طراحی مدل تحلیل پوششی داده های تصادفی چندهدفه به منظور پیش بینی کارایی واحدهای سازمانی
Abstract(in Persian; no English abstract is available)
تحلیل پوششی دادهها (dea) تکنیکی است که کارایی واحدهای تصمیمگیرنده (dmu) را براساس ورودیها و خروجیهای آن ها اندازه گیری مینماید. از آنجا که پیشبینی کارایی واحدها برای برنامهریزی دقیقتر برای آینده اهمیت بسزایی دارد، این مقاله ابتدا مدلی جدید به نام مدل تحلیل پوششی دادههای تصادفی فازی چندهدفه (mofs-dea) با اوزان مشترک در محیطی پویا ارایه مینماید که تغییرات دادهها را در طول دورههای متوالی ارزیابی در نظر میگیرد. در این مدل از مفهوم مقدار مورد انتظار برای توابع هدف در راستای پیشبینی کارایی مورد انتظار واحدها و نیز از مفهوم فازی متوسط شانس در بیان محدودیتهای مدل استفاده و همچنین در این مدل ورودیها و خروجیها به صورت متغیرهای فازی مثلثی تصادفی با توزیع نرمال، فرض شده است. سپس تحت این فرض به دلیل پیچیده بودن فرآیند حل، مدل mofs-dea به مدل برنامهریزی تصادفی چندهدفه ی معادلش تبدیل میگردد. آنگاه برای کاهش زمان محاسباتی، مدل تصادفی چند هدفه ی معادل mofs-dea با استفاده از رویکرد برنامه ریزی فازی به مدل تصادفی تک هدفه تبدیل می گردد. همچنین برای حل مدل حاصله، الگوریتم هیبریدی نوینی از طریق تلفیق الگوریتم ژنتیک (ga) و تکنیک شبیه سازی مونتکارلو (mc) طراحی می گردد. نهایتاً در راستای تایید صحت و اثربخشی مدل و الگوریتم هیبریدی پیشنهادی، یک مطالعه ی موردی در انتها صورت گرفته و نتایج حاصله از الگوریتم پیشنهادی با نتایج حاصل از الگوریتم هیبریدی مشابه کین و لیو مقایسه می شود که نتایج حاکی از برتری زمان محاسباتی و کیفیت نتایج الگوریتم هیبریدی پیشنهادی می باشد.