Robustness Analysis in Decision Aiding, Optimization, and Analytics

این کتاب پوشش گسترده ای از پیشرفت های اخیر در تجزیه و تحلیل استحکام در کمک تصمیم گیری، بهینه سازی و تجزیه و تحلیل ارائه می دهد. این یک تصویر جامع از چالش‌هایی را ارائه می‌دهد که استحکام در زمینه‌های مختلف تحقیقات عملیات و علم مدیریت (OR/MS) و روش‌های پیشنهادی از دیدگاه‌های متعدد ایجاد می‌کند. علاوه بر پوشش پیشرفت‌های روش‌شناختی اخیر، این جلد همچنین دارای کاربردهای تکنیک‌های قوی در مهندسی و مدیریت است، بنابراین مسائل استحکام مطرح شده در مسائل دنیای واقعی و حل آنها را در پیشرفت‌های متدولوژی‌های OR/MS نشان می‌دهد.
تحلیل استحکام به دنبال پرداختن به آن است. با ترویج راه حل هایی که تحت مجموعه گسترده ای از فرضیه ها، مفروضات و برآوردها قابل قبول هستند، مسائل را مطرح می کند. در OR/MS، استحکام بیشتر در زمینه بهینه سازی تحت عدم قطعیت مشاهده شده است. با این حال، چندین محقق بر جنبه‌های متعدد تحلیل استحکام در یک دیدگاه گسترده‌تر OR/MS که فراتر از چارچوب سنتی است، تأکید کرده‌اند و به دنبال پوشش ماهیت پشتیبانی تصمیم روش‌شناسی OR/MS نیز هستند. با ظهور چالش‌های جدید در عصر «داده‌های بزرگ»، که در آن حجم اطلاعات، سرعت جریان و پیچیدگی به سرعت افزایش می‌یابد و تحلیل‌ها نقش اساسی برای تصمیم‌گیری استراتژیک و عملیاتی در سطح جهانی ایفا می‌کنند، مسائل استحکام مانند مواردی که در این کتاب پوشش داده شده است، بیش از هر زمان دیگری برای ارائه پشتیبانی صحیح از تصمیم گیری از طریق ابزارهای تحلیلی قدرتمندتر مرتبط هستند.

This book provides a broad coverage of the recent advances in robustness analysis in decision aiding, optimization, and analytics. It offers a comprehensive illustration of the challenges that robustness raises in different operations research and management science (OR/MS) contexts and the methodologies proposed from multiple perspectives. Aside from covering recent methodological developments, this volume also features applications of robust techniques in engineering and management, thus illustrating the robustness issues raised in real-world problems and their resolution within advances in OR/MS methodologies.
Robustness analysis seeks to address issues by promoting solutions, which are acceptable under a wide set of hypotheses, assumptions and estimates. In OR/MS, robustness has been mostly viewed in the context of optimization under uncertainty. Several scholars, however, have emphasized the multiple facets of robustness analysis in a broader OR/MS perspective that goes beyond the traditional framework, seeking to cover the decision support nature of OR/MS methodologies as well. As new challenges emerge in a “big-data'” era, where the information volume, speed of flow, and complexity increase rapidly, and analytics play a fundamental role for strategic and operational decision-making at a global level, robustness issues such as the ones covered in this book become more relevant than ever for providing sound decision support through more powerful analytic tools.