نشریه بین المللی مهندسی صنایع و مدیریت تولید

در سالیان اخیر تحقیقات گسترده ای برروی مدل ها ی سری زمانی فازی انجام شده است و همواره تعیین اندازه و چیدمان بازه های مجموعه های فازی جزو اصلی ترین مسائل تحقیقاتی در این زمینه بوده است. که در این زمینه تحقیقات متنوعی انجام شده است اما نتایج حاصله تا کنون راضی کننده نیست. لذا در این تحقیق با استفاده از الگوریتم شبیه سازی تبرید و سه عملگر جدید طراحی شده سعی در برطرف نمودن ایرادات مطالعات قبلی برای تعیین بازه های مناسب شده است. گفتنی است که در این بخش روش تاگوچی به عنوان ابزاری برای تعیین مقادیر بهینه ی پارامترها و فاکتورهای مدل مورد استفاده قرار گرفته است. به جهت مقایسه، مدل پیشنهادی (SAFTS( را بر داده های دانشگاه آلاباما اجرا نموده که نتایج بدست آمده حاکی از برتری مدل نسبت به مدل های موجود است و در نهایت به عنوان یک مورد کاربردی، مدل پیشنهادی برروی شاخص بازار بورس تهران اجرا شد و نتایج آن تحلیل گردید.

دراین مقاله برای پیش بینی خرابی و عیب یابی ماشین های تراش از یک رویکرد ترکیبی استفاده شده است. سیستم پیشنهاد شده در این مقاله شامل 2 قسمت آنالوگ و دیجیتال است، که سیستم ترکیبی نام گذاری شده است. در این مدل پیشنهادی ، بخش آنالوگ توسط شبکه های عصبی و بخش دیجیتال توسط بلوک های تصمیم گیری پایش می شود. اطلاعات مورد نیاز این مقاله مبتنی بر نشانه های خرابی های پیش آمده در طی 30 سال گذشته برای دستگاه های تراش یک کارخانه با 383 دستگاه تراش است. برای آموزش مدل پیشنهادی، از داده های شبیه سازی شده با توزیع وایبل استفاده شده است . نتایج بدست آمده نشان می دهد که سیستم ترکیبی ارائه شده می تواند با احتمال بالا و قابل توجه 5/99% خرابی های ماشین های تراش را قبل از وقوع، پیش بینی کرده، و علت آن را تشخیص دهد. ارزیابی عملکرد سیستم پیشنهادی در این مقاله، با استفاده از مثال های عددی و شاخص میانگین مربعات خطا انجام شده است.

رقابتی شدن صنعت بیمه در سال‌های اخیر و ورود بخش خصوصی به این عرصه، توجه به پیش‌بینی رویگردانی مشتری را با اهمیت ساخته است. در این پژوهش، تعدادی از تکنیک‌های شناخته شده دسته‌بندی داده‌کاوی برای پیش‌بینی رویگردانی مشتری در صنعت بیمه به کار گرفته شده است. برای نخستین بار پیش‌بینی‌ رویگردانی مشتری در یک سازمان بیمه‌ای‌ با استفاده از تکنیک ماشین‌ بردار پشتیبان (SVM) انجام می‌شود. در این مقاله نخست از الگوریتم ژنتیک برای فرایند انتخاب مشخصه‌‌های تأثیرگذار استفاده شده است. پس از مدل‌سازی مسأله، پارامترهای مدل ماشین بردار پشتیبان با استفاده از دو روش جستجوی شبکه و اعتبارسنجی متقابل K لایه، بهینه می‌شوند. عملکرد پیش‌بینی روش SVM با روش‌های درخت‌ تصمیم، شبکه‌های عصبی، رگرسیون لجستیک، جنگل تصادفی، دسته‌بندی‌کننده‌ بیزی، K نزدیک‌ترین ‌همسایگی، مقایسه و بهینه‌سازی پارامترهای هر روش با استفاده از جستجوی شبکه انجام شده است. یافته‌های تحقیق نشان می‌دهد که روش ماشین بردار پشتیبان از عملکرد بالاتری نسبت به سایر روش‌ها برخوردار است. در مدل پیشنهادی مبتنی بر این روش، مشخصه‌های سابقه‌ خرید، نحوه‌ آشنایی با سازمان و تمایل به خرید، به‌ عنوان مشخصه‌های اصلی پیش‌بینی‌کننده رویگردانی مشتری شناسایی شدند. در این پژوهش با توجه به مشخصه‌های اصلی پیش‌بینی‌کننده‌ رویگردانی، راهکارهایی برای جلوگیری از رویگردانی مشتری ارائه شده است.

ریسک اﻋﺘﺒﺎری در صنعت بانکداری ﺑﻪ ﻋﻨﻮان ﺧﻄﺮ ﻧﺎﺷﯽ از اﺣﺘﻤﺎل ﻋـﺪم ﺑﺎزﭘﺮداﺧـﺖ ﺗﻌﻬـﺪات ﺗﻮﺳـﻂ ﻣـﺸﺘﺮیان در ﺳﺮرسید ﺑـﻮده و یکی از ﻣﻬـﻢترین ریسک‌ها در ﺑﺎﻧﮏﻫﺎ و ﻣﺆﺳﺴﺎت ﻣﺎﻟﯽ ﺑﻪ ﺣﺴﺎب ﻣﯽآید. استقرار نظام رتبه‌بندی اعتباری با توجه به حجم انبوه مطالبات معوق بانک‌ها، یکی از مهمترین ابزارهای کنترل این نوع ریسک است. این مقاله با استفاده از شبکه‌های عصبی توانمند در حوزه پیش‌بینی و ترکیب آنها قادر است مشتریان را در دو گروه خوش‌حساب و بد‌حساب دسته‌بندی کند. مدل پیشنهادی که دارای ساختار و آموزش ماژولار است، مدل ترکیب سلسله مراتبی شبکه‌های عصبی نام دارد. در مدل یادشده برای تجزیه مساله میان شبکه‌ها و ترکیب نتایج برای رسیدن به پیش‌بینی نهایی و همچنین شیوه آموزش آن از رویکردی جدید استفاده می‌شود. رویکرد پیشنهادی ابتدا، از الگوریتم گسسته بهینه‌سازی انبوه ذرات برای کاهش ابعادی و تجزیه مساله میان ماژول‌های مختلف استفاده می‌کند، سپس برای آموزش، از تلفیق قانون‌های مختص به هر ماژول و قانون آموزش کلی این شبکه استفاده می‌کند. نتایج در مقایسه با شبکه عصبی پرسپترون چندلایه و شبکه عصبی با اتصالات جانبی بدست آمده است. طبق نتایج بدست آمده مدل پیشنهادی توانسته با دقت بسیار بالا رفتار مشتریان را پیش‌بینی نماید.