مدیریت عملکرد
ابراهیم گلزار؛ سید اسماعیل نجفی؛ سید احمد عدالت پناه؛ امیر عزیزی
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 ...
بیشتر
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.
مدیریت صنعتی
محسن کوچکی؛ بهنام وحدانی
چکیده
ذخیره‌سازی و چیدمان صحیح محصولات در انبار، باعث افزایش کارایی در پاسخگویی به درخواست ها، تسریع در شناسایی محصولات، افزایش قابلیت دسترسی به اقلام موجود در انبار، استفاده بیشتر از فضای موجود در انبار، تعیین موقعیت محصولات در انبار و آسیب ندیدن آن‌ها، فراهم آمدن حداکثر انعطلاف پذیری و شرایط مطلوب انبارداری می شود. با بررسی مطالعاتی ...
بیشتر
ذخیره‌سازی و چیدمان صحیح محصولات در انبار، باعث افزایش کارایی در پاسخگویی به درخواست ها، تسریع در شناسایی محصولات، افزایش قابلیت دسترسی به اقلام موجود در انبار، استفاده بیشتر از فضای موجود در انبار، تعیین موقعیت محصولات در انبار و آسیب ندیدن آن‌ها، فراهم آمدن حداکثر انعطلاف پذیری و شرایط مطلوب انبارداری می شود. با بررسی مطالعاتی که در حوزه انبارداری و چیدمان محصولات در انبار صورت گرفته و قبل از چیدمان محصولات در انبار، به صورت جامع و فراگیر با توجه به ویژگی کالاها،دسته بندی روی آنان صورت نگرفته است. لذا در این مقاله با استفاده از الگوریتم های یادگیری ماشین و داده کاوی با توجه به ویژگی‌هایی که برای کالاها در انبار کارخانه تولیدی - صنعتی فراسان در نظر گرفته شده است به دسته بندی محصولات پرداخته و سپس به چیدمان محصولات در انبار با استفاده از مدل برنامه ریزی ریاضی پرداختیم. هدف از مسئله مورد بررسی در حوزه انبارداری و چیدمان محصولات،علاوه بر دسته بندی محصولات بر اساس ویژگی‌های آن‌ها ،کمینه کردن تابع هزینه به دست آمده نسبت به مدل برنامه‌ریزی‌ریاضی می‌باشد.از این رو برای دسته بندی کالاها از الگوریتم مبتنیبر‌چگالی (DB ) ، شبکه عصبی نگاشت خودسازمان ده (SOM ) و روش خوشه بندی سلسله مراتبی (AGNES) استفاده شده است. نتایج به دست آمده نشان می‌دهد که شبکه SOM،عملکرد بهتری نسبت به الگوریتم مبتنی بر چگالی دارد و همچنین الگوریتم مبتنی بر چگالی عملکرد بهتری نسبت به روش خوشه بندی سلسله مراتبی دارد.
