ORIGINAL_ARTICLE
طرح ریزی و بهبود بسط عملکرد کیفیت )رویکرد مدل کانو فازی(
یکی از تکنیک های به کاررفته در مباحث کیفیتی مدل گسترش مشخصه های کیفیت است و یکیاز ابزارهای مورد استفاده در این روش، تکمیل خانه کیفیت و در نتیجه تعیین ضریب اهمیتخواسته های مشتری است. مدل کانو یک مدل کیفیت دو بعدی است که به تولید کنندگان کمکمی کند تا خواسته های مشتری را به پنج دسته اساسی، عملکردی، مهیج، بی تفاوت و معکوس تقسیمکنند. در این تحقیق با مشخص کردن خواسته مشتری به تعیین نوع آنها پرداخته می شود و سپس باتوجه به نسبت بهبود و درجه اهمیت نیازها، ضریب اهمیت هر نیاز تعیین می شود. از ضرایب اهمیت بهدست آمده می توان در تکمیل خانه کیفیت که یکی از ابزارهای مفید در گسترش مشخصه هایکیفیت است، استفاده کرد. تحقیق حاضر از نوع کاربردی است که قصد دارد دستاوردهای علمیحاصل از تحقیقات بنیادی را به حوزه تکنولوژی انتقال دهد.این چارچوب یک الگوریتم عمومیاست که برای هر محصولی قابل استفاده است، اما برای نمونه در سال 8811 در شرکت سیمانبه کار گرفته شده است. II لارستان تولید کننده سیمان پرتلند تی
https://jims.atu.ac.ir/article_1900_0b2ae73a09168f33485427d6f3e15141.pdf
2012-12-21
6
21
خانه کیفیت
مدل کانو فازی
خواسته های مشتری
ضریب اهمیت خواسته مشتری
عادل
آذر
fatemeh.mojibian@gmail.com
1
استاد گروه مدیریت صنعتی دانشگاه تربیت مدرس
AUTHOR
مریم
شریعتی راد
2
دانش اموخته مدیریت صنعتی دانشگاه تربیت مدرس
AUTHOR
9. مهرگان، محمد رضا. قاسمی، مهرداد.. "استفاده از مدل کانو در تعیین امتیاز کیفیت
1
81،1381-61 ، شرکت های صنعتی". دانش مدیریت، سال پانزدهم، شماره 56
2
شناخت، بررسی و تحلیل نیازهای مشتریان شرکت آرماتت ، « . 2. اسدی، عبدالمجیدد . 1381
3
بده .» سازنده کف پوش سخت صنعتی با استفاده از روش توسعه مشخصه کیفیت
4
راهنمایی: محمد قدسی. پایان نامه کارشناسی ارشد، دانشکده فنی مهندسی، دانشدااه تربیدت
5
3. Houser, J.R. and Clausing, D., »The house of quality«. Harvard besiness
6
review, vol 32(5), PP 63-73,1998
7
4. Karsak, E.Sozer, S.Alptekin, S. »Product planning in quality function
8
deployment using a combined analytic network process and goal
9
programming approach«. Computers & industrial engineering, vol 44,
10
pp 171-190, 2002.
11
5. Chen, L.H and KO, W.C., »A fuzzy nonlinear model for quality
12
function deployment considering Kano concept«. Mathematical and
13
computer modeling, 2007.
14
6. Lee, Y.C, Sheu, L.C., and Tsou. Y.G; »Quality function deployment
15
implementation based on fuzzy Kano model: an application in PLM
16
system«, computer and industrial engineering, vol 55, PP48-63,2008
17
7. Matzler, K. and Hinterhuber, H. H., »How to make product
18
development project more successful by integrating kanos model of
19
customer satisfaction into quality function deployment«,
20
Technovation,Vol 18(1), p25-39,1998
21
8. Lee, Y. C. and Huang, S.Y, »a new fuzzy concept approach for kanos
22
model«, Expert system with application, vol 36, PP 4479-4484,2008.
23
9. Berger, C. et al, »Kano's methods for understanding customer defined
24
quality«. Center for quality management journal. Full, PP 3-35, 1993
25
ORIGINAL_ARTICLE
ارائه یک شاخص اعتبار خوشه بندی جدید با استفاده از معیار فاصله جاکارد
تخمین تعداد بهینه خوشهها در دسته بندی بدون نظارت دادهها، از زمینههای چالش برانگیز برایمحققان در سالهای اخیر بوده که منجر به ارائه شاخص های اعتبار خوشه بندی متعدد شده است. اینشاخصها اغلب از دو معیار فشردگی و جدایش برای ارزیابی خوشه بندی انجام شده استفادهکه توسط ECAS می کنند. در این مقاله، یک معیار جدایش جدید برای شاخص اعتبار خوشهبندیفاضل و همکاران ] 1[ ارائه شده است، معرفی می گردد، که در آن از معیار فاصله جاکارد استفاده شدهاست. فاصله جاکارد از اندازه اشتراک و اجتماع دو مجموعه فازی استفاده میکند. بنابراین اطلاعاتبیشتری در مورد هم پوشانی و جدایش خوشهها در اختیار شاخص اعتبار خوشهبندی قرار می دهد. اینقابلیت باعث میشود که شاخص جدید در مقابل تغییرات درجه فازی بودن خوشهبندی، پایداریداشته باشد. برای مقایسه عملکرد شاخص جدید با 9 شاخص موجود ECAS بیشتری نسبت به شاخصدر ادبیات، از 11 مجموعه داده ) 3 مجموعه داده مرسوم و 12 مجموعه داده مصنوعی( به عنوانداده های آزمون استفاده شده است. نتایج به دست آمده نشان دهنده پایداری و قابلیت بالای شاخصارائه شده در مقایسه با سایر شاخص ها است.
https://jims.atu.ac.ir/article_1901_acd6e2a0972280b8ccd5c5e7d1066c8d.pdf
2012-12-21
22
43
شاخص اعتبار خوشهبندی
فاصله جاکارد
الگوریتم خوشهبندی فازی میانگین -c FCMفشردگی و جدایش نمایی
محمد حسین
فاضل زرندی
1
استاد دانشکده مهندسی صنایع و سیستمهای مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران
AUTHOR
سولماز
غضنفر اهری
2
کارشناس ارشد مهندسی مالی دانشگاه صنعتی امیرکبیر، تهران، ایران
AUTHOR
نادر
غفاری نسب
3
دانشجوی دکتری مهندسی صنایع دانشگاه علم و صنعت ایران، تهران، ایران. )نویسنده مسئول
AUTHOR
1. M. H. F. Zarandi, M. R. Faraji, and M. Karbasian, An Exponential Cluster Validity
1
Index for Fuzzy Clustering with Crisp and Fuzzy Data, Scientia Iranica, vol. 17, no. 2,
2
pp. 95–110, 2010.
3
2. L. Zadeh, Fuzzy sets, Inf.control, no. 8, pp. 338–353, 1965.
4
3. J. C. Dunn, A fuzzy relative of the ISODATA process and its use in detecting compact
5
well-separated clusters, Journal of Cybernetics, vol. 3, pp. 32–57, 1974.
6
4. J. C. Bezdek, Pattern recognition with fuzzy objective function algorithms. New York:
7
Plenum Press, 1981.
8
5. J. V. De Oliveira, W. Pedrycz, and others, Advances in fuzzy clustering and its
9
applications. Wiley Online Library, 2007.
10
6. Y. Zhang, W. Wang, X. Zhang, and Y. Li, A cluster validity index for fuzzy clustering,
11
Information Sciences, vol. 178, no. 4, pp. 1205–1218, Feb. 2008.
12
7. J. C. Bezdek, Cluster validity with fuzzy sets, Journal of Cybernetics, vol. 3, no. 3, pp.
13
58–73, 1973.
14
8. J. C. Bezdek, Numerical taxonomy with fuzzy sets, Journal of Mathematical Biology,
15
vol. 1, no. 1, pp. 57–71, 1974.
16
9. Y. Fukuyama and M. Sugeno, A new method of choosing the number of clusters for the
17
fuzzy c-means method, in Proc. 5th Fuzzy Syst. Symp, 1989, vol. 247.
18
10. X. L. Xie and G. Beni, A validity measure for fuzzy clustering, Pattern Analysis and
19
Machine Intelligence, IEEE Transactions on, vol. 13, no. 8, pp. 841–847, 1991.
20
11. S. H. Kwon, Cluster validity index for fuzzy clustering, Electronics Letters, vol. 34, no.
21
22, pp. 2176–2177, 1998.
22
12. W. Wang and Y. Zhang, On fuzzy cluster validity indices, Fuzzy Sets and Systems, vol.
23
158, no. 19, pp. 2095–2117, 2007.
24
13. K. Rizman Žalik, Cluster validity index for estimation of fuzzy clusters of different
25
sizes and densities, Pattern Recognition, vol. 43, no. 10, pp. 3374–3390, Oct. 2010.
26
14. E. Trauwaert, On the meaning of Dunn’s partition coefficient for fuzzy clusters, Fuzzy
27
Sets and Systems, vol. 25, no. 2, pp. 217–242, 1988.
28
15. R. N. Dave, Validating fuzzy partitions obtained through c-shells clustering, Pattern
29
Recognition Letters, vol. 17, no. 6, pp. 613–623, 1996.
30
16. K.-L. Wu and M.-S. Yang, A cluster validity index for fuzzy clustering, Pattern
31
Recognition Letters, vol. 26, no. 9, pp. 1275–1291, Jul. 2005.
32
17. D.-W. Kim, K. H. Lee, and D. Lee, On cluster validity index for estimation of the
33
optimal number of fuzzy clusters, Pattern Recognition, vol. 37, no. 10, pp. 2009–2025,
34
Oct. 2004.
35
18. N. R. Pal and S. K. Pal, Entropy: a new definition and its applications, Systems, Man
36
and Cybernetics, IEEE Transactions on, vol. 21, no. 5, pp. 1260–1270, 1991.
37
19. N. R. Pal and S. K. Pal, Some properties of the exponential entropy, Information
38
sciences, vol. 66, no. 1, pp. 119–137, 1992.
39
20. K. L. Wu and M. S. Yang, Alternative c-means clustering algorithms, Pattern
40
recognition, vol. 35, no. 10, pp. 2267–2278, 2002.
41
21. J. C. Bezdek, Pattern Recognition in handbook of Fuzzy computation, IOP Publishing
42
Ltd., Boston, NY, 1998.
43
22. M. K. Pakhira, S. Bandyopadhyay, and U. Maulik, Validity index for crisp and fuzzy
44
clusters, Pattern recognition, vol. 37, no. 3, pp. 487–501, 2004.
45
23. D. L. Davies and D W. Bouldin, A Cluster Separation Measure. IEEE Transactions on
46
Pattern Analysis and Machine Intelligence PAMI-1 (2): 224–227, 1979.
47
24. S. Saha and S. Bandyopadhyay, Some connectivity based cluster validity indices,
48
Applied Soft Computing, vol. 12, no. 5, pp. 1555–1565, May 2012.
49
ارائه یک شاخص اعتبار خوشه بندی جدید با... 22
50
25. Y. Hu, C. Zuo, Y. Yang, and F. Qu, A cluster validity index for fuzzy c-means
51
clustering, in System Science, Engineering Design and Manufacturing Informatization
52
(ICSEM), 2011 International Conference on, 2011, vol. 2, pp. 263–266
53
ORIGINAL_ARTICLE
رویکرد الگوریتم فرا ابتکاری کلونی زنبور عسل مصنوعی برای تعیین مکان بهینه سوئیچها در شبکه ارتباطی تلفن همراه
الگوریتم فراابتکاری ،)CTSAP( در این تحقیق برای حل مسئلهی تخصیص سلول به سوئیچاستفاده شده است. هدف مسئله، تخصیص بهینه سلولها به )ABC( کلونی زنبور عسل مصنوعیسوئیچها با حداقل هزینه است. در این تحقیق هزینه از دو جزء تشکیل یافته است. یکی هزینهیتعویضها که مربوط به دو سوئیچ است و دیگری هزینهی اتصال میباشد. ظرفیت پاسخگویی تماسهر سوئیچ نیز محدود است و فرض میشود همهی سوئیچها ظرفیت برابری داشته باشند. در مدل اینمدل ریاضی این .)single homed( پژوهش هر سلول باید فقط و فقط تنها به یک سوئیچ متصل گرددتحقیق، غیرخطی صفر و یک است.نوشته شده است. پس از تعیین مقادیر MATLAB کد رایانهای الگوریتم با نرمافزار 7.8.0پارامترهای مدل و تأیید صحت عملکرد کد و تنظیم پارامترهای کنترل، کارایی الگوریتم با ایجادیعنی الگوریتم CTSAP مسائل آزمایشی، با یکی از بهترین الگوریتمهای فراابتکاری در حل مسئلهدر ABC مقایسه شده است و نتایج نشان میدهد که الگوریتم )ACO( بهینه سازی کلونی مورچگانعملکرد رضایتبخشی دارد. ACO قیاس با
https://jims.atu.ac.ir/article_1902_963b4571f2a5c698243a051c7fee79ae.pdf
2012-12-21
44
67
مسئله تخصیص سلول به سوئیچ
الگوریتم فراابتکاری
شبکههای تلفن همراه
الگوریتم کلونی زنبور عسل مصنوعی
سید محمد علی
خاتمی فیروز آبادی
1
استادیار گروه مدیریت صنعتی دانشگاه علامه طباطبائی، نویسنده مسئول
AUTHOR
امین
وفادار نیکجو
2
کارشناس ارشد مدیریت صنعتی، دانشگاه علامه طباطبائی
AUTHOR
Salcedo-Sanz, Sancho; Jose, A. Portilla-Figueras; Emilio G. Ortiz-Garcia;
1
Angel M. Perez-Bellido; Christopher Thraves; Antonio Fernandez-Anta;
2
Xin Yao, Optimal switch location in mobile communication networks
3
using hybrid genetic algorithms. Applied Soft Computing, 8, 2008,
4
1486-1497.
5
2. Merchant, Arif and Bhaskar Sengupta, Assignment of Cells to Switches
6
in PCS Networks. IEEE/ACM Transactions on networking, vol. 3, no. 5,
7
1995, 521-526.
8
3. Udgata, Siba K.; U. Anuradha; G. Pavan Kumar; Gauri K. Udgata.
9
Assignment of Cells to Switches in a Cellular Mobile Environment
10
using Swarm Intelligence. IEEE computer society, 2008, 189-194.
11
4. Quintero, Alejandro; Samuel Pierre, Assigning cells to switches in
12
cellular mobile networks: a comparative study. Computer
13
Communications, 26, 2003, 950-960.
14
5. Quintero, Alejandro; Samuel Pierre, Evolutionary approach to optimize
15
the assignment of cells to switches in personal communication
16
networks. Computer Communications, 26, 2003, 927-938.
17
6. Quintero, Alejandro; Samuel Pierre, Sequential and multi-population
18
memetic algorithms for assigning cells to switches in mobile networks.
19
Computer Networks, 43, 2003, 247-261.
20
7. Jian Shyu, Shxyong; B.M.T. Lin; Tsung-Shen Hsiao, Ant colony
21
optimization for the cell assignment problem in PCS networks.
22
Computers & Operations Research, 33, 2006, 1713-1740.
23
8. Pierre, Samuel; Fabien Houeto, A tabu search approach for assigning
24
cells to switches in cellular mobile networks. Computer
25
Communications, 25, 2002, 464-477.
26
9. Fournier, Joseph R.L.; Samuel Pierre, Assigning cells to switches in
27
mobile networks using an ant colony optimization heuristic. Computer
28
Communications, 28, 2005, 65-73.
29
10. Rajalakshmi, K.; Prakash Kumar; Hima M. Bindu, Hybridizing Iterative
30
Local Search Algorithm for Assigning Cells to Switch in Cellular
31
Mobile Network. International Journal of Soft Computing, 5(1), 2010, 7-
32
11. Salcedo-Sanz, Sancho; Xin Yao, Assignment of cells to switches in a
33
cellular mobile network using a hybrid Hopfield network-genetic
34
algorithm approach. Applied Soft Computing, 8, 2008, 216-224.
35
12. Panigrahi, Bijaya Ketan; Yuhui Shi; Meng-Hiot Lim, Handbook of
36
Swarm Intelligence. Springer-Verlag Berlin Heidelberg, 2011.
37
13. Karaboga, Dervis; Bahriye Akay, A comparative study of Artificial Bee
38
Colony algorithm. Applied Mathematics and Computation, 214, 2009,
39
14. Karaboga, Dervis; Celal Ozturk, A novel clustering approach: Artificial
40
Bee Colony (ABC) algorithm. Applied Soft Computing, 11, 2011, 652-
41
ORIGINAL_ARTICLE
رتبه بندی حالات بالقوه زیان آور با استفاده از تحلیل خوشه ای فازی مطالعه موردی: واحد فولاد سازی شرکت فولاد آلیاژی ایران
من تشریح مفهوم ،FMEA دراین مقاله سعی شده تا با روشن کردن معایب اصلی روش مرسومبه طبقه بندی حالات بالقوه زیان آور و C-Means تحلیل خوشه ای و مشخصات مدل های مختلفارزیابی شرایط بالقوه برای بروز حوادث در واحد فولاد سازی شرکت فولاد آلیاژی ایران با استفاده ازو خوشه بندی فازی بپردازد. در این راستا، حالات بالقوه زیان آور همگن بر FMEA تلفیق روش هایمبنای شاخص های احتمال بروز، شدت پیامد و تناوب مواجهه به کمک تکنیک خوشه بندی فازیشناسایی گردیدند. در این پژوهش، تحلیل خوشه ای فازی در شرایط قبل از بهبود )FCM( C-Meansصورت گرفت. نتایج این تحقیق در باب Data Engine و پس از بهبود با استفاده از نرم افزار 4.0تدوین راهبرد های عملی در جهت پیشگیری از وقوع حالات بالقوه زیان آور برای پژوهشگران،مدیران و کارشناسان ایمنی و بهداشت حرفه ای مفید خواهد بود.
https://jims.atu.ac.ir/article_1903_5a369922dd61cc84e8ecdcc04efc293e.pdf
2012-12-21
68
93
تحلیل حالات بالقوه خرابی
تحلیل خوشه ای تفکیکی
خوشه بندی فازی
سید حیدر
میر فخرالدینی
1
عضو هیات علمی دانشکده اقتصاد یزد
AUTHOR
مسعود
پور حمیدی
2
کارشناس ارشد مدیریت صنعتی موسسه اموزش عالی جهاد دانشگاهی یزد
AUTHOR
فائزه السادات
میر فخرالدینی
3
دانشجوی کارشناسی ارشد مدیریت جهانگردی دانشگاه علامه طباطبایی
AUTHOR
پورحمیدی، مسعود. تحلیل ریسک و ارزیابی شرایط بالقوه برای بروز حوادث در معادن
1
فازی مطالعه موردی: معدن شهید نیلچیان FMEA زیرزمینی با استفاده از روش
2
.0- )دوپلان(، دومین کنگره خاورمیانه ای مدیریت ریسک، 0387 ، صص 5
3
QFD 2. رضائی، کامران. حسینی آشتیانی، حمید رضا. هوشیار، محمد. وزیری، فرزانه. مبانی
4
. رویکردی مشتری مدار، چاپ سوم، نشر آتنا، 0384
5
3. سپهر، ریحانه. مرادی، محمد حسن. مشایخی، غنچه. کاردر، لاله. بامدادیان، عطیه. بررسی و
6
مقایسه روش های مختلف خوشه بندی فازی تفکیکی مبتنی بر روش استاندارد خوشه بندی
7
- هفتمین کنفرانس سیستم های فازی، دانشگاه فردوسی مشهد، 0386 ، صص 5 ،FCM فازی
8
4. عدل، جواد. قهرمانی، ابوالفضل. نسل سراجی، جبرائیل. ارزیابی ریسک در بخش شیرین
9
سازی واحد تصفیه گاز پالایش گاز، مجله دانشکده بهداشت و انستیتو تحقیقات بهداشتی،
10
.0- 0384 ، صص 4 ، دوره 3، شماره 4
11
5. عسگریان، احسان. معین زاده، حسین. سریانی، محسن. حبیبی، جعفر. رویکرد جدید برای
12
خوشه بندی فازی بوسیله الگوریتم ژنتیک، سیزدهمین کنفرانس ملی انجمن کامپیوتر
13
.0- ایران، جزیره کیش، 0386 ، صص 3
14
. 6. فرشادفر، عزت الله. اصول و روش های آماری چند متغیره، چاپ دوم، طاق بستان، 0384
15
7. ماردیا، کانتی.کنت، جان. بی بی، جان. تحلیل چند متغیره، طباطبایی، محمد مهدی، مرکز نشر
16
. دانشگاهی، تهران، 0376
17
8. Chang, C. L., Wei, C. C., & Lee, Y.H. (1999). Failure mode and effects
18
analysis using fuzzy method and grey theory. Kybernetes , 28 (9), 1072-
19
9. Chensong, D. (2007). Failure mode and effects analysis based on fuzzy
20
utility cost estimation. International Journal of Quality & Reliability
21
Management , 24 (9), 958-971.
22
10. Chi, Z., Yan, H., & Pham, T. (1996). Fuzzy algorithms: with applications
23
to image processing and pattern recognition. Singapore : World
24
Scientific Publishing Co. Pte. Ltd.
25
11. D’Ursoa, P., & Giordani, P. (2006). A weighted fuzzy c-means clustering
26
model for fuzzy data. Computational Statistics & Data Analysis , 50, 1496
27
– 1523.
28
12. Kalyani, S., & Swarup, K. S. (2010). Supervised fuzzy c-means
29
clustering technique for security assessment and classification in power
30
systems. International Journal of Engineering, Science and Technology , 2
31
(3), 175-185.
32
رتبه بندی حالات بالقوه زیان آور با استفاده از... 62
33
13. Kockara, S., Mete, M., & Chen B, A. K. (2010). Analysis of density based
34
and fuzzy c-means clustering methods on lesion border extraction in
35
dermoscopy images. BMC Bioinformatics , 11 (6), 1-11.
36
14. Krouwer, J. S. (2004). An improved failure mode effects analysis for
37
hospitals. Archives of Pathology & Laboratory Medicine , 128 (6), 663-
38
15. Schwämmle, V., & Jensen, O. N. (2010). A simple and fast method to
39
determine the parameters for fuzzy c-means cluster analysis.
40
Bioinformatics , 26 (22), 2841-2848.
41
16. Sharma, R. K., Kumar, D., & Kumar, P. (2005). Systematic failure mode
42
effect analysis (FMEA) using fuzzy linguistic modelling. International
43
Journal of Quality, 22 (9), 986-1004.
44
17. Szilágyi, L., Szilágyi, S. M., & Benyó, Z. (2010). Analytical and
45
numerical evaluation of the suppressed fuzzy c-means algorithm: a
46
study on the competition in c-means clustering models. Soft Computing
47
, 14 (5), 495–505.
48
18. Tay, K. M., & Lim, C. P. (2006). Fuzzy FMEA with a guided rules
49
reduction system for prioritization of failures. International Journal of
50
Quality & Reliability Management , 23 (8), 1047-1066.
51
19. Valente de Oliveira, J., & Pedrycz, W. (2007). Advances in fuzzy
52
clustering and its applications. Chichester: John Wiley & Sons Ltd.
53
20. Wang, X., Wang, Y., & Wang, L. (2004). Improving fuzzy c-means
54
clustering based on feature-weight learning. Pattern Recognition Letters
55
, 25, 1123–1132.
56
21. Xu, L., Tang, L., Xie, M., Ho, L., & Zhu, M. (2002). Fuzzy assessment of
57
FMEA for engine systems. Reliability Engineering & System Safety , 1
58
(75), 9-17.
59
ORIGINAL_ARTICLE
محاسبة میزان ناسازگاری ساختار سلسله مراتبی و ماتریس های مقایسات زوجی در فرایند تحلیل سلسله مراتبی فازی
هرگاه عمل تصمیم گیری با چند گزینه و چند معیار روبرو باشد، می توان از روش فرایند تحلیلاستفاده کرد. این روش دارای یک ساختار سلسله مراتبی است و اساس آن بر (AHP) سلسله مراتبیمقایسة زوجی معیارها و مقایسة زوجی گزینه ها )نسبت به هر معیار( نهفته است. برای محاسبة میزانناسازگاری ماتریس مقایسات زوجی و محاسبة میزان ناسازگاری ساختار سلسله مراتبی، دو الگوریتممجزا ارائه گردیده است. در این مقاله، این الگوریتم ها برای محاسبة مقدارهای ناسازگاری در فرایندتحلیل سلسله مراتبی فازی توسعه داده شده و وزن گزینه ها نیز از بسط فازی روش های تقریبی به دستآمده است. برای روشن شدن این روش یک مثال عددی نیز آورده شده است.
https://jims.atu.ac.ir/article_1904_dbebcd1fe9b909d5c4b32681c0849c6c.pdf
2012-12-21
94
117
فرایند تحلیل سلسله مراتبی فازی
میزان ناسازگاری فازی
رتبه بندی فازی
محمد حسین
آرمان
1
موسسه اموزش عالی غیر انتفاعی هشت بهشت
AUTHOR
جمشید
صالحی صدقیانی
salehisadaghiyani@yahoo.com
2
استاد گروه مدیریت صنعتی دانشگاه علامه طباطبایی
AUTHOR
سارا
مژدهی
3
دانشجوی دکتری مدیریت تولید و عملیات دانشگاه علامه طباطبایی
AUTHOR
علی
نظرلی
4
کارشناسی ارشد مدیریت صنعتی دانشگاه علامه طباطبایی
AUTHOR
منابع
1
0. آذر، عادل و حجت فرجی،”علم مدیریت فازی“، مرکز مطالعات مدیریت و بهره وری
2
. ایران، 0.00
3
2. اصغرپور، محمد جواد،”تصمیم گیری های چند معیاره“، انتشارات دانشگاه تهران،
4
.. قدسی پور، حسن، " فرایند تحلیل سلسله مراتبی"، انتشارات دانشگاه صنعتی امیر
5
. کبیر، . 0.0
6
.. وانگ، لی،”سیستم های فازی و کنترل فازی“، ترجمة محمد تشنه لب و دیگران،
7
. انتشارات دانشگاه صنعتی خواجه نصیرالدین طوسی، 0.00
8
5. Buckley, J.J., "Fuzzy hierarchical analysis", Fuzzy Sets and Systems,
9
Vol. 17, 1985, pp. 233-247.
10
6. Cebeci, U., "Customer satisfaction of catering service companies in
11
turkey", Proceedings of the 6th International Conference on ISO 9000 and
12
TQM (6th ICIT), Glasgow, April 2001, pp. 519-524.
13
7. Cebeci, U. and C. Kahraman, "Measuring customer satisfaction of
14
catering service companies using fuzzy AHP: the case of turkey",
15
Proceedings of International Conference on Fuzzy Systems and Soft
16
Computational Intelligence in Management and Industrial Engineering,
17
Istanbul, May 2002, pp. 315-325.
18
8. Chan, F.T.S., Chan, M.H. and N.K.H. Tang, "Evaluation methodologies
19
for technology selection", Journal Materials Processing Technology, Vol.
20
107, 2000, pp. 330-337.
21
9. Chan, F.T.S., Jiang, B. and N.K.H. Tang, "The development of
22
intelligent decision support tools to aid the design of flexible
23
manufacturing systems", International Journal of Production Economics,
24
Vol. 65, No. 1, 2000, pp. 73-84.
25
10. Chang, D. Y., "Applications of the extent analysis method on fuzzy
26
AHP", European Journal of Operational Research, Vol. 95, 1996, pp. 649-
27
11. Chang, C.W., Wu, C.R. and H.L. Lin, "Applying fuzzy hierarchy
28
multiple attributes to construct an expert decision making process",
29
Expert Systems with Applications, Volume 36, Issue 4, 2009, Pages 7363-
30
12. Cheng, C.H., Yang, K.L. and C.L. Hwang, "Evaluating attack
31
helicopters by AHP based on linguistic variable weight", European
32
Journal of Operational Research, Vol. 116, No. 2, 1999, pp. 423-443.
33
13. Ching-Hsue, C., "Evaluating naval tactical missile systems by fuzzy
34
AHP based on the grade value of membership function", European
35
Journal of Operational Research, Vol. 96, No. 2, 1997, pp. 343-350.
36
14. Dağdeviren, M. and İ. Yüksel, "Developing a fuzzy analytic hierarchy
37
process (AHP) model for behavior-based safety management",
38
Information Sciences, Volume 178, Issue 6, 2008, Pages 1717-1733.
39
محاسبة میزان ناسازگاری ساختار سلسله مراتبی... 999
40
15. Deng, H., "Multicriteria analysis with fuzzy pairwise comparison",
41
International Journal of Approximate Reasoning, Vol. 21, No. 3, 1999, pp.
42
16. Kahraman, Ulukan, Z., and E. Tolga, "A fuzzy weighted evaluation
43
method using objective and subjective measures", Proceedings of
44
International ICSC symposium on Engeneering of Intelligent systems
45
(EIS,98), Vol. 1, University of La Laguna, Tenerife, 1998, pp. 57-63.
46
17. Kahraman, C., Cebeci, U. and D. Ruan, "Multi-attribute comparision of
47
catering service companies using fuzzy AHP: the case of turkey",
48
Production Economics, 2004, No.87, pp. 171-184.
49
18. Kuo, R.J., Chi, S.C. and S.S. Kao, "A decision support system for
50
selecting convenience store location through integration of fuzzy AHP
51
and artificial neural network", Computers in Industry, 2002, No. 47, pp.
52
19. Laarhoven, V. and W. Pedrycz, "A fuzzy extension of Saaty,s priority
53
theory", Fuzzy Sets and Systems, vol. 11,1983, pp. 229-241.
54
20. Lee, M., Pham, H. AND X. Zhang, "A methodology for priority setting
55
with application to software development process", European Journal of
56
Operational Research, Vol. 118, 1999, pp. 375-389.
57
21. Leung, L.C. and D. Cao, "On consistency and ranking of alternatives in
58
fuzzy AHP", European Journal of Operational Research, Vol. 124, 2000,
59
pp. 102-113.
60
22. Liu, F., "Acceptable consistency analysis of interval reciprocal
61
comparison matrices", Fuzzy Sets and Systems, Volume 160, Issue 18,
62
2009, Pages 2686-2700.
63
23. Mamat N.J.Z. and J.K. Daniel, "Statistical analyses on time complexity
64
and rank consistency between singular value decomposition and the
65
duality approach in AHP: A case study of faculty member selection",
66
Mathematical and Computer Modelling, Volume 46, Issues 7-8, 2007,
67
Pages 1099-1106.
68
24. Stam, A., Minghe, S. and M. Haines, "Artificial neural network
69
representations for hierarchical preference structures", Computers &
70
Operations Research, Vol. 23, No. 12, 1996, pp. 1191-1201.
71
25. Wang, Y.M., Elhag, T.M.S. and Z. Hua, "A modified fuzzy logarithmic
72
least squares method for fuzzy analytic hierarchy process", Fuzzy Sets
73
and Systems, Volume 157, Issue 23, 2006, Pages 3055-3071.
74
26. Weck, M., Klocke, F., Schell, H. and E. Roenauver, "Evaluating
75
alternative production cycles using the extended fuzzy AHP method",
76
European Journal of Operational Research, Vol. 100, No. 2, 1997, pp. 351-
77
27. Zhu, K.J., Jing, Y. and D.Y. Chang, "A discussion on extent analysis
78
method and applications of fuzzy AHP", European Journal of
79
Operational Research, Vol. 116, 1999, pp. 450-456
80
ORIGINAL_ARTICLE
توسعه دو الگوریتم چند هدفه برای حل مسئله چند هدفه زمانبندی کارگاهی منعطف با در نظر گرفتن توان مصرفی ماهانه
در این مقاله، به منظور واقعی تر ساختن مسئله زمانبندی کار کارگاهی منعطف ) 1نزدیک تر نمودن آن با مسائل دنیای واقعی، یک عامل عملیاتی به مدل کلاسیک این مسئله افزودهمی شود. این عامل که بهینه سازی میزان توان الکتریکی مصرفی در طول یک ماه می باشد،کلیدی ترین عامل در محاسبات برق مصرفی شرکت های صنعتی به شمار می آید. دیدن این عامل درمدل سازی، با توجه به شرایط جدید کشور بعد از حذف یارانه ها اهمیت پر رنگتری نیز پیدا کردهاست. در کنار این هدف، 2 هدف مرسوم نیز که زمان تکمیل کارها و بار کاری ماشین بحرانیمی باشند نیز در نظر گرفته شده اند. به منظور حل مدل چند هدفه، دو الگوریتم به نام های الگوریتمو الگوریتم چند هدفه جستجوی هارمونی )MOBBO چند هدفه مبتنی بر جغرافیای زیستی ) 2را ارائه خواهیم کرد. این دو الگوریتم برای اولین بار است که به محیط گسسته مسائل )MOHS3(زمانبندی معرفی می شوند. در پایان به وسیله توسعه چند مسئله معروف از مدل مربوطه، عملکردالگوریتم های ارائه شده را به صورت آماری مقایسه خواهیم نمود.
https://jims.atu.ac.ir/article_1905_245bcf83bfcfef8e11d6fa7ec52d39e7.pdf
2012-12-21
118
143
کار کارگاهی منعطف
توان مصرفی الکتریکی
الگوریتم بهینه سازی
جستجوی
هارمونی
سید حبیب الله
رحمتی
1
دانشجوی دکتری مهندسی صنایع دانشگاه امیر کبیر
AUTHOR
مصطفی
زندیه
mostafazzz@yahoo.com
2
عضو هیات علمی دانشکده مدیریت و حسابداری دانشگاه شهید بهشتی
AUTHOR
1. Barnes, J.W., Chambers, J.B., Flexible job shop scheduling by tabu search.
1
Graduate program in operations research and industrial engineering. University of
2
Texas, Austin, Technical Report Series, ORP96-09, 1996.
3
2. Bhattacharya, A., Chattopadhyay, P.K., Solving complex economic load dispatch
4
problems using Biogeography-based optimization. Expert Systems with
5
Applications 37, 3605–3615, 2010.
6
3. Brandimarte, P., Routing and scheduling in a flexible job shop by taboo search.
7
Annual Operation Research 41, 157–183, 1993.
8
4. Brucker, P., Schlie, R., Job-shop scheduling with multipurpose machines.
9
Computing 45(4), 369–375, 1990.
10
5. Chen, J.C., Chen, K.H., Wu, J.J., Chen, C.W., A study of the flexible job shop
11
scheduling problem with parallel machines and reentrant process. International
12
Journal of Advance Manufacturing Technology 39(3–4), 344–354, 2008.
13
6. Deb, K., Agrawal, S., Pratap, A., Meyarivan, T., A fast elitist non-dominated
14
sorting genetic algorithm for multi-Objective optimization: NSGA-II. In:
15
Proceedings of the parallel problem solving from nature VI (PPSN-VI) conference,
16
849-858, 2000.
17
7. Fattahi, Parviz, Jolai, Fariborz, Arkat, Jamal, Flexible job shop scheduling with
18
overlapping in operations. Applied Mathematical Modeling 33, 3076–3087,
19
8. Fattahi, Parviz, Saidi Mehrabad, Mohammad, Jolai, Fariborz, Mathematical
20
modeling and heuristic approaches to flexible job shop scheduling problems,
21
International Journal of Advance Manufacturing Technology. DOI
22
10.1007/s10845-007-0026-8, 18:331–342, 2007.
23
9. Frutos, Mariano, Olivera, Ana Carolina, Tohmé, Fernando, A memetic algorithm
24
based on a NSGAII scheme for the flexible job-shop scheduling problem.
25
Annual Operation Research, DOI 10.1007/s10479-010-0751-9, 2010.
26
10. Gao, J., Gen, M., Sun, L.Y., Zhao, X.H., A hybrid of genetic algorithm and
27
bottleneck shifting for multiobjective flexible job shop scheduling problems.
28
Computer and Industrial Engineering 53(1), 149–162, 2007.
29
11. Geem, Z.W., Kim, J.-H., Loganathan, G.V., A new heuristic optimization
30
algorithm: harmony search, Simulation 76 (2) 60–68, 2011.
31
12. Hollander, M., Wolfe, D.A., Non-parametric Statistical Methods. John Wiley &
32
Sons, 1973.
33
13. Hurink, E., Jurisch, B., Thole, M., Tabu search for the job shop scheduling
34
problem with multi-purpose machine. Operations Research Spektrum 15 (4),
35
205–215, 1994.
36
14. Kacem, I., Hammadi, S., Borne, P., Approach by localization multi-objective
37
evolutionary optimization for flexible job-shops scheduling problems. IEEE
38
Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews
39
32 (1), 1–13, 2002.
40
15. Karimi, N., Zandieh, M., Karamooz, H.R., Bi-objective group scheduling in
41
hybrid flexible flow shop: A multi-phase approach. Expert Systems with
42
Applications 37, 4024–4032, 2010.
43
16. Kundra, H., Kaur, A., Panchal, V., An integrated approach to biogeography
44
based optimization with case based reasoning for retrieving groundwater
45
possibility. In: Proceedings of the Eighth Annual Asian Conference and Exhibition
46
on Geospatial Information, Technology and Applications, August, Singapore,
47
17. Lee, K.S., Geem, Z.W., A new meta-heuristic algorithm for continuous
48
engineering optimization: harmony search theory and practice. Computer
49
Methods in Applied Mechanics and Engineering 194, 3902–3933, 2005.
50
18. Mastrolilli, M., Gambardella, L.M., Effective neighborhood functions for the
51
محاسبة میزان ناسازگاری ساختار سلسله مراتبی... 112
52
flexible job shop problem. Journal of Scheduling 3(1), 3–20¸ 2000.
53
19. Rahmati, S.H.A., Zandieh, M., A new biogeography-based optimization (BBO)
54
algorithm for the flexible job shop scheduling problem, International Journal
55
of Advance Manufacturing Technology, DOI 10.1007/s00170-011-3437-9, 2011.
56
20. Rashid M. H., Power Electronic. Academic press, 2001.
57
21. Schott, J. R., Fault tolerant design using single and multicriteria genetic
58
algorithms optimization. Master’s thesis, Department of Aeronautics and
59
Astronautics, Massachusetts Institute of Technology, Cambridge, MA, 1995.
60
22. Simon, D., Biogeography-based optimization. IEEE Transactions on
61
Evolutionary Computation 12, 702–713, 2008.
62
23. Sivasubramani, S., Swarup, K.S., Environmental/economic dispatch using
63
multi-objective harmony search algorithm, Electronic Power System and
64
Research, doi:10.1016/j.epsr.2011.04.007, 2011.
65
24. Torabi, S.A., Karimi, B., Fatemi, Ghomi S.M.T., The common cycle economic lot
66
scheduling in flexible job shops: The finite horizon case. International Journal
67
of Production Economics 97, 52–65, 2005.
68
25. Wang, S., Yu, J., An effective heuristic for flexible job-shop scheduling
69
problem with maintenance activities, Computers & Industrial Engineering, 59:
70
436-447, 2010.
71
26. Xia, W.J., Wu, Z.M., An effective hybrid optimization approach for multiobjective
72
flexible job-shop scheduling problems. Computer and Industrial
73
Engineering 48(2), 409–425, 2005.
74
27. Yazdani M., Amiri M., Zandieh M., Flexible job-shop scheduling with parallel
75
variable neighborhood search algorithm. Expert Systems with Applications 37,
76
678–687, 2010.
77
28. Zitzler E. Evolutionary Algorithms for Multiobjective Optimization: Methods
78
and Applications. PhD. Thesis, Dissertation ETH No. 13398, Swiss Federal
79
Institute of Technology (ETH), 1999
80
ORIGINAL_ARTICLE
کنترل آماری شاخص های عملکرد زمان و هزینه در پروژه های عمرانی
سیستم مدیریت ارزش کسب شده با ارائه شاخص های عملکردی امکان اندازه گیری دقیق میزانپیشرفت پروژه و اتخاذ تصمیمات به موقع برای پیاده سازی اقدامات اصلاحی را فراهم می آورد. اینسیستم ارزشمند در تحلیل و کنترل عملکرد پروژه ها، مدیران پروژه را قادر می سازد ضمن تشخیصمیزان مغایرت های زمانی و هزینه ای پروژه در مقابل برنامه، بتوانند هزینه نهایی و زمان اتمام پروژه رانیز پیش بینی کنند. در این مقاله با هدف ارتقای عملکرد سیستم مدیریت ارزش کسب شده، از تلفیقنمودارهای کنترل کیفیت آماری با سیستم مدیریت ارزش کسب شده در قالب رویکردی یکپارچهبهره گیری شده است. رویکرد توسعه داده شده به منظور کنترل و پایش آماری عملکرد زمانی وهزینه ای فعالیت های یک پروژه عمرانی به کار گرفته شده است. نتایج به دست آمده و مقایسه آن ها بارویکرد های رایج، نشان از برتری رویکرد پیشنهادی دا
https://jims.atu.ac.ir/article_1906_a149cef8c631cfbfe8fb03694fb18fa5.pdf
2012-12-21
144
166
تکنیک ارزش کسب شده
نمودارهای کنترل کیفیت آماری
شاخص های ارزش
کسب شده
کنترل زمان و هزینه پروژه
علی اکبر
اکبری
aliakbar.akbari@yahoo.com
1
دانشکده مهندسی صنایع دانشگاه ازاد اسلامی واحد تهران جنوب
AUTHOR
امیر
صالحی پور
2
گروه مهندسی صنایع دانشکده فنی و مهندسی دانشگاه ازاد اسلامی واحد گرمسار
AUTHOR
1. مسلمی نائینی، لیلا، رویکردی مبتنی بر تئوری فازی برای ارزش کسب شده، پایان نامه
1
کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی شریف، 1001
2
2. نورالسناء، رسول، مقدمه ای بر کنترل آماری فرآیند، انتشارات دانشگاه علم و صنعت ایران،
3
) چاپ هشتم، ) 1002
4
3. Adamo, J. M. (1980), “Fuzzy Decision Trees”, Fuzzy Sets and Systems,
5
4: 207-219.
6
4. AlTabtabai, H., Kartam, N., Flood, I., and Alex, A. P., (1997),
7
Construction Project Control using Artificial Neural Networks,
8
Artificial Intelligence fro Engineering Design and Manufacturing,
9
11(1): 45-57.
10
5. Anbari, F. (2003), “Earned Value Method and Extensions”, International
11
Journal of Project Management, 34(4): 12-23.
12
6. Barraza, G. A., Bueno, R. A. (2008), Probabilistic Control of Project
13
Performance using Control Limit Curves, Journal of Construction
14
Engineering and Management-ASCE, 133(12): 957-965.
15
7. Bortolan, G., and Degani, R. (1985), “A Review of Some Methods for
16
Ranking Fuzzy Subsets”, Fuzzy Sets and Systems, 15: 1-19.
17
8. Burke, R. (2003), “Project Management Planning and Control
18
Techniques”, 4th Ed.
19
9. Cheng, C. B. (2005), “Fuzzy Process Control: Construction of Control
20
Charts with Fuzzy Number”, Fuzzy Sets and System, 154: 287-303.
21
10. Cheung, S. O., Suen, H. C. H., and Cheung, K. K. W., (2004), PPMS: a
22
Web-based construction project performance monitoring system,
23
Automation in Construction, 13(3): 361-376.
24
11. Christensen, D. S., Conley, R. J., Kankey, R. D. (2003), “Some Empirical
25
Evidence on the Non-normality of Cost Variance on Defense
26
Contracts”, Journal of Cost Analysis & Management, Winter: 3-16.
27
12. Fair, Douglas C., “Statistical Process Control Approaches: Basic
28
Theory and Use of Control Charts"
29
13. Fleming Q. W., and Koppelman, J. M. (2000), “Earned Value Project
30
Management” 2nd Ed., Project Management Institute.
31
14. Gulbay, M., and Kahraman, C. (2006), “Development of Fuzzy Process
32
Control Charts and Fuzzy Unnatural Pattern Snalysis”, Computational
33
Statistics & Data Analysis (In Press).
34
15. Handbook for basic Process Improvement, (1996), Navy Total Quality
35
Leadership Office.
36
16. Henderson, K. (2004 ), “Further Developments in Earned Schedule”,
37
The Measurable News, Spring: 15-16.
38
کنترل آماری شاخص های عملکرد زمان و... 010
39
17. Jacob, D. (2003), “Forecasting Project Schedule Completion with
40
Earned Value Metrics”, The Measurable News, March: 7-9.
41
18. Lauras, M., Marques, G., Gourc, D. (2010), Towards a Multidimensional
42
Project Performance Measurement System, Decision
43
Support Systems, 48(2): 342-353.
44
19. Leu, S. S., and Lin, Y. C., (2008), Project performance evaluation based
45
on statistical process control techniques, Journal of Construction
46
Engineering and Management-ASCE, 134(10): 813-819.
47
20. Lipke, W. (1999), “Applying Management Reserve to Software Project
48
Management”, Journal of Defense Software Engineering, March: 17-21.
49
(Reprinted in Projects and Profits, March 2002: 19-26)
50
21. Lipke, W. (2002), “A Study of the Normality of Earned Value
51
Indicators”, The Measurable News, December: 1-16.
52
22. Lipke, W. (2003), “Schedule is Different”, The Measurable News, March.
53
23. Lipke, W. (2003), “Achieving Normality for Cost”, The Measurable
54
24. Lipke, W. (2004), “The Probability of Success”, The Journal of Quality
55
Assurance Institute, January: 14-21.
56
25. Lipke, W., and Vaughn, J., (2000), “Statistical Process Control Meets
57
Earned Value”, The Journal of Defense Software Engineering, Jun: 16-
58
26. Long-Hui, C., (2005), “A Demerit Control Chart with Linguistic
59
Weights”, Journal of Intelligent Manufacturing, 16: 349-356.
60
27. Mabuchi,S. (1988), “An Approach to the Comparison of Fuzzy Subsets
61
-cut Dependent Index”, IEEE Transactions on Systems, Man, and
62
Cybernetics, 18: 264-272.
63
28. McKim, R., Hegazy, T., and Attalla, M., (2000), Project Performance
64
Control in Reconstruction Projects, Journal of Construction Engineering
65
and Management-ASCE, 126(2): 137-141.
66
29. Navon, R., (2005), Automated Project Performance Control of
67
Construction Projects, Automation in Construction, 14(4): 467-476.
68
30. Project Management Institute, (2005), “Practice Standard for Earned
69
Value Management”.
70
31. Rashmi Rohan Shenoy, (2008), “Misuse and Performance of Individuals
71
Charts in Statistical Process Control for Single Parameter
72
Distributions of Unknown Stability”, Northeastern University, MSc
73
Thesis, Department of Mechanical and Industrial Engineering.
74
32. Steyn, H., (2008), A Framework for Managing Quality on System
75
Development Projects, Portland International Conference on
76
Management of Engineering and Technology, Vols 1-5: 1295-1302.
77
33. Wang, J. H., and Raz, T. (1990), “On the Construction of Control
78
Charts using Linguistic Variables" International Journal of Production
79
Research, 28: 477-487.
80