การพัฒนาขั้นตอนวิธีเชิงพันธุกรรมสำหรับการเลือกพันธมิตรในเครือข่ายธุรกิจ แบบมีตัวกลางหรือไม่มีตัวกลาง
คำสำคัญ:
การหาพันธมิตรทางธุรกิจ, ขั้นตอนวิธีเชิงพันธุกรรม, เมต้าฮิวริสติก, เอ็นพีฮาร์ดบทคัดย่อ
ในงานวิจัยนี้ศึกษาปัญหาการเลือกพันธมิตรทางธุรกิจในเครือข่ายธุรกิจ โดยที่บางองค์กรธุรกิจในเครือข่ายสามารถลงทุนเป็นพันธมิตรได้โดยตรง ในขณะที่บางองค์กรธุรกิจต้องลงทุนผ่านตัวกลาง และองค์กรธุรกิจที่เหลือสามารถลงทุนโดยตรงหรือผ่านตัวกลาง เพื่อให้ได้ผลประโยชน์รวมสูงสุดภายใต้งบประมาณที่จำกัด ปัญหานี้เป็นปัญหาที่มีความซับซ้อนและยากต่อการหาคำตอบ การดำเนินการวิจัยเริ่มต้นด้วยการพิสูจน์ว่าเป็นปัญหาเอ็นพีฮาร์ด ซึ่งบ่งบอกความซับซ้อนของปัญหาและความเหมาะสมในการประยุกต์ใช้ขั้นตอนวิธีเชิงพันธุกรรมกับปัญหานี้ จากนั้นทำการพัฒนาขั้นตอนวิธีสำหรับหาคำตอบที่เหมาะสมที่สุดและประยุกต์ใช้ขั้นตอนวิธีเชิงพันธุกรรมสำหรับปัญหานี้ จากการศึกษาพบว่าขั้นตอนวิธีสำหรับหาคำตอบที่เหมาะสมที่สุดเหมาะสำหรับเครือข่ายทางธุรกิจขนาดเล็กไม่เกิน 14 องค์กร และการเปรียบเทียบประสิทธิภาพการทำงานของขั้นตอนวิธีทั้งสอง พบว่าขั้นตอนวิธีเชิงพันธุกรรมให้คำตอบที่ตรงตามขั้นตอนวิธีสำหรับหาคำตอบที่เหมาะสมที่สุดบนตัวอย่างทดสอบเดียวกัน และใช้เวลาการประมวลผลที่น้อยกว่า นอกจากนี้ งานวิจัยนี้ได้ทำการทดลองเพื่อเปรียบเทียบประสิทธิภาพของขั้นตอนวิธีเชิงพันธุกรรมและการหาค่าที่เหมาะสมโดยใช้ฝูงอนุภาคกับค่าที่เหมาะสมที่สุด ผลการทดลองพบว่าขั้นตอนวิธีเชิงพันธุกรรมให้คำตอบที่ถูกต้องทั้งหมดสำหรับตัวอย่างที่นำมาทดสอบ อย่างไรก็ตามการหาค่าที่เหมาะสมโดยใช้ฝูงอนุภาคให้คำตอบที่ผิดพลาดเพียงเล็กน้อย โดยให้ผลที่ผิดพลาดไม่เกิน 15% และค่าสถิติทดสอบ t = 1.497 , p = 0.145 > 0.05 แสดงให้เห็นว่า ทั้ง 2 ขั้นตอนวิธีไม่มีความแตกต่างอย่างมีนัยสำคัญ อย่างไรก็ตามด้านเวลาการประมวลผลขั้นตอนวิธีเชิงพันธุกรรมใช้เวลาการประมวลผลน้อยกว่าการหาค่าที่เหมาะสมโดยใช้ฝูงอนุภาคอย่างชัดเจน และเพื่อเป็นการแสดงให้เห็นว่าขั้นตอนวิธีเชิงพันธุกรรมเหมาะสมกับเครือข่ายทางธุรกิจขนาดใหญ่ งานวิจัยนี้จึงได้ทำการทดสอบประสิทธิภาพการประมวลผลบนตัวอย่างเครือข่ายทางธุรกิจที่มีจำนวนโหนด 60 ถึง 100 โหนด ผลการทดสอบแสดงให้เห็นว่าขั้นตอนวิธีเชิงพันธุกรรมให้คำตอบที่ถูกต้องทั้งหมด และใช้เวลาการประมวลผลไม่นานเกินไป ดังนั้น ขั้นตอนวิธีเชิงพันธุกรรมจึงเหมาะสมสำหรับใช้แก้ปัญหานี้ในกรณีที่เครือข่ายธุรกิจที่มีจำนวนองค์กรธุรกิจจำนวนมากและมีความซับซ้อนสูง
เอกสารอ้างอิง
R. Culpan, Global business alliances: theory and practice. New York, NY, USA: Bloomsbury Publishing USA., 2002.
M. Masrurul, "An overview of strategic alliance: competitive advantages in alliance constellations," Advances in Management., vol. 5, p. 12, 2012.
A. Rai, S. Borah, and A. Ramaprasad, "Critical success factors for strategic alliances in the information technology industry: an empirical study," Decision Sciences., vol. 27, no. 1, pp. 141–155, 1996.
B. N. Anand and T. Khanna, "Do firms learn to create value? the case of alliances," Strategic Management Journal., vol. 21, no. 3, pp. 295–315, 2000.
P. Anslinger and J. Jenk, "Creating successful alliances," Journal of Business Strategy., vol. 25, no. 2, pp. 18–22, 2004.
J. H. Dyer and H. Singh, "The relational view: cooperative strategy and sources of interorganizational competitive advantage," Academy of Management Review., vol. 23, no. 4, pp. 660–679, 1998.
S. Roshandel, M. H. Karimi Govareshaki, and M. Abbasi, "Developing the maturity model of strategic alliances using the weighted fuzzy inference system," [Online]. Available: https://doi.org/10.22105/riej.2024.454302.1439. [Accessed 26 November 2024].
Z.-B. Zeng, Y. Li, and W. Zhu, “Partner selection with a due date constraint in virtual enterprises,” Applied Mathematics and Computation., vol. 175, no. 2, pp. 1353–1365, 2006, doi: https://doi.org/10.1016/j.amc.2005.08.022.
Q. Zhao, X. Zhang, and R. Xiao, “Particle swarm optimization algorithm for partner selection in virtual enterprise,” Progress in Natural Science., vol. 18, no. 11, pp. 1445–1452, 2008, doi: https://doi.org/10.1016/j.pnsc.2008.03.030.
S. D. Dao, K. Abhary, and R. Marian, “Optimisation of partner selection and collaborative transportation scheduling in Virtual Enterprises using GA,” Expert Systems with Applications., vol. 41, no. 15, pp. 6701–6717, 2014, doi: https://doi.org/10.1016/
j.eswa.2014.04.030.
Y. Cheng, Y. Li, and Y. Li, “An optimization model of partner selection of joint distribution alliance considering the supply and demand matching degree,” IEEE Access., vol. 7, pp. 162454–162464, 2019, doi: https://doi.org/10.1109/access.2019.295220.
M. R. Garey and D. S. Johnson, Computers and Intractability. W.H. Freeman, 1979.
H. Zhou, M. Song, and W. Pedrycz, "A comparative study of improved GA and PSO in solving multiple traveling salesmen problem," Applied Soft Computing., vol. 64, pp. 564–580, 2018.
S. G. Andrab, A. Hekmat, and Z. B. Yusop, "A review: evolutionary computations (GA and PSO) in geotechnical engineering," Computational Water, Energy, and Environmental Engineering., vol. 6, no. 2, pp. 154–179, 2017.
X. Yan, C. Zhang, W. Luo, W. Li, W. Chen, and H. Liu, "Solve traveling salesman problem using particle swarm optimization algorithm," International Journal of Computer Science., vol. 9, no. 6, pp. 264–271, 2012.
A. G. Gad, "Particle swarm optimization algorithm and its applications: a systematic review," Archives of Computational Methods in Engineering., vol. 29, no. 5, pp. 2531–2561, 2022.
D. Henderson, S. H. Jacobson, and A. W. Johnson, "The theory and practice of simulated annealing," in Handbook of Metaheuristics, Boston, MA: Springer, 2003, pp. 287–319.
M. Dorigo and L. M. Gambardella, "Ant colony system: a cooperative learning approach to the traveling salesman problem," IEEE Transactions on Evolutionary Computation., vol. 1, no. 1, pp. 53-66, 1997.
J. Edmonds, “Optimum branchings,” Journal of Research of the National Bureau of Standards Section B Mathematics and Mathematical Physics., vol. 71B, no. 4, pp. 233–233, 1967, doi: https://doi.org/10.6028/jres.071b.032.
A. Hagberg, P. J. Swart, and D. A. Schult, “Exploring Network Structure, Dynamics, and Function Using NetworkX”, in SCIPY 08, Los Alamos, NM, USA, 2008.
Pasa Opasen, "geneticalgorithm2: Advanced genetic algorithm in python," gitHub repository, [Online]. Available: https://github.com/ PasaOpasen /geneticalgorithm2. [Accessed: 19 October 2024].
L. J. Miranda, "PySwarms: a research toolkit for particle swarm optimization in Python," Journal of Open Source Software., vol. 3, no. 21, p. 433, 2018, doi: 10.21105/joss.00433.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
