum, Heidelberg, Springer, 2015, pp. 345–363. URL: Link
Kim S., Kojima M., Toh K.C. A Lagrangian-DNN Relaxation: A Fast Method for Computing Tight Lower Bounds for a Class of Quadratic Optimization Problems. Mathematical Programming, 2016, vol. 156, pp. 161–187. URL: Link
Monmarché N., Guinand F., Siarry P. Artificial Ants. Wiley-ISTE, 2010, 576 p.
Dorigo M., Stültze T. Ant Colony Optimization. The MIT Press, 2004, 321 p.
Fujisawa R., Dobata S., Sugawara K., Matsuno F. Designing Pheromone Communication in Swarm Robotics: Group Foraging Behavior Mediated by Chemical Substance. Swarm Intelligence, 2014, vol. 8, no. 3, pp. 227–246. URL: Link
Lima D.A., Oliveira G.M.B. A Cellular Automata Ant Memory Model of Foraging in a Swarm of Robots. Applied Mathematical Modelling, 2017, vol. 47, pp. 551–572. URL: Link
Zhang Y., Wang S., Ji G. A Rule-Based Model for Bankruptcy Prediction Based on an Improved Genetic Ant Colony Algorithm. Mathematical Problems in Engineering, 2013, pp. 1–10. URL: 10.1155/2013/753251" target="_blank">Link
Tsutsui Sh. Parallel Ant Colony Optimization for the Quadratic Assignment Problems with Symmetric Multi Processing. ANTS 2008: Ant Colony Optimization and Swarm Intelligence, pp. 363–370. URL: Link
Mouhoub M., Wang Zh. Improving the Ant Colony Optimization Algorithm for the Quadratic Assignment Problem. 2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence), 2008, pp. 250–257. URL: Link
Oliveira S.M., Hussin M.S., Stützle T. et al. A Detailed Analysis of the Population-Based Ant Colony Optimization Algorithm for the TSP and the QAP. Genetic and Evolutionary Computation Conference, GECCO'11 – Companion Publication, 2011, pp. 13–14. URL: Link
Oliveira S., Hussin M.S., Roli A., Dorigo M., Stützle T. Analysis of the Population-Based Ant Colony Optimization Algorithm for the TSP and the QAP. 2017 IEEE Congress on Evolutionary Computation (CEC), 2017, pp. 1734–1741. URL: Link
