ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب

گلزار, ابراهیم; نجفی, سید اسماعیل; عدالت پناه, سید احمد; عزیزی, امیر

doi:10.22054/jims.2024.79619.2918

فهرست نشریات

اخذ رتبه توسط نشریه پژوهش‌های رهبری آموزش از وزارت علوم، تحقیقات و فناوری

اخذ رتبه «الف» توسط نشریه پژوهشنامه معارف قرآنی از وزرات علوم، تحقیقات و فناوری

نشست مشورتی مسئولان مجلات علمی دانشگاه علامه‌طباطبائی

نتایج ارزیابی علمی نشریات دانشگاه علامه طباطبائی در سال ۱۴۰۱; 19عنوان موفق به دریافت رتبه الف شدند.

تعداد نشریات	60
تعداد شماره‌ها	2,022
تعداد مقالات	16,253
تعداد مشاهده مقاله	42,474,085
تعداد دریافت فایل اصل مقاله	24,311,880

	ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب
مطالعات مدیریت صنعتی
مقاله 4، دوره 22، شماره 74، مهر 1403 اصل مقاله (1.17 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jims.2024.79619.2918
نویسندگان
ابراهیم گلزار¹؛ سید اسماعیل نجفی^* ²؛ سید احمد عدالت پناه³؛ امیر عزیزی⁴
¹دانشجوی دکتری رشته مهندسی صنایع، دانشکده فنی و مهندسی،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
²دانشیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
³دانشیارگروه ریاضی کاربردی، موسسه آموزش عالی آیندگان، تنکابن، ایران
⁴استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
چکیده
ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیلها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم‌گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک‌های تحلیل پوششی داده‌ها اسلک محور و الگوریتم‌های پیشرفته یادگیری ماشین استفاده می‌شود. مدل پیشنهادی به‌خصوص بر بهبود کارایی با توجه به ستانده‌های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبانی و XGBoost برای پیش‌بینی و بهبود نتایج مدل‌های SBM مورد استفاده قرار گرفته‌اند. این مطالعه شامل ارزیابی 37 واحد تصمیم‌گیری زیرمجموعه شرکت ملی پخش فرآورده‌های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده‌های پیش‌بینی‌شده در مقایسه با داده‌های واقعی است. این تحقیق نه تنها به ارائه دیدگاه‌های جدید در ارزیابی و بهبود کارایی کمک می‌کند، بلکه روش‌های ترکیبی نوآورانه‌ای را برای مقابله با چالش‌های موجود در مدیریت عملیاتی ارائه می‌دهد.
کلیدواژه‌ها
تحلیل پوششی داده‌ها؛ یادگیری ماشین؛ شبکه عصبی مصنوعی؛ ماشین بردار پشتیبان؛ ستانده‌های نامطلوب

مراجع

آمار تعداد مشاهده مقاله: 300 تعداد دریافت فایل اصل مقاله: 232

سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب

پیوندهای مفید

اخبار و اعلانات

آمار

ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب