تحقیق در عملیات: خلط جایگاه پژوهش و توسعه و تاثیر آن در معرفت پژوهشی

«تاکید بیش از حد بر روی شرایط رقابتی توسعه‌ی الگوریتم‌های سریع، اصولا غیرعقلانی بوده و در درازمدت بینشی جهت دستیابی به الگوریتم‌‌های مفید در پی نخواهد داشت.»، جان هوکر [۱]. مهمترین معضل شرایط رقابتی توسعه‌ی الگوریتم‌های کارا، ایجاد شرایط منصفانه جهت مقایسه است. شاید اولین ایده‌ای که به نظر می‌رسد این است که الگوریتم‌های پیشنهادی بر روی رایانه‌هایی با قدرت پردازش مساوی یا با قابلیت تنظیم اجرا شوند. لیکن فایق گشتن بر ابعاد پنهانی این معضل مانند مهارت‌های کدنویسی و تنظیمات اولیه قدری طاقت‌فرسا خواهد بود.

از طرفی طراحی و توسعه‌ی کدهایی در قالب دستکاری‌های هوشمندانه‌ی واحد ثبات (cpu) و حافظه‌ی سریع (cache) موقت (بخش‌های اصلی واحد پردازش مرکزی)، نگرش متفاوتی از ملاحظات علمی را می‌طلبد. بعنوان مثال، لاستینگ و همکاران [۲] اذعان داشتند در صورت ارائه‌ی روش نقطه درونی پس از تجاری‌سازی روش سیمپلکس (اشاره به طرح تجاری سازی روش سیمپلکس در بسته‌ی نرم‌افزاری Ilog CPLEX که در سال ۱۹۹۴ به رونق شگرفی دست یافت)، محتمل روش نقطه درونی از طرف متخصصین حوزه تحقیق در عملیات و علوم کامپیوتر تحت عناوینی چون «بدون آینده» و «غیر قابل اطمینان» اطلاق می‌شد. اغلب آزمایشات محاسباتی در نهایت به قیاس کیفیت جواب و یا زمان حل منتج می‌شوند. البته پرواضح است که درون‌مایه‌ی این فرایند کاهش زمان نهایی است؛ لیکن مد نظر این است که معیارهای سنجش صحیح علمی نباید تحت تاثیر این رقابت‌ها قرار گیرند. جان هوکر [۳]، دانشمند علوم کامپیوتر اذعان دارد که محققین مرتبط با حوزه‌ی علوم کامپیوتر در تمیز دو مقوله‌ی «پژوهش» و «توسعه» دچار سردرگمی شده‌اند. با تعمیم این گزاره به حوزه‌ی مهندسی صنایع، می‌توان اظهار کرد که جایگاه محققین به عنوان «محقق» به جای «توسعه‌دهنده» خلط شده است.

این همان روندی تاریخی است که مهندسان صنایع را از «مدل‌سازان» به «برنامه‌نویسان» تقلیل داده است.

از طرفی «هدف از مدل‌سازی (برنامه‌ریزی) ریاضی کسب بینش است نه بازی با اعداد.»، آرت جفریون [۴]. «اصلی‌ترین هدف علم تحقیق در عملیات خلق مدل‌های توصیفی است.»، جان هوکر [۱]. علی‌رغم اینکه علوم تجربی چون فیزیک، کیهان‌شناسی و … به سوالات کهن بشری پاسخگو هستند، علم تحقیق در عملیات با پیچیدگی‌های حاصل از یکپارچگی و هماهنگی فعالیت‌های روزمره بشری در مقیاس‌های محلی و جهانی سروکار دارد. لذا درک و واکاوی این پیچیدگی‌ها مستلزم طراحی و توسعه‌ی مدل‌هایی هستند که اولا) توصیف مناسبی از طبیعت و نحوه‌ی کارکرد آن مطرح کرده و ثانیا) پیش‌بینی قابل اطمینانی جهت برنامه‌ریزی عملیات ارائه دهند. در حقیقت فرایند مدل‌سازی مدل پیچیده‌ای از واقعیت ممکن به یک مدل ساده و قابل فهم است. مدل با هر ادبیاتی قابل بیان است. به عنوان مثال، در برنامه‌ریزی خطی، مدل‌سازی شامل شناسایی تابع هدف، متغیرها و محدودیت‌ها و نحوه‌ی ارتباط آنها با یکدیگر در مساله‌ای خاص است. از طرفی نشان داده شده است که روش‌های جریان‌های شبکه‌ای برای بسیاری از مسایل بهینه‌سازی ترکیباتی، مدل‌های مناسبی به لحاظ زمان حل و کیفیت جواب ارائه می‌دهند، مانند مسایل زنجیره‌های تامین، زمان‌بندی و تولیدی.

مختار بازارا و همکاران [۵] نشان داده‌اند که روش‌های حل مبتنی بر نظریات جریان‌های شبکه‌ای ۲۰۰ الی ۳۰۰ بار سریع‌تر از روش‌های پایه‌ریزی شده بر مبنای الگوریتم سیمپلکس عمل می‌کنند.

در حقیقت بسیاری از روش‌های حل مسایل بهینه‌سازی ترکیباتی در هسته از الگوریتم سیمپلکس بهره می‌برند، مانند درخت شاخه و کران. بسته‌های تجاری بر مبنای زبان بهینه‌سازی OPL این اجازه را به کاربر می‌دهند که مدل‌هایی که بر پایه‌ی مفاهیم منطق گزاره‌ای مانند جریان‌های شبکه‌ای توسعه می‌یابند بدون هیچ‌گونه واسطه‌ای اعم از قالب‌های برنامه‌ریزی خطی به هسته‌ی مرکزی رویه‌ی حل ترجمه شوند. مدل‌های این چنینی بایستی در سه بعد ریاضیاتی (انتزاعی)، مدیریتی و تصمیم‌گیری و محاسباتی تعادل ایجاد نمایند: در بعد ریاضیاتی ارزش توصیفی مدل، در بعد تصمیم‌گیری کیفیت جواب و ارزش اقتصادی مدل و به لحاظ محاسباتی سرعت و زمان حل. لذا جهت افزایش سطح کیفی مقالات علمی به لحاظ فرایندهای مدل‌سازی و محاسباتی توصیه می‌شود که سردبیران نشریات علمی، پارامتر سرعت محاسباتی را شرط اصلی قبولی و نشر مقالات قرار نداده و به تعادل سه بعد مذکور توجه کافی مبذول نمایند.

 

[۱]. Hooker, J.N., "Good and Bad Futures for Constraint Programming (and Operations Research)," Constraint Programming Letters, Vol. 1, pp. 21-32, 2007.

[۲]. Lustig, I.J., Marsten, R.E. , and Shanno, D.F., "Interior point methods for linear programming: Computational state of the art," Journal on Computing, Vol. 6, No. 1, pp. 1-14, 1994.

[۳].Hooker, J.N., "Testing Heuristics: We Have It All Wrong," Journal of Heuristics, Vol. 1, No. 1, pp. 33-42, 1995.

[۴]. Goeffrion, A.M., "The purpose of mathematical programming is insight, not numbers," Interfaces, Vol. 7, No. 1, pp. 81-92, 1976.

[۵]. Bazaraa, M.S., Jarvis, J.J. , and Sherali, H.D.; Linear programming and network flows, 4th Edition, Hoboken, New Jersey: Wiley & Sons, Inc., 2010.

0 Comments
Inline Feedbacks
View all comments