دوره 13، شماره 1 - ( 6-1395 )                   جلد 13 شماره 1 صفحات 72-51 | برگشت به فهرست نسخه ها

XML English Abstract Print


موسسه آموزش عالی رجاء، گروه مهندسی صنایع، قزوین
چکیده:   (5367 مشاهده)

تحلیل پوششی داده­ها (DEA) تکنیکی است که کارایی واحدهای تصمیم­گیرنده (DMU) را براساس ورودی­ها و خروجی­های آن‌ها اندازه گیری می­نماید. از آنجا که پیش­بینی کارایی واحدها برای برنامه­ریزی دقیق­تر برای آینده اهمیت بسزایی دارد، این مقاله ابتدا مدلی جدید به نام مدل تحلیل پوششی داده­های تصادفی فازی چندهدفه (MOFS-DEA) با اوزان مشترک در محیطی پویا  ارایه می­نماید که تغییرات داده­ها را در طول دوره­های متوالی ارزیابی در نظر می­گیرد. در این مدل از مفهوم مقدار مورد انتظار برای توابع هدف در راستای پیش­بینی کارایی مورد انتظار واحدها و نیز از مفهوم فازی متوسط شانس در بیان محدودیت­های مدل استفاده و همچنین در این مدل ورودی­ها و خروجی­ها به صورت  متغیرهای فازی مثلثی تصادفی با توزیع نرمال، فرض شده است. سپس تحت این فرض به دلیل پیچیده بودن فرآیند حل، مدل MOFS-DEA به مدل برنامه­ریزی تصادفی چندهدفه‌ی معادلش تبدیل می­گردد. آنگاه برای کاهش زمان محاسباتی، مدل تصادفی چند هدفه­ ی معادل MOFS-DEA با استفاده از رویکرد برنامه ­ریزی فازی به مدل تصادفی تک هدفه تبدیل می­ گردد. همچنین برای حل مدل حاصله، الگوریتم هیبریدی نوینی از طریق تلفیق الگوریتم ژنتیک (GA) و تکنیک شبیه­ سازی مونت­کارلو (MC) طراحی می­ گردد. نهایتاً در راستای تایید صحت و اثربخشی مدل و الگوریتم هیبریدی پیشنهادی، یک مطالعه‌ی موردی در انتها صورت گرفته و نتایج حاصله از الگوریتم پیشنهادی با نتایج حاصل از الگوریتم هیبریدی مشابه کین و لیو مقایسه می­ شود که نتایج حاکی از برتری زمان محاسباتی و کیفیت نتایج الگوریتم هیبریدی پیشنهادی می ­باشد.

متن کامل [PDF 331 kb]   (1690 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1395/4/28 | پذیرش: 1395/4/28 | انتشار: 1395/4/28

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.