HF-GDEA : رویکرد فازی جدید در تلفیق رتبه بندی مدل های آرمانی تحلیل پوششی داده ها
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 220
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_DMOR-6-1_004
تاریخ نمایه سازی: 15 شهریور 1400
Abstract:
مدل تحلیل پوششی داده ها مبتنی بر برنامه ریزی آرمانی (GDEA) با افزایش میزان تفکیک پذیری و ارائه وزن های واقعی به واحدهای تصمیم گیری (DMU) به دنبال رفع نواقص مدل تحلیل پوششی داده ها (DEA) کلاسیک و پایه ای می باشد. نتایج تجربی حاکی از عدم رفع کامل نقایص در برخی از نمونه های مورد آزمایش توسط مدل های GDEA می باشند.همچنین در محاسبه جواب بهینه با روش های مختلف ارزیابی کارایی واحدها، با دسته ای از جواب های بهینه پارتو مواجه هستیم که یک مدیر تصمیم گیرنده را در انتخاب مناسب ترین جواب با چالش جدی مواجه می کند. برای رفع این معضل، در گام نخست در این مقاله، با استفاده از مفاهیم منطق فازی، رویکرد F-GDEA را که یک مدل مبتنی بر منطق فازی در حل مدل های GDEA است، پیشنهاد می دهیم که باعث افزایش قدرت تفکیک پذیری روش ها در رتبه بندی واحدها می شود. در گام دوم، با در نظر گرفتن رتبه بندی های متنوع حاصل از اعمال مدل های برنامه ریزی مختلف، با استفاده از رویکرد F-GDEA یک رویکرد تلفیقی فازی جدید به نام اختصاری HF-GDEA پیشنهاد می دهیم. با این رویکرد پیشنهادی، رتبه بندی حاصل از روش های مختلف را با یکدیگر تلفیق نموده و یک رتبه بندی جدید برای واحدهای تصمیم گیری ارائه می دهیم، به عبارت دیگر، رویکرد HF-GDEA، امکان مقایسه و درنتیجه انتخاب یک جواب بهینه از بین جواب های بهینه پارتو را فراهم می سازد. در پایان رویکرد پیشنهادی بر روی دو نمونه کاربردی اعمال و نتایج عددی آن آورده شده است.
Keywords:
Authors
حمیدرضا یوسف زاده
گروه ریاضی، دانشگاه پیام نور، تهران، ایران.
اعظم تیموری
گروه ریاضی، دانشگاه پیام نور، تهران، ایران.
عقیله حیدری
گروه ریاضی، دانشگاه پیام نور، تهران، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :