یک سیستم پشتیبانی تصمیم مبتنی بر نظریه مجموعه‌های ناهموار برای برنامه ریزی بنگاه‌ها در شرایط عدم قطعیت
محورهای موضوعی :
سید امیرهادی مینوفام
1
,
حسن رشیدی
2
1 - استادیار دانشگاه آزاد اسلامی واحد قزوین
2 - دانشگاه علامه طباطبائی
کلید واژه: برنامه ریزی بنگاه, سیستم پشتیبانی تصمیم, عدم قطعیت, کاهش داده‌ها, نظریه مجموعه‌های ناهموار.,
چکیده مقاله :
با رشد روز افزون تاثیر فناوری نوین در بازار جهانی، معیارهای تصمیم‌گیری برای برنامه ریزی بنگاه‌های اقتصادی درگیر چالش‌هایی می‌باشد. یکی از رویکردهای مناسب برای مقابله با این چالش‌ها، استفاده از سیستم‌های پشتیبانی تصمیم با بکارگیری نظریه مجموعه‌های ناهموار است. در این مقاله، یک سیستم پشتیبانی تصمیم به همراه الگوریتمی بر اساس نظریه مجموعه‌های ناهموار برای تصمیم‌گیری پیشنهاد می‌‌گردد. این الگوریتم برای یکی از خطوط تولید در یکی از بنگاه‌های تحت پوشش وزارت صمت، پیاده سازی و اثرات متغیرها بر اهداف آن بررسی شده است. برای تحلیل و ارزیابی نتایج، دو شاخص قدرت و پشتیبانی در قوانین موجود نظریه مجموعه‌های ناهموار، مورد استفاده قرار گرفت. این قوانین در سه دسته، مورد بررسی قرار گرفتند و از بین 12 قانون، سه قانون دارای ارزشی متوسط در آن دو شاخص هستند که همیشه برقرار می باشند. بقیه قوانین توزیع ناهمگنی دارند و امکان نقض شدن 3 مورد از قوانین نیز وجود دارد. مزایای استفاده از سیستم پیشنهادی، جلوگیری از اتلاف سرمایه بنگاه، پیشگیری از اشتباهات ناشی از عدم قطعیت موجود در داده‌ها، دقت بالا در تصمیم گیری، افزایش سادگی و سرعت در انجام تصمیم گیری‌های حیاتی برای این بنگاه و بنگاه‌های اقتصادی مشابه می‌باشد که بر اساس نظرات تصمیم گیرندگان در این بنگاه، مورد تایید قرار گرفت.
Increasing rate of novice technology in global marketing arises some challenges in the economic enterprise planning. One of the appropriate approaches to resolve these challenges is using rough set theory along with decision making. In this paper, a decision support system with an algorithm based on rough set theory is provided. The proposed algorithm is implemented for a product line in one of the organizations under supervision of mining, industry and trade ministry. The variable effects on the enterpise aims are evaluated by analysing the strength and support criteria of rough sets. The rules are classeified as three different classes and 3 out of 12 have high reasonable averagewhie the last 3 have a relatively high violation probability. The other rules have heterogenious distribution and are not certain. The advantages of the proposed system are avoidance of enterprse capital wasting, prevention of errors due to data uncertainty, and high precision of decitions. The decision makers in the enterprise validated the increasment of simplicity and speeds of vital decision making by using the proposed system.
[1] H. Rashidi, Corporate Planning: Using Object Oriented Principles with Looking at Big Data, Allameh Tabatabai University Press (in Persian), 2016.
[2] T.E. Sharda R., Aronson J., Analytics, Data Science and Artificial Intelligence, 11th ed., Pearson Prentice Hall, 2020.
[3] M. Suo, L. Tao, B. Zhu, X. Miao, Z. Liang, Y. Ding, X. Zhang, T. Zhang, Single-parameter decision-theoretic rough set, Inf. Sci. (Ny). (2020).
[4] G. Tang, F. Chiclana, P. Liu, A decision-theoretic rough set model with q-rung orthopair fuzzy information and its application in stock investment evaluation, Appl. Soft Comput. (2020) 106212.
[5] Z. Xue, L. Zhao, L. Sun, M. Zhang, T. Xue, Three-way decision models based on multigranulation support intuitionistic fuzzy rough sets, Int. J. Approx. Reason. 124 (2020) 147–172.
[6] B. Sun, X. Chen, L. Zhang, W. Ma, Three-way decision making approach to conflict analysis and resolution using probabilistic rough set over two universes, Inf. Sci. (Ny). 507 (2020) 809–822.
[7] S. Siraj, L. Mikhailov, J.A. Keane, PriEsT: an interactive decision support tool to estimate priorities from pairwise comparison judgments, Int. Trans. Oper. Res. 22 (2015) 217–235.
[8] D.S. Comas, J.I. Pastore, A. Bouchet, V.L. Ballarin, G.J. Meschino, Type-2 fuzzy logic in decision support systems, in: Soft Comput. Bus. Intell., Springer, 2014: pp. 267–280.
[9] R. Słowiński, S. Greco, B. Matarazzo, Rough-set-based decision support, in: Search Methodol., Springer, 2014: pp. 557–609.
[10] E.K. Zavadskas, P. Vainiūnas, Z. Turskis, J. Tamošaitienė, Multiple criteria decision support system for assessment of projects managers in construction, Int. J. Inf. Technol. Decis. Mak. 11 (2012) 501–520.
[11] Z. Taha, S. Rostam, A fuzzy AHP–ANN-based decision support system for machine tool selection in a flexible manufacturing cell, Int. J. Adv. Manuf. Technol. 57 (2011) 719.
[12] C.-S. Lee, M.-H. Wang, A fuzzy expert system for diabetes decision support application, IEEE Trans. Syst. Man, Cybern. Part B. 41 (2010) 139–153.
[13] Z. Pawlak, Rough sets, Int. J. Comput. Inf. Sci. 11 (1982) 341–356.
[14] D. Chen, X. Zhang, X. Wang, Y. Liu, Uncertainty learning of rough set-based prediction under a holistic framework, Inf. Sci. (Ny). 463 (2018) 129–151.
[15] E. MohammadiSheikh, Halo Error Analysis of Customer Behavior Using Net Promoters Index (NPS) and Ruff Collection Theory (RST) (Case Study: Sony Ericsson Mobile Phone), Business Management, (in
