+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Финансы и кредит»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
LCCN Permalink
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Моделирование и оптимизация логистического, информационного и экономико-финансового межкластерного взаимодействия с использованием муравьиного алгоритма

Купить электронную версию статьи

т. 26, вып. 11, ноябрь 2020

Получена: 27.08.2020

Получена в доработанном виде: 10.09.2020

Одобрена: 24.09.2020

Доступна онлайн: 27.11.2020

Рубрика: Инвестиционная деятельность

Коды JEL: C63, E17, O21, O36

Страницы: 2427–2447

https://doi.org/10.24891/fc.26.11.2427

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:

  1. Anstreicher K.M. Recent Advances in the Solution of Quadratic Assignment Problems. Mathematical Programming, Series B, 2003, vol. 97, pp. 27–42. URL: Link
  2. 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
  3. 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
  4. Rendl F., Sotirov R. Bounds for the Quadratic Assignment Problem Using the Bundle Method. Mathematical Programming, 2007, vol. 109, pp. 505–524. URL: Link
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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.
  10. 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
  11. 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
  12. 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
  13. Monmarché N., Guinand F., Siarry P. Artificial Ants. Wiley-ISTE, 2010, 576 p.
  14. Dorigo M., Stültze T. Ant Colony Optimization. The MIT Press, 2004, 321 p.
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 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

Посмотреть другие статьи номера »

 

ISSN 2311-8709 (Online)
ISSN 2071-4688 (Print)

Свежий номер журнала

т. 28, вып. 5, май 2022

Другие номера журнала