چکیده:
آنالیز چندمعیارۀ ABC روش شناختهشدهای برای طبقهبندی موجودیهاست که اغلب رویکرد جبرانی را برای تجمیع معیارها لحاظ میکند، یعنی ضعف موجودی در یک معیار با عملکرد خوب آن در معیارهای دیگر جبران میشود. تا جایی که میدانیم رویکرد غیرجبرانی در ایران بهطور کافی مطالعه نشده است. مدل ELECTRE TRI از مدلهای مبتنی بر روابط برتری است که این رویکرد را در محاسبات لحاظ میکند، ولی با توجه به پیچیدگی و هزینهبربودن، این مدل در تعیین مقادیر ترجیحات تصمیمگیرندگان (پارامترها)، از اقبال خوبی برخوردار نبوده است. بدین منظور در این مقاله روشی ارائه میشود که با استفاده از الگوریتم بهینهسازی تراکم ذرات (PSO)، مقادیر تمام پارامترها را از دادههای آموزشی شامل تصمیمات قبلی تصمیمگیرندگان یاد میگیرد و در طبقهبندی موجودیهای جدید بهکار میبرد. روش پیشنهادی برخلاف مدلهای استاندارد دادهکاوی که طبقهبندی را بهصورت اسمی انجام میدهند، متناسب با روش ABC اقلام موجودی را بهصورت رتبهای طبقهبندی میکند. نتایج بهدستآمده از آنالیز تجربی روش پیشنهادی روی دیتاستهای موجودی، کارایی و قابلیت رقابت آن را در مقایسه با سایر مدلهای طبقهبندی نشان میدهد.
The multi-criteria ABC analysis is a well known inventory management method for classifying inventory. In the most ABC classification applications, it has been considered fully compensatory approaches, i.e. items have been privilege badly in one or more criteria could be placed in good classes, so it is necessary non-compensatory approach to be noticed. ELECTRE TRI is an outranking relations based model that consider non-compensatory approach, although suffers from the complexity and cost of determining the large number of decision-makers preferences (parameters). In this paper we propose a new method which learns all the decision-maker's preferences from assignment example at the same time using the Particle Swarm Optimization(PSO) algorithm, and will be applied in ABC classification. Against the data mining standard techniques that classify items in nominal way, this model has the ability to categorize items into ordinal classes. The evaluation of proposed method on the illustrated inventory datasets shows high quality and competitive results compared with several standard classification models.
خلاصه ماشینی:
اين پژوهش قصد دارد، با ارائة روش و مدل تکاملي مبتني بر الگوريتم هاي هوش جمعي ، نسبت به استنتاج کلية پارامترهاي مدل ELECTRE TRI در روية بدبينانه ٧ از درون تجربه هاي آزمون شده و محدود تصميم گيرندگان ، به منظور طبقه بندي ABC موجودي ها در قالبي فراگيرتر اقدام کند.
Particle Swarm Optimization پيشينة پژوهش از زماني که مدل هاي پشتيبان تصميم چندمعياره به عنوان ابزاري قدرتمند، پاسخگوي نيازهاي مديران در تصميم سازي هاي پيچيده شدند، مقالات بسياري در حوزة طبقه بندي چندمعيارة موجودي ارائه شد، پياده سازي مدل هاي مبتني بر روابط برتري که شناخته شده ترين آنها ELECTRE TRI است ، به تعيين تعداد زيادي پارامتر توسط تصميم گيرنده نياز دارد.
تابع برازش مدل ، وظيفة ارزيابي تابع هدف مسئله را بر عهده دارد، به بيان ديگر تابع برازش نشان دهندة ميزان اقلام درست طبقه بندي شده براساس تکنيک به کاررفته در روش تصميم گيري ELECTRE TRI در مقايسه با طبقه بندي واقعي مثال هاي تخصيص است .
فرض Ho براي آزمون هاي چهارگانه به منظور مقايسة EL-VPPSO در مقابل ساير الگوريتم ها ( به تصوير صفحه مراجعه شود)نتيجه گيري و پيشنهادها نتايج اولية اين پژوهش حاکي از عملکرد و دقت مناسب فرايند يادگيري الگوريتم تکاملي -EL VPPSO در استنتاج پارامترهاي اولية تکنيک تصميم گيري ELECTRE TRI مبتني بر روية بدبينانه از مثال هاي تخصيص به منظور طبقه بندي ABC چندمعياره موجودي است .