یک سیستم پشتیبانی تصمیم مبتنی بر نظریه مجموعه‌های ناهموار برای برنامه ریزی بنگاه‌ها در شرایط عدم قطعیت
الموضوعات :
سید امیرهادی مینوفام
1
,
حسن رشیدی
2
1 - استادیار دانشگاه آزاد اسلامی واحد قزوین
2 - دانشگاه علامه طباطبائی
الکلمات المفتاحية: برنامه ریزی بنگاه, سیستم پشتیبانی تصمیم, عدم قطعیت, کاهش داده‌ها, نظریه مجموعه‌های ناهموار.,
ملخص المقالة :
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.
[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
