مدیریت صنعتی
مینا کاظمیان؛ محمدعلی افشار کاظمی؛ کیامرث فتحی هفشجانی؛ محمد رضا معتدل
چکیده
یکی از چالشهایی که صنعت فولاد با آن روبهرو میباشد، اداره و مدیریت زنجیره تأمین میباشد. بر این اساس در تحقیق حاضر بر اساس سناریوهای 3 گانه عدم همکاری و حرکت همزمان (کورنو)، عدم همکاری و حرکت ترتیبی (استکلبرگ) و رفتار همکاری (تبانی)، در زنجیره تأمین فولاد پرداخته خواهد شد. روش تحقیق ازنظر هدف کاربردی میباشد. بازه زمانی تحقیق دادههای ...
بیشتر
یکی از چالشهایی که صنعت فولاد با آن روبهرو میباشد، اداره و مدیریت زنجیره تأمین میباشد. بر این اساس در تحقیق حاضر بر اساس سناریوهای 3 گانه عدم همکاری و حرکت همزمان (کورنو)، عدم همکاری و حرکت ترتیبی (استکلبرگ) و رفتار همکاری (تبانی)، در زنجیره تأمین فولاد پرداخته خواهد شد. روش تحقیق ازنظر هدف کاربردی میباشد. بازه زمانی تحقیق دادههای فصلی 2011 تا 2020 و نرمافزار مورداستفاده نرمافزار متلب میباشد. در این مقاله یک مدل ترکیبی بر اساس شبکههای عصبی مصنوعی و تئوری بازیها ارائه شده است تا بتواند در تعیین سطح قیمت و تولید بهینه به فعالان صنعت فولاد کمک کند. جهت پیشبینی قیمت فولاد از سه شبکه عصبی بیزین، بردارهای پشتیبان و پاد انتشارگراسبرگ بهره گرفته شد. نتایج بیانگر این واقعیت است که مدل پاد انتشار گراسبرگ دقت بالاتری در پیشبینی قیمت فولاد دارد. نتایج بیانگر این واقعیت است که با حرکت از سمت بازی کورنو به سمت بازی استکلبرگ و از بازی استکلبرگ به سمت بازی تبانی در زنجیره تأمین موجب افزایش قیمت در صنعت فولاد به ازای هر تن 6 دلار و میزان عرضه محصول در دامنه 1500 تا 4000 تن خواهد بود، به عبارتی با افزایش سطح تبانی در بازار فولاد میزان محصول بیشتری در بازار عرضهشده و همزمان سطح قیمت محصول نیز افزایش خواهد یافت که این امر موجب کاهش رفاه مصرفکننده فولاد در بازار خواهد شد.
محسن شفیعی نیک آبادی؛ کامبیز شاهرودی؛ اکرم اویسی عمران؛ محمدرضا خسروی
چکیده
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی دادهها از اهمیت فراوانی برخوردار است. در این پژوهش با استفاده از شبکه عصبی مصنوعی به تعیین ورودیها و خروجیهای شرکتهای برق منطقهای پرداخته شده است. کاربرد شبکه عصبی در انتخاب ورودیها و خروجیهای شرکتهای برق منطقهای امری است که در ادبیات موضوع سابقه نداشته ...
بیشتر
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی دادهها از اهمیت فراوانی برخوردار است. در این پژوهش با استفاده از شبکه عصبی مصنوعی به تعیین ورودیها و خروجیهای شرکتهای برق منطقهای پرداخته شده است. کاربرد شبکه عصبی در انتخاب ورودیها و خروجیهای شرکتهای برق منطقهای امری است که در ادبیات موضوع سابقه نداشته و مزیت اصلی روش پیشنهادی محسوب میشود. بهمنظور آموزش شبکه عصبی دو لایه MLP، از روش آموزش پس از انتشار خطای ارتجاعی استفاده گردید؛ پس از آموزش شبکه عصبی، عملکرد شبکه عصبی با استفاده از الگوهای تست، مورد بررسی قرار گرفت. مقدار RMSE مریوط به 15 الگوی تست برابر 0269/0 بهدست آمد که نشاندهنده دقت بالای شبکه آموزش داده شده است. تحلیل حساسیت پارامترهای مورد بررسی که همان ورودیها و خروجیهای تحلیل پوششی دادهها هستند، با افزایش ده درصدی پارامترها نسبت به حالت قبل از افزایش انجام شده و میانگین خطای نسبی خروجی برای پارامترهای شبکه عصبی محاسبه شده است. بر اساس میزان میانگین خطای نسبی خروجی، ورودیها و خروجیهای تحقیق مشخص گردید. مقایسه نمرات کارایی شرکتهای برق منطقهای قبل و بعد از کاهش تعداد متغیرها، تعداد شرکتهای کارا در طی شش دوره زمانی فوق از 4/62 درصد به 4/26 درصد کاهش یافته است.
ابوالفضل کاظمی؛ جواد قاسمی؛ وحید زندیه
دوره 9، شماره 23 ، دی 1390، ، صفحه 131-161
چکیده
در گذشته تصمیم گیری در مورد اعطای تسهیلات به مشتریان بانکها در ایران به روش سنتی و بر پایه قضاوت شخصی در مورد ریسک عدم بازپرداخت صورت می پذیرفت. لیکن افزایش فزاینده تقاضای تسهیلات بانکی از سوی بنگاه های اقتصادی و خانوارها از یک سو و افزایش رقابت های تجاری گسترده و تلاش بانک ها و موسسات مالی و اعتباری در کشور برای کاهش ریسک عدم بازپرداخت ...
بیشتر
در گذشته تصمیم گیری در مورد اعطای تسهیلات به مشتریان بانکها در ایران به روش سنتی و بر پایه قضاوت شخصی در مورد ریسک عدم بازپرداخت صورت می پذیرفت. لیکن افزایش فزاینده تقاضای تسهیلات بانکی از سوی بنگاه های اقتصادی و خانوارها از یک سو و افزایش رقابت های تجاری گسترده و تلاش بانک ها و موسسات مالی و اعتباری در کشور برای کاهش ریسک عدم بازپرداخت تسهیلات از سوی دیگر موجب به کار گیری روش های نوین از جمله روش های آماری در این زمینه شده است. امروزه بانک ها به منظور پیش بینی احتمال کوتاهی در بازپرداخت تسهیلات و طبقه بندی متقاضیان خود از رتبه بندی اعتباری مشتریان خود بهره می گیرند. صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان انواع تسهیلات از جمله مزایای آن می باشد. روش های آماری مختلفی همچون تحلیل ممیزی، رگرسیون لجستیک، هموارسازی ناپارامتریک و نیز روش هایی چون شبکه های عصبی در زمینه ی رتبه بندی اعتباری مورد استفاده قرار گرفته اند. از این میان شبکه های عصبی به دلیل قابلیت طبقه بندی، تعمیم و یادگیری الگوها نسبت به سایر روش ها از انعطاف پذیری بالاتری برخوردار بوده و در سال های اخیر مورد توجه بیشتری قرار گرفته اند. در این مقاله، ابتدا با بهره گیری از پرسشنامه و نظر خبرگان بانکی به انتخاب بعضی معیارهای مهم در اعطای انواع تسهیلات اعتباری اعم از مضاربه، مشارکت مدنی، فروش اقساطی و جعاله به مشتریان حقیقی یکی از بانک های خصوصی کشور می پردازیم. سپس با ارائه چهار مدل MOE، MLP، LVQ، و RBF از شبکه های عصبی و استفاده از داده های مشتریان حقیقی بانک مزبور در معیارهای انتخاب شده به طبقه بندی آنها پرداخته و دقت رتبه بندی مدل های مزبور را مورد ارزیابی قرار می دهیم. نتایج حاکی از آن است که مدل MOE دقیق تر از مدل های MLP و RBF می باشد و مدل LVQ از دقت قابل قبولی برای رتبه بندی اعتباری متقاضیان بانکی برخوردار نیست.
مهدی کاظمی؛ علی اکبر نیک نفس؛ وحید رنجبر
دوره 9، شماره 22 ، مهر 1390، ، صفحه 191-208
چکیده
ماهیت روابط تشریح کننده بسیاری از فرایندهای واقعی زندگی به ویژه در حوزه های تجاری و مدیریتی اغلب غیر خطی هستند. لذا پیش بینی رفتار چنین فرایندهایی نیازمند ابزارهای دقیق و اثر بخش است. شبکه های عصبی مصنوعی قادرند به عنوان یک ابزار مهم مدل سازی در پیش بینی مسائل کسب و کار، نقایص مدل های معمول را جبران نمایند. هدف مقاله حاضر نشان دادن برتری ...
بیشتر
ماهیت روابط تشریح کننده بسیاری از فرایندهای واقعی زندگی به ویژه در حوزه های تجاری و مدیریتی اغلب غیر خطی هستند. لذا پیش بینی رفتار چنین فرایندهایی نیازمند ابزارهای دقیق و اثر بخش است. شبکه های عصبی مصنوعی قادرند به عنوان یک ابزار مهم مدل سازی در پیش بینی مسائل کسب و کار، نقایص مدل های معمول را جبران نمایند. هدف مقاله حاضر نشان دادن برتری شبکه های عصبی در پیش بینی فرایند های غیر خطی در مقایسه با سایر مدلهای پیش بینی است. بدین منظور در این مقاله داده های مربوط به صنعت چوب ایران شامل مقدار تولیدات، مقدار واردات و ارزش ارزی واردات از سال 1961 تا سال 2007 میلادی مورد مطالعه قرار گرفته است. ابتدا با استفاده از این داده ها و اعمال شبکه عصبی و مدل های غیر خطی به دست آمده از نرم افزار MATLAB، پیش بینی هایی در مورد صنعت چوب ایران انجام شد و سپس با توجه به شاخص ها میانگین مطلق درصدی خطا نتایج به دست آمده از روش های مزبور با هم مقایسه شدند. یافته های تحقیق حاکی از موفقیت چشمگیر شبکه عصبی در هر سه مطالعه صورت گرفته نسبت به مدل های غیر خطی به دست آمده از نرم افزار MATLAB می باشد.
میرزا حسن حسینی؛ عبدالحمید صفایی قادیکلایی؛ سمیه علوی نژاد
دوره 8، شماره 19 ، دی 1389، ، صفحه 217-238
چکیده
امروزه روش های کمی، به یکی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان در بازار ها تبدیل شده اند. دقت پیش بینی، یکی از مهم ترین فاکتورهای انتخاب روش پیش بینی است؛ شبکه های عصبی مصنوعی، برنامه های کامپیوتری منعطفی هستند که در سطح گسترده ای برای پیش بینی با درجه بالایی از دقت به کار برده می شوند. در این مقاله ...
بیشتر
امروزه روش های کمی، به یکی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان در بازار ها تبدیل شده اند. دقت پیش بینی، یکی از مهم ترین فاکتورهای انتخاب روش پیش بینی است؛ شبکه های عصبی مصنوعی، برنامه های کامپیوتری منعطفی هستند که در سطح گسترده ای برای پیش بینی با درجه بالایی از دقت به کار برده می شوند. در این مقاله با استفاده از ترکیب منطق فازی و شبکه عصبی پس از انتشار مدلی برای پیش بینی فروش کاغذ روزنامه ارائه شده است. برای ارزیابی مدل پیشنهادی، از داده واقعی شرکت چوب و کاغذ مازندران استفاده شد. پس از جمع آوری اطلاعات لازم، به کمک نرم افزار MATLAB نسبت به تجزیه و تحلیل داده ها اقدام و مدل پیشنهادی برای پیش بینی فروش کاغذ روزنامه ارائه گردید. همچنین برای ارزیابی مدل پیشنهادی، نتایج پیش بینی با روش شبکه های عصبی فازی و روشهای رگرسیون و سری زمانی ARIMA مورد مقایسه قرار گرفت که نشان دهنده برتری شبکه عصبی فازی بر دو روش دیگر است.
محمود البرزی؛ سید امیر رضا ابطحی
دوره 4، شماره 13 ، تیر 1385، ، صفحه 41-66
چکیده
هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فرایندهای فیزیکی، شیمیایی، و الکتروشیمیایی آن توجه می شود و ...
بیشتر
هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فرایندهای فیزیکی، شیمیایی، و الکتروشیمیایی آن توجه می شود و مدلسازی بر اساس آنها انجام می پذیرد. با وجود موفقیت هایی که این مدل ها داشته اند لیکن به علت تعدد عوامل تاثیر گذار که بعضا ناشناخته نیز هستند نیاز به مدلهایی که با دقت بیشتری این پدیده را مدلسازی و پیش بینی کنند احساس می شود.
در این تحقیق برای پیش بینی نرخ خوردگی از مدل شبکه عصبی مصنوعی با بهینه سازی ژنتیک استفاده گردیده است. از بین مدل های مختلف شبکه عصبی شبکه عصبی چند لایه با الگوریتم یادگیری کاهش گرادیان انتخاب شده است. پس از ایجاد شبکه، فرایند آموزش شبکه با داده های موجود در یک پالایشگاه نفت مورد تحقیق انجام شد و سپس ارزیابی و آزمایش صورت گرفت. پس از آماده شدن شبکه جهت استخراج دانش از روش تحلیل حساسیت و الگوریتم گارسن استفاده شد.
نتایج تحقیق نشان می دهد که روش شبکه عصبی توانایی پیش بینی نرخ خوردگی را با ضریب همبستگی و خطای MSE قابل قبول دارد. بخش دیگری از نتایج که برگرفته از روش تحلیل حساسیت هستند نشان دهنده میزان تاثیر هر کدام از پارامترهای نفت خام بر روی خوردگی می باشد. طبق این نتایج نمک و گوگرد تاثیرگذارترین عوامل بر روی خوردگی در پالایشگاه مورد تحقیق هستند.
جمشید صالحی صدقیانی؛ سید امیر رضا ابطحی
دوره 4، شماره 13 ، تیر 1385، ، صفحه 89-122
چکیده
هدف از تدوین این مقاله معرفی رایانش نرم و روش های مختلف آن جهت مدل سازی پدیده ها می باشد. رایانش نرم به مجموعه در حال تکاملی از روش هایی گفته می شود که جهت ساخت سیستم های هوشمندی که همانند انسان استدلال می کنند و قابلیت مواجهه با عدم قطعیت در مسائل را دارند مورد استفاده قرار می گیرند.
در این مقاله در ابتدا به توضیح شبکه های عصبی در رویکرد ...
بیشتر
هدف از تدوین این مقاله معرفی رایانش نرم و روش های مختلف آن جهت مدل سازی پدیده ها می باشد. رایانش نرم به مجموعه در حال تکاملی از روش هایی گفته می شود که جهت ساخت سیستم های هوشمندی که همانند انسان استدلال می کنند و قابلیت مواجهه با عدم قطعیت در مسائل را دارند مورد استفاده قرار می گیرند.
در این مقاله در ابتدا به توضیح شبکه های عصبی در رویکرد رایانش نرم پرداخته می شود سپس روش های دیگر این رویکرد از قبیل الگوریتم ژنتیک و کلا مبحث یادگیری ماشینی توضیح داده خواهد شد. از آنجائیکه هدف اصلی در ساخت مدل کشف دانش از آن می باشد در ادامه روش های مختلف کشف دانش و قانون از شبکه های عصبی بیان خواهد شد.