نشریه بین المللی مهندسی صنایع و مدیریت تولید

---

   �ایران یکی از پنج کشور بزرگ مالک ذخایر غنی نفتی در جهان است. علیرغم رشد صادرات محصولات غیرنفتی، هنوز هم بخش اعظم اقتصاد کلان کشور بر نفت متکی است و بیش از % 98 انرژی اولیه کشور از نفت تأمین می‌شود . بنابراین اهمیت تحقیق در زمینه مباحث مرتبط با اقتصاد نفت و بویژه مدلی که بتواند قیمت نفت را پیش ‌ بینی نماید، بر هیچ‍کس پوشیده نیست. امروزه علاقه فراوانی به استفاده از سیستم‌های هوش مند در جهت بهبود کیفیت تصمیمات مالی بوجود آمده است. بویژه شبکه‌های عصبی که از طریق آموزش، توانایی یادگیری از تجارب گذشته و بهبود سطح کارایی خود را دارا هستند، در این رابطه جایگاه ویژه ‌ ای دارند . لذا در این تحقیق با استفاده از یادگیری «هدایت شده» یک مدل شبکه عصبی برای «پیش‌بینی ماهانه قیمت نفت خام»، توسعه داده شده است. در فرآیند توسعه این مدل، تأثیر انواع متغیر های فنی و بنیادی، تعداد نرون‌های لایه ورودی، تعداد لایه‌ها و نرون‌های پنهان، توابع تبدیل لایه‌ها، پیش‌پردازش مناسب داده‌ها، تقسیمات مختلف داده‌ها برای انتخاب مجموعه‌های آموزش و آزمایش ، انواع الگوریتم‌های یادگیری بهبودیافته و انواع شبکه با انجام آزمایش‍های فراوان بررسی شده است. در نهایت یک شبکه پیشخور سه‌لایه ( N ^9-2-8-1 ) با میانگین خطای مطلق 74 سنت در مجموعه آموزش و 71 سنت در مجموعه آزمایش، بعنوان بهترین مدل انتخاب گردیده است.

 

---

در این مقاله، روشی برای بهینه سازی فرآیند با چند سطح پاسخ به وسیله شبکه های عصبی پیشنهاد می شود که در آن از مفهوم مطلوبیت مقدار هر متغیر پاسخ جهت پیش بینی استفاده می کند. در این پژوهش شبکه پس انتشار پیش خور با دو لایه پنهان استفاده می شود. تعداد نرونهای لایه پنهان با استفاده از معیار میانگین مربع خطا برای داده های آموزش و تست تعیین می گردد. تعداد نرون های لایه اول برابر تعداد فاکتورها و تعداد نرونهای لایه آخر برابر تعداد سطوح پاسخ می باشند. پس از آموزش شبکه، مرحله پیش بینی با دادن سطوح مختلف به فاکتورها برای محاسبه مطلوبیت آزمایشهای مختلف به شبکه انجام می شود. در مرحله بعد مقادیر مطلوبیت کل محاسبه می گردد. آنگاه ترکیبی به عنوان بهینه انتخاب می شود که دارای بیشترین مطلوبیت کل باشد. در انتها برای نشان دادن قابلیت شبکه عصبی یک مثال عددی آورده می شود. نتایج این تحقیق نشان می دهد گرچه تعیین نوع شبکه عصبی مناسب زمان بر است ولی از لحاظ دقت نسبت به روش سطح پاسخ مناسب تر می باشد. در ضمن ترکیب بهینه به دست آمده از روش سطح پاسخ یکی از جوابهای بهینه به دست آمده از روش شبکه عصبی می باشد

---

در دنیای رقابتی امروزی، شیوه‌های جذب مشتری یکی از با اهمیت‌ترین حوزه‌های کاربردی داده‌کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش‌بینی رفتار خرید مشتری است. زیرا، پیش‌بینی خوب می‌تواند به توسعه استراتژیهای بازاریابی دقیقتر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری(CRS) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. بعلاوه، نیاز شدیدی به ایجاد یک CRS وجود دارد که همزمان پیچیدگی کم و قابلیت پیش‌بینی خوبی را داشته باشد. از اینرو، مقصود این مقاله، توسعه یک CRS تلفیقی (HCRS) است که از نظر محاسباتی کارا و اثربخش است. نوآوری مدل HCRS، هم طراحی و هم پیاده‌سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (PRT) و طراحی یک شبکه عصبی پیشخوراند بهبودیافته (IFFNN) جهت افزایش سرعت، دقت و کاهش پیچیدگی را شامل می‌شود. از آنجاییکه، شناسایی مشتریان یکی از دغدغه‌های صنعت بیمه است، از داده‌های یک شرکت بیمه هلندی استفاده شده است. نتایج نشان داد که HCRS تنها 7% از ویژگی‌ها را در حالت بهینه انتخاب می‌کند که به میزان قابل‌توجهی هزینه محاسبات را کاهش می‌دهد. به‌‌علاوه، نتایج نشان داد که PRT نسبت به روش منحنی مشخصه عملیاتی دریافت‌کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پیش‌بینی‌های دقیقتری را ارائه می‌کند.

---

در دنیای رقابتی امروزی، شیوه‌های جذب مشتری یکی از با اهمیت‌ترین حوزه‌های کاربردی داده‌کاوی بوده و پرواضح است که یکی از مهمترین ابعاد آن پیش‌بینی رفتار خرید مشتری است. زیرا، پیش‌بینی خوب می‌تواند به توسعه استراتژیهای بازاریابی دقیقتر و صرف کاراتر منابع کمک نماید. ایجاد یک سیستم تشخیص مشتری(CRS) به دلیل وجود تعداد زیادی ویژگی در دسترس طراح کاری بسیار مشکل است. بعلاوه، نیاز شدیدی به ایجاد یک CRS وجود دارد که همزمان پیچیدگی کم و قابلیت پیش‌بینی خوبی را داشته باشد. از اینرو، مقصود این مقاله، توسعه یک CRS تلفیقی (HCRS) است که از نظر محاسباتی کارا و اثربخش است. نوآوری مدل HCRS، هم طراحی و هم پیاده‌سازی سیستم مذکور با ایجاد یک درخت رگرسیونی هرس شده (PRT) و طراحی یک شبکه عصبی پیشخوراند بهبودیافته (IFFNN) جهت افزایش سرعت، دقت و کاهش پیچیدگی را شامل می‌شود. از آنجاییکه، شناسایی مشتریان یکی از دغدغه‌های صنعت بیمه است، از داده‌های یک شرکت بیمه هلندی استفاده شده است. نتایج نشان داد که HCRS تنها 7% از ویژگی‌ها را در حالت بهینه انتخاب می‌کند که به میزان قابل‌توجهی هزینه محاسبات را کاهش می‌دهد. به‌‌علاوه، نتایج نشان داد که PRT نسبت به روش منحنی مشخصه عملیاتی دریافت‌کننده کاراتر بوده و IFFNN نسبت به FFNN و PRT پیش‌بینی‌های دقیقتری را ارائه می‌کند.

---

بانک به عنوان یک نهاد مالی باید ریسک اعتباری هر یک از بدهکاران را برآورد کند. این کار مبنای اصلی قیمت گذاری یک وام، تعیین نرخ بهره مناسب و تعیین مقدار وثیقه مورد نیاز در مورد هر وام گیرنده است. در عین حال باید به کیفیت اعتباری سبد وام خود نیز به عنوان مجموعه­ای از بدهی­ها توجه کند، زیرا تداوم فعالیت بانک، تا حد زیادی به عملکرد آن و حجم زیان­های اعتباری در یک دوره معین بستگی دارد. در این مقاله نحوه محاسبه ریسک اعتباری شرکتهای متقاضی وام بررسی شده است به طوریکه  با استفاده از روش تحلیل سلسله مراتبی فازی معیارهای موثر بر ریسک اعتباری شرکتهای متقاضی وام وزن دهی شده­اند و با استفاده از شبکه عصبی ارتباط بین معیارهای موثر بر ریسک اعتباری و میزان اعتبار شرکت متقاضی وام به صورت مدل جعبه باز¹ استخراج شده است. مدل شبکه عصبی با داده­های تاریخی مربوط به 174 شرکت وام گیرنده در سال­های 1383 تا 1387 از بانک ملت جمهوری اسلامی ایران وام دریافت نموده­اند و دوره بازپرداخت آن­ها تمام شده است اجرا شده است. خروجی مدل قابلیت پیش بینی ریسک اعتباری با دقت 84% را دارا می­باشد

---

مهمترین مسئله مطرح برای سرمایه گذاران به خصوص در آغاز فعالیت اقتصادی، مسئله نحوه تخصیص سرمایه به یک یا چند گزینه مختلف سرمایه گذاری است تا ضمن داشتن حداکثر بازده، حداقل ریسک را متحمل شوند. این موضوع در ادبیات اقتصادی به عنوان مسئله انتخاب پرتفولیو مطرح است. این مقاله بر آن است که به ارائه روشی کارا به منظور پشتیبانی از فرد تصمیم گیرنده در انتخاب پرتفولیو مناسب جهت سرمایه گذاری بپردازد. در این مطالعه، انتخاب پرتفولیو مبنی بر مدل میانگین- واریانس- چولگی در نظر گرفته می شود که به منظور تطبیق هر چه بیشتر مدل با دنیای واقعی، بازده های سهام به صورت متغیرهای فازی فرض شده اند. در این مقاله به منظورحل مدل یک الگوریتم هوشمند ترکیبی جهت رسیدن به جوابی بهینه / نزدیک به بهینه ارائه شده است. در روش ارائه شده، از الگوریتم ژنتیک به منظور جستجوی پرتفولیو و از شبکه عصبی مصنوعی آموزش داده شده با شبیه سازی فازی جهت تخمین بازده و ریسک پرتفولیو استفاده می شود. در این الگوریتم به جهت استفاده از شبکه عصبی مصنوعی در تخمین مقادیر، زمان محاسبات به طور قابل ملاحظه ای در مقایسه با استفاده مستقیم از شبیه سازی فازی کاهش یافته است. همچنین در انتها با ارائه چند مثال عددی کارایی الگوریتم پیشنهادی در مقایسه با چند الگوریتم ترکیبی دیگر سنجیده شده است

---

تنظیم مناسب پارامترها، مهمترین نقش را در عملکرد شبکه عصبی ایفا می کند. لیکن بدلیل اینکه هنوز هیچ روش مشخصی برای انجام این کار وجود ندارد، تنظیم پارامترها همچنان مهمترین مشکل در استفاده از شبکه عصبی مصنوعی محسوب میشود. در این مطالعه، سه معیار به عنوان معیارهای عملکرد شبکه عصبی مصنوعی و سه عامل کنترلی که بیشترین تاثیر را روی معیارهای عملکرد دارند، معرفی شده اند. علاوه بر آن طرح باکس- بنکن برای طراحی آزمایشات مربوط به تنظیم پارامترها بکار برده شده است. بررسی یک فرآیند واقعی برای چنین موضوعاتی از اهمیت ویژه ای برخوردار می باشد، لیکن به منظور بررسی و پیش بینی عملکرد روش پیشنهادی، فرض شده است که متغیر خروجی فرآیند شبیه سازی شده دارای یک تابع نسبتا پیچیده اما معین با متغیرهای ورودی می باشد. بعد از استخراج روابط عوامل کنترلی و معیارهای عملکرد تعیین شده مرتبط با شبکه عصبی طراحی شده، روش برنامه ریزی فازی برای یافتن بهینه ترین ترکیب عوامل کنترلی جهت بهترین عملکرد شبکه عصبی مصنوعی بکار گرفته شده است. نتایج حاصل از مثال عددی بررسی شده، کارایی روش پیشنهادی را نشان میدهد. این رویکرد می تواند برای تنظیم پارامترها در حل انواع مختلف مسائل با استفاده از شبکه عصبی مصنوعی استفاده شود.

---

در دهه گذشته تغییرات بسیار زیادی در حوزه مدیریت تأمین کنندگان در دنیای کسب و کار اتفاق افتاده است و وابستگی شرکت ها به تأمین کنندگان بیشتر از گذشته شده است. در این میان، شرکت ها با تعداد زیادی از اقلام خرید و تأمین کنندگان بالقوه مواجه هستند. همچنین با توجه به تنوع اقلام مورد نیاز، سیاست های یکسان تصمیم گیری در مورد تأمین اقلام مختلف منطقی به نظر نمی رسد. نیاز به سیاست های متفاوت بیان می کند که نوعی از دسته بندی اقلام خرید و تأمین کنندگان مورد نیاز است. در این پژوهش، براساس مدل کرالجیک و با طراحی یک مدل شبکه عصبی اقلام خرید به اقلام استراتژیک، اهرمی، گلوگاهی و عادی دسته بندی می شوند. هدف از این دسته بندی، تفاوت قائل شدن میان اقلام خرید جهت تخصیص سفارشات است. از سوی دیگر، تأمین کنندگان بر اساس عملکردشان توسط یک مدل شبکه عصبی به سه گروه مطلوب، متوسط و نامطلوب طبقه بندی می شوند. در مرحله سوم، تأمین کنندگان جهت تأمین اقلام دسته های مختلف ارزیابی و رتبه بندی می شوند. کارایی روش پیشنهادی با ارائه یک مثال عددی بررسی می شود. نتایج بدست آمده از پژوهش نشان می دهد که رتبه بندی تأمین کنندگان و تخصیص سفارشات خرید با درنظر گرفتن ماهیت اقلام خرید توانمندی بیشتری جهت مدیریت اقلام خرید و تأمین کنندگان ایجاد خواهد نمود.

---

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.

---

روش تاگوچی یک روش متداول برای کنترل کیفیت در حالت برون خطی است. این روش در صدد طراحی پارامتر و انتخاب بهترین سطح پارامترها برای طراحی بهتر روش تولید محصولات با کیفیت است. روش تاگوچی مناسب برای بهینه سازی مسائل چند پاسخه نمی باشد و ما نیازمند به یک روش مهندسی و بهینه سازی برای قضاوت در مورد انتخاب بهترین ترکیب پارامترها می باشیم. از سوی دیگر به علت وجود برخی عوامل غیرقابل کنترل و یا به علت امکان ناپذیر بودن اعمال تمام آزمایشات، فقط برخی از آزمایشات انجام می‌شود و قسمت اعظمی از نتایج ناتمام است. در این مقاله از روش شبکه عصبی پس خور برای حدس نتایج استفاده شده است. از آنجایی که نتایج و اعداد به دست آمده از شبکه عصبی دارای عدم قطعیت هستند و توزیع آن ها مشخص نیست، از رویکرد تحلیل پوششی داده‌های استوار برای انتخاب بهترین ترکیب پارامترها استفاده گردیده است. مدل پیشنهادی این مقاله برروی دستگاه برش لیزر CO2 شرکت تریلر سازی مارال صنعت امتحان گردیده و نتایج مورد بررسی قرار گرفته است.