امکان‌هایی را بساز که حتی در شرایط سخت هم باقی بمانند.

تفاوت واقعی v0.2 با نسخهٔ قبلی

سه سازوکار اصلی ارتقا

مدل سناریو؛ بدون احتمال ساختگی

هر سناریو انتخاب می‌کند که برای اثر مثبت، externality، هزینه، ریسک و confidence از کدام مقدار low/base/high استفاده شود. سناریوها وزن احتمالاتی ندارند. بنابراین میانگین امتیاز آن‌ها پیش‌بینی یا expected value نیست؛ فقط خلاصه‌ای توصیفی است.

امتیاز مقاوم:

RobustScore(plan) =
  min(score(plan, scenario))
  - regret_weight * max_regret(plan)

«بدترین حالت» فقط بدترینِ سناریوهای ورودی است، نه کران ریاضی همهٔ جهان‌های ممکن. پوشش سناریو را باید انسان و شواهد واقعی تعیین کنند.

نتیجهٔ اجرای نمونهٔ مصنوعی

Fixture شامل سه سناریو—کمبود منابع، مرجع و مساعد—و هفت اقدام پیشنهادی است. این داده‌ها اندازه‌گیری عملیاتی یا اطلاعات واقعی کاربران نیستند.

1. قرارداد شواهد قابل‌اندازه‌گیری
2. محیط بازپخش ایزوله با مرز بازگشت
3. آزمون بازتولید مستقل

نتیجهٔ ۱۰۰٪ پایداری فقط ویژگی این fixture است و به همهٔ مسائل یا آینده تعمیم داده نمی‌شود.

اعتبارسنجی و کارایی

این benchmark فقط زمان محاسبهٔ محلیِ همان fixture را اندازه می‌گیرد؛ نه بار هم‌زمان، I/O، شبکه، مدل، کیفیت تصمیم یا عملکرد تولیدی.

کد و بازتولید

نیازمندی: Python 3.10+ و کتابخانهٔ استاندارد؛ بدون GPU و سرویس بیرونی.

python3 existence_possibility_compiler_v02.py example_problem_v02.json \
  --now 2026-11-03T12:00:00Z --output example_result_v02.json

python3 -m unittest -v test_existence_possibility_compiler_v02.py
python3 benchmark_existence_engine_v02.py

• کد موتور EPC v0.2
• ۳۴ آزمون واحد
• تعریف مسئلهٔ مصنوعی سه‌سناریویی
• خروجی نمونه و decision digest
• اسکریپت benchmark
• نتیجهٔ benchmark
• گزارش خام آزمون‌ها
• راهنمای فنی، فرمول‌ها و محدودیت‌ها
• مانیفست SHA-256

پیشینهٔ پژوهشی و مرز نوآوری

بهینه‌سازی مقاوم چندمرحله‌ای و چندسناریویی، real options و تحلیل حساسیت دارای پیشینهٔ پژوهشی‌اند. این انتشار آن حوزه‌ها را به‌عنوان اختراع بی‌سابقه معرفی نمی‌کند.

• Shavazipour & Stewart, 2026 — چارچوب بهینه‌سازی مقاوم چندمرحله‌ای، چندسناریویی و چندهدفه.
• Shavazipour, Kwakkel & Miettinen, 2025 — جست‌وجوی تعاملی راه‌حل‌های مقاوم.
• Jin et al., 2025 — real options ترکیبی برای پروژه‌های چندمرحله‌ای R&D.
• Gotoh, Kim & Lim, 2025 — بهینه‌سازی توزیعاً مقاوم به‌عنوان مسئلهٔ چندهدفه.

تمایز طراحی این نسخه، ترکیب جبههٔ گزینه‌های پایدار با امتیازدهی بدترین سناریو/پشیمانی بیشینه و قیود صریح externality و قیمت سایهٔ منابع است. این ادعای تمایز در سطح پیاده‌سازی است؛ نه اثبات تقدم جهانی یا قابلیت ثبت اختراع. جست‌وجوی کامل پتنت و مقالات و داوری مستقل هنوز انجام نشده است.

گام بعدی

ارتقای بعدی باید پوشش سناریوها را ممیزی کند، حساسیت رتبه‌ها نسبت به حذف یا اضافه‌کردن سناریو را اندازه بگیرد، بازه‌ها را با دادهٔ تاریخی کالیبره کند و externalityهای غیرقابل‌تبدیل به یک عدد را نوع‌بندی کند. اتصال به اجرا فقط با هویت معتبر، اختیار محدود، تأیید دقیق، sandbox، راستی‌آزمایی پس از اجرا و ثبت ممیزی امکان‌پذیر است.