صفحه محصول - مبانی نظری ارزیابی عملکرد پالایشگاه های گاز کشور با مدل ترکیبی Neuro-DEA

مبانی نظری ارزیابی عملکرد پالایشگاه های گاز کشور با مدل ترکیبی Neuro-DEA (docx) 1 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 1 صفحه

قسمتی از متن Word (.docx) :

دانشگاه علوم و فنون مازندران دانشکده صنایع ارزیابی عملکرد پالایشگاه های کشور با مدل ترکیبی تحلیل پوششی داده ها و شبکه های عصبی مصنوعی پایان نامه جهت دریافت درجه کارشناسی ارشد رشته صنایع ،گرایش صنایع نام دانشجو : سیده نجمه تختی اساتید راهنما : دکتر رضاییان ، دکتر تاجدین زمستان 93 تقدیر و تشکر به مصداق «من لم یشکر المخلوق لم یشکر الخالق » بسی شایسته است از استاد فرهیخته و فرزانه جناب آقای دکتر جواد رضاییان که با کرامتی چون خورشید ، سرزمین دل را روشنی بخشیدند و گلشن سرای علم و دانش را با راهنمایی های کار ساز و سازنده بارور ساختند ; تقدیر و تشکر نمایم. ( و یزکیهم و یعلمهم الکتاب و الحکمه ) معلما مقامت ز عرش برتر باد همیشه توسن اندیشه ات مظفر باد به نکته های دلاویز و گفته های بلند صحیفه های سخن از تو علم پرور باد همچنین از پدر و مادر عزیز ، دلسوز و مهربانم که آرامش روحی و آسایش فکری فراهم نمودند تا با حمایت های همه جانبه در محیطی مطلوب ، مراتب تحصیلی و نیز پایان نامه درسی را به نحو احسن به اتمام برسانم ; سپاسگزاری نمایم. شکر خدا که هر چه طلب کردم از خدا بر منتهای همت خود کامران شدم به پاس تعبیر عظیم و انسانی شان از کلمه ایثار و از خودگذشتگانبه پاس عاطفه سرشار و گرمای امیدبخش وجودشان که در این سردترین روزگاران بهترین پشتیبان استبه پاس قلب های بزرگشان که فریاد رس است و سرگردانی و ترس در پناهشان به شجاعت می گرایدو به پاس محبت های بی دریغشان که هرگز فروکش نمی کند. با سپاس ازسه وجود مقدس آنان که ناتوان شدند تا ما به توانایی برسیم... موهایشان سپید شد تا ماروسفید شویم.... و عاشقانه سوختند تا گرمابخش وجود ما و روشنگر راهمان باشند.... پدرانمان مادرانمان استادانمان چکیده : کارایی و رتبه بندی زیرمجموعه های یک صنعت کاری ضروری است ، و لازم است حداقل سالی یکبار عملکرد آنها را برپایه اصول علمی مورد ارزیابی قرار داد. صنعت نفت و گاز به عنوان یکی از اساسی ترین صنایع ایران از حساس ترین و مهمترین منابع درآمد دولت به شمار میرود .بدیهی است وجود کارایی در این صنعت عایدات دولت را چندین برابر مینماید و این مهم جز با ارزیابی دقیق و صحیح واحدها ی تحت پوشش میسر نمیشود . از آنجایی که تحلیل پوششی داده ها کارایی متفاوتی در طول زمان ارائه میدهد و به هیچ پیش فرض اولیه ای درباره مرز کارایی نیاز ندارد لذا در میان تمام روشهای ارزیابی عملکرد ، DEA در سازماندهی و تحلیل داده ها بهترین روش است .بنابراین با جمع آوری اطلاعات ورودی و خروجی 6 پالایشگاه کشور کارایی آن ها را محاسبه کرده و واحدهای کارا و ناکارا شناسایی شدند.. اما DEA قادر به تفکیک کارایی همه ی پالایشگاه ها ازیکدیگرنیست . دلیل این موضوع کمبود تعداد واحدهای تصمیم گیرنده (6 پالایشگاه ) نسبت به تعداد ورودی و خروجی ها( 4 ورودی و 4 خروجی ). لذا DEA قادر به رتبه بندی کامل واحدها نیست، بنابراین از تلفیق تحلیل پوششی داده ها و شبکه عصبی مصنوعی به منظور اندازه گیری عملکرد واحدها ی تصمیم گیرنده استفاده شده است به نحوی که مشکل مذکور برطرف گردد. و در آخر مقایسه ای بین نتایج حاصل از این دو روش صورت گرفته است . کلمات کلیدی : کارایی ، ارزیابی عملکرد ، تحلیل پوششی داده ها ، شبکه عصبی ، پالایشگاه فهرست مطالب TOC \o "1-3" \h \z \u فصل اول PAGEREF _Toc410550864 \h 1کلیات تحقیق PAGEREF _Toc410550865 \h 11-1- مقدمه PAGEREF _Toc410550866 \h 21-2- تعریف مسأله PAGEREF _Toc410550867 \h 41-3- اهداف اساسی از انجام تحقیق PAGEREF _Toc410550868 \h 61-4- ضرورت انجام تحقیق PAGEREF _Toc410550869 \h 61-5- فرضیات تحقیق PAGEREF _Toc410550870 \h 71-6- جامعه آماری PAGEREF _Toc410550871 \h 71-7- قلمرو تحقیق PAGEREF _Toc410550872 \h 71-8- مراحل انجام تحقیق : PAGEREF _Toc410550873 \h 8فصل دوم PAGEREF _Toc410550874 \h 7مرور ادبیات و بررسی پیشینه ی تحقیق PAGEREF _Toc410550875 \h 72-1- مقدمه PAGEREF _Toc410550876 \h 82-2- تعاریف کارایی PAGEREF _Toc410550877 \h 82-3- روش هاي اندازه گیري کارایی فنی PAGEREF _Toc410550878 \h 92-3-1- روش هاي پارامتري PAGEREF _Toc410550879 \h 92-3-2- روش هاي نا پارامتري PAGEREF _Toc410550880 \h 102-4- مقایسۀ رگرسیون وتحلیل پوششی داده ها PAGEREF _Toc410550881 \h 102-5- مفاهیم کارایی PAGEREF _Toc410550882 \h 112-6- استفاده ازنسبت دراندازه گیري کارایی PAGEREF _Toc410550883 \h 122-7- انواع مدل هاي پایه اي (کلاسیک) تحلیل پوششی داده ها : PAGEREF _Toc410550884 \h 132-7-1- مدل CCR : PAGEREF _Toc410550885 \h 142-7-2- مدل BCC PAGEREF _Toc410550886 \h 212-7-3- مدل جمعی ( SBM= Slack Based Model ) PAGEREF _Toc410550887 \h 252-8- رتبه بندي واحد هاي کارا PAGEREF _Toc410550888 \h 262-9- روش اندرسون – پیترسون PAGEREF _Toc410550889 \h 272-10- شبکه های عصبی مصنوعی ( ANNs ) PAGEREF _Toc410550890 \h 292-10-1- مقدمه PAGEREF _Toc410550891 \h 292-10-2- شبکه عصبی PAGEREF _Toc410550892 \h 302-10-3- معرفی شبکه عصبی مصنوعی PAGEREF _Toc410550893 \h 312-10-4- تاریخچه شبکه‌های عصبی مصنوعی PAGEREF _Toc410550894 \h 322-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟ PAGEREF _Toc410550895 \h 332-10-7- ساختار شبکه‌های عصبی PAGEREF _Toc410550896 \h 362-10-8- تقسیم بندی شبکه‌های عصبی PAGEREF _Toc410550897 \h 372-10-9- کاربرد شبکه‌های عصبی PAGEREF _Toc410550898 \h 382-10-10- معایب شبکه‌های عصبی PAGEREF _Toc410550899 \h 392-10-11- مسائل مناسب برای یادگیری شبکه های عصبی PAGEREF _Toc410550900 \h 392-11- یادگیری یک پرسپترون PAGEREF _Toc410550901 \h 402-11-1- آموزش پرسپترون PAGEREF _Toc410550902 \h 432-11-2- الگوریتم یادگیری پرسپترون PAGEREF _Toc410550903 \h 432-12- مقایسه آموزش یکجا و افزایشی PAGEREF _Toc410550904 \h 442-13- شبکه های چند لایه PAGEREF _Toc410550905 \h 452-14- الگوریتم Back propagation PAGEREF _Toc410550906 \h 462-15- شبکه های عصبی چند لایه پیش خور PAGEREF _Toc410550907 \h 502-16- انواع شبکه های عصبی : PAGEREF _Toc410550908 \h 532-16-1- شبکه عصبی پرسپترون PAGEREF _Toc410550909 \h 532-16-2- شبکه همينگ PAGEREF _Toc410550910 \h 552-16-3- شبکه هاپفيلد PAGEREF _Toc410550911 \h 572-16-4- شبکه عصبی خود سازمانده مدل کوهنن PAGEREF _Toc410550912 \h 582-16-5- شبکه عصبی تأ خير زمانی PAGEREF _Toc410550913 \h 592-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA ) PAGEREF _Toc410550914 \h 602-17-1- مقدمه PAGEREF _Toc410550915 \h 612-17-2- الگوریتم تحلیل کارایی PAGEREF _Toc410550916 \h 642-17-3- نرمال سازی داده ها PAGEREF _Toc410550917 \h 642-18- مفاهیم کارایی ، بهره وری و اثربخشی PAGEREF _Toc410550918 \h 682-19- مروری بر مطالعات انجام شده PAGEREF _Toc410550919 \h 70فصل سوم PAGEREF _Toc410550920 \h 62روش تحقیق PAGEREF _Toc410550921 \h 623-1- مقدمه PAGEREF _Toc410550922 \h 633-2- روش تحقیق PAGEREF _Toc410550923 \h 633-3- جامعه آماری PAGEREF _Toc410550924 \h 643-4- شیوه گردآوری اطلاعات PAGEREF _Toc410550925 \h 653-5- مراحل انجام تحقیق PAGEREF _Toc410550926 \h 663-6- شیوه نرمال سازی PAGEREF _Toc410550927 \h 673-7- ارزیابی و تحلیل کارایی فنی پالایشگاه های گاز کشور با رویکرد تحلیل پوششی داده ها (DEA ) PAGEREF _Toc410550928 \h 673-7-1- مدل سازی ریاضی PAGEREF _Toc410550929 \h 683-7-2- مدل مضربی CCR ورودی محور PAGEREF _Toc410550930 \h 693-7-3- روش اندرسون – پیترسون بر ای رتبه بندی واحدهای کارا PAGEREF _Toc410550931 \h 703-8- دلایل استفاده از مدل مضربی CCR ورودی محور در مقایسه با مدل BCC PAGEREF _Toc410550932 \h 703-9- روش تحقیق مورد استفاده در تحلیل کارایی با مدل های ترکیبی Neuro/DEA PAGEREF _Toc410550933 \h 723-9-1- مدل مورد استفاده در تحقیق PAGEREF _Toc410550934 \h 723-9-2- روش به کار گرفته شده در مدل های ترکیبی Neuro/DEA1 و Neuro/DEA2 جهت ارزیابی واحد ها PAGEREF _Toc410550935 \h 74فصل چهارم PAGEREF _Toc410550936 \h 71نتایج و تفسیر آن ها PAGEREF _Toc410550937 \h 714-1- مقدمه PAGEREF _Toc410550938 \h 724-2- نرمالیز کردن داده ها PAGEREF _Toc410550939 \h 734-3- الگوریتم پس انتشار PAGEREF _Toc410550940 \h 794-4- شبکه پیش سو PAGEREF _Toc410550941 \h 814-5- جمع آوری داده ها : Neuro – DEA PAGEREF _Toc410550942 \h 814-6- نرمال سازی داده ها Neuro /DEA PAGEREF _Toc410550943 \h 824-7- داده های آموزش PAGEREF _Toc410550944 \h 844-8- داده های تست PAGEREF _Toc410550945 \h 844-9- عملیات آموزش PAGEREF _Toc410550946 \h 864-10- نمایش نمودارها PAGEREF _Toc410550947 \h 89فصل پنجم PAGEREF _Toc410550948 \h 87نتیجه گیری و پیشنهادات PAGEREF _Toc410550949 \h 875-1- محدودیت های انجام تحقیق PAGEREF _Toc410550950 \h 885-2- نتیجه گیری PAGEREF _Toc410550951 \h 885-3- تحقیقات آتی PAGEREF _Toc410550952 \h 89منابع و مراجع PAGEREF _Toc410550953 \h 90منابع فارسی PAGEREF _Toc410550954 \h 91منابع انگلیسی PAGEREF _Toc410550955 \h 93 فهرست اشکال شکل 1-1- مقایسه رگرسیون و DEA ........................................................................................................9 شکل 2-1- پرسپترون تک لایه ..................................................................................................................29 شکل 2-2- پرسپترون ................................................................................................................................30 شکل 2-3- توابعی که پرسپترون قادر به یادگیری آن ها می باشد ...........................................................30 شکل 2-4- مقایسه آموزش افزایشی و یکجا ...............................................................................................32 شکل 2-5- منحنی یادگیری ........................................................................................................................35 شکل 2-6- نمودار خطا .................................................................................................................................36 شکل 2-7- شرط پایان الگوریتم BP ..........................................................................................................36 شکل 2-8- پرسپترون تک لایه ..................................................................................................................39 شکل 2-9- پرسپترون تک لایه .................................................................................................................39 شکل 2-10- شبکه همینگ .......................................................................................................................40 شکل 2-11- شبکه هاپفیلد ........................................................................................................................41 شکل 2-12- شبکه کوهنن...........................................................................................................................42 شکل 2-13- ساختار نرون در شبکه TDNN ..............................................................................................43 شکل 2-14- الگوریتم تحلیل کارایی ...........................................................................................................48 شکل 2-15- شبکه پرسپترون سه لایه .......................................................................................................70 شکل 3-1- ورودی و خروجی های پالایشگاه ها ...........................................................................................78 شکل 4-1- تابع سیگموئیدی ........................................................................................................................84 شکل 4-2- مقایسه خروجی های شبیه سازی شده ......................................................................................85 شکل 4-3- مقایسه خروجی ها با داده های تست .........................................................................................86 شکل 4-4- مقایسه کارایی مدل DEA و ANN ............................................................................................86 فهرست جدول جدول 2-1- مدل جمعی ......................................................................................................................20 جدول 3-1- معرفی پالایشگاه ها ...........................................................................................................65 جدول 3-2- مشخصه های متغیرهای تصمیم .........................................................................................66 جدول 3-3- مشخصه های متغیرهای تصمیم ........................................................................................66 جدول 3-4- مشخصه های متغیرهای تصمیم ........................................................................................66 جدول 4-1- اطلاعات ورودی و خروجی سال 93 ..................................................................................72 جدول 4-2- اطلاعات ورودی و خروجی سال 92...................................................................................73 جدول 4-3- داده های نرمال شده سال 93 ............................................................................................74 جدول 4-4- داده های نرمال شده سال 92 ............................................................................................74 جدول 4-5- کارایی واحدها در سال 92 و 93 ........................................................................................75 جدول 4-6- کارایی AP در سال 92..........................................................................................................75 جدول 4-7- کارایی AP در سال 93..........................................................................................................75 جدول4-8- ورودی ANN در سال 92........................................................................................................79 جدول4-9- ورودی ANN در سال 93........................................................................................................79 جدول 4-10- نرمال سازی داده ها ............................................................................................................79 جدول 4-11- داده های نرمال شده ............................................................................................................80 جدول 4-12- اندیس های مربوط به آموزش ..............................................................................................81 جدول 4-13- اندیس های مربوط به تست .................................................................................................81 جدول 4-14- داده های ورودی و خروجی آموزش .....................................................................................81 جدول 4-15- داده های ورودی و خروجی تست .........................................................................................82 جدول 4-16- ارزیابی شبکه آموزش دیده ..................................................................................................82 جدول 4-17- صحت فرایند آموزش ...................................................................................................83 جدول 4-18- خروجی شبیه سازی شده و واقعی برای تست .............................................................83 جدول 4-19- میانگین مربعات خطا ..................................................................................................83 جدول 4-20- میانگین مقایسه کارایی خروجی ANN و DEA سال 92 ...........................................85 جدول 4-21- میانگین مقایسه کارایی خروجی ANN و DEA سال 93 ...........................................85 فصل دوم مرور ادبیات و بررسی پیشینه ی تحقیق 2-1- مقدمه همانطور که قبلاٌ گفته شد ، باید در استفاده از DEA برای ارزیابی عملکرد سایر واحدهای تصمیم گیرنده احتیاط کرد . وجود این مسأله باعث شده است که اخیراٌ شبکه های عصبی مصنوعی به عنوان جایگزین خوبی برای برآورد مرزهای کارا جهت تصمیم گیری به کار گرفته شود .زیرا ماهیت عملکرد شبکه های عصبی به دلیل قدرت یادگیری و تعمیم پذیری به گونه ای است که در برابر داده های پرت و اغتشاشات حاصل از اندازه گیری غیر دقیق داده ها مقاوم تر عمل می کنند .در زیر مختصری راجع به تحلیل پوششی داده ها و شبکه های عصبی مصنوعی می پردازیم . ]2[ 2-2- تعاریف کارایی 2-2-1- تعریف کارایی اقتصادي کارایی اقتصادي عبارت است از نسبت میزان محصول تولیدي قابل استفاده به میزان منابع تولیدي که براي ساخت آن محصول به کار گرفته شده است.(کارایی برحسب میزان محصول) کارایی هرسیستم برحسب ارزش محصول به دست آمده درازاي ارزش هرواحد از منابع تولید به کار رفته اندازه گیري می شود. (کارایی برحسب قیمت وارزش ) کارایی اقتصادي دریک موسسۀ تولیدي متضمن حل دو مسئلۀ " انتخاب ترکیب مناسبی ازمنابع تولیدي" و " انتخاب روش وطریقۀ تولید" است .]5[ 2-2-2- تعریف کارایی فنی وتخصیصی همان گونه که در تعاریف بالا ملاحظه می شود، کارایی اقتصادي شامل دوجزء کارایی فنی وکارایی اقتصادي می باشد. فارل کارایی اقتصادي را شامل دوجزء زیر تعریف می کند: 1- کارایی فنی منعکس کنندة توانایی یک بنگاه در به دست آوردن حد اکثر خروجی از ورودي هاي به کار گرفته شده است. 2- کارایی تخصیصی منعکس کنندة توانایی یک بنگاه براي استفادة از ورودي ها به نسبت بهینه با توجه به قیمت و فناوري تولید است. ترکیب دو کارایی فنی وتخصیصی را ، کارایی اقتصادي می نامند . ]9[ 2-3- روش هاي اندازه گیري کارایی فنی به طورکلی دراندازه گیري کارایی بنگاه ها( واحد ها ) دوروش عمده براي اندازه گیري کارایی وجوددارد. یکی روش هاي پارامتري ودیگري روش هاي ناپارامتري . 2-3-1- روش هاي پارامتري درروش پارامتري با استفاده از روش هاي مختلف آماري واقتصاد سنجی تابع تولید مشخصی تخمین زده می شود. سپس با به کارگیري این تابع نسبت به تعیین کارایی اقدام می شود. روش رگرسیون از جمله روش هاي پارامتري است. 2-3-2- روش هاي نا پارامتري روش هاي ناپارامتري به تخمین تابع تولید نیاز ندارند. ازجمله روش هاي ناپارامتري تحلیل پوششی داده ها است ،که کارایی نسبی واحد ها را درمقایسه با یکدیگر مورد ارزیابی قرار می دهد. دراین روش به شناخت شکل تابع تولید نیازي نیست و محدودیتی درتعداد ورودي ها و خروجی ها وجود ندارد. ]9[ 2-4- مقایسۀ رگرسیون وتحلیل پوششی داده ها روش رگرسیون میانگین مشاهدات مربوط به واحدها را تعیین وعملکرد هر واحدرا نسبت به یک معادلۀ رگرسیون بهینه شده ، مشخص می کند. تحلیل پوششی داده ها از تمامی مشاهدات گردآوري شده براي اندازه گیري کارایی استفاده کرده وهرکدام از مشاهدات را درمقایسه با مرز کارا سنجیده وآن را بهینه می نماید. روش تحلیل پوششی داده ها باترکیب تمامی واحد هاي تحت بررسی، یک واحد مجازي بابالاترین کارایی را می سازد وواحد هاي نا کارا را با آن مقایسه می کند. شکل زیر تفاوت این دو روش را نشان می دهد .]1[ شکل 1 -1- مقایسه رگرسیون و تحلیل پوششی داده ها 2-5- مفاهیم کارایی 2-5-1- تعریف کارایی کارایی میزان بهره وري یک سازمان از منابع خود درعرصۀ تولید نسبت به بهترین عملکرد در مقطعی از زمان است. کارایی با نسبت خروجی واقعی به خروجی مورد انتظار تعریف می شود، یعنی : 2-5-2- انواع کارایی ها : کارایی درانواع زیر تعریف می شوند: 2-5-2-1- کارایی فنی : کارایی فنی میزان تبدیل ورودي هایی مانند نیروي انسانی وماشین آلات به خروجی ها، درمقایسه با بهترین عملکرد است. کارایی فنی نشان دهندة میزان توانایی یک بنگاه براي حداکثر کردن میزان تولید با توجه به منابع وعوامل مشخص شدة تولید است. درتحلیل پوششی داده ها کارایی فنی با نسبت مجموع موزون خروجی ها به ورودي ها تعریف می شود. دراقتصاد زمانی یک بنگاه را به لحاظ فنی کارا می دانند که مقدار تولید آن برروي منحنی تولید یکسان قرار گیرد. 2-5-2-2- کارایی تخصیصی کارایی تخصیصی بر تولید بهترین ترکیب محصولات با استفاده از کم هزینه ترین ترکیب ورودي ها دلالت می کند. درواقع کارایی تخصیصی به این پرسش پاسخ می دهد که آیا قیمت ورودي هاي مورد استفاده به گونه اي هست که هزینۀ تولید را حداقل نماید. 2-5-2-3- کارایی ساختاري کارایی ساختاري معمولا براي یک صنعت تعریف می شود. کارایی ساختاري یک صنعت از متوسط وزنی کارایی شرکت هاي مختلف آن صنعت به دست می آید. با استفاده از معیار هاي کارایی ساختاري می توان کارایی صنایع مختلف با محصولات متفاوت را با هم مقایسه نمود. 2-5-2-4- کارایی مقیاس کارایی مقیاس یک واحد ازنسبت کارایی مشاهده شدة آن واحد به کارایی درمقیاس بهینه (به کارایی واحدي که بهترین کارایی را دارد) به دست می آید . هدف این کارایی ، تولید درمقیاس بهینه است . ]1[ 2-6- استفاده ازنسبت دراندازه گیري کارایی همان گونه که درمفهوم کارایی بیان شد ، کارایی به صورت نسبت خروجی به ورودي به صورت زیرتعریف می شود : با توجه به رابطۀ فوق براي بهبود کارایی یک بنگاه یا واحد صنعتی پنج روش زیر وجود دارد: الف- افزایش ورودي وبه دست آوردن خروجی بیشتر ب - ثابت نگه داشتن ورودي وافزایش خروجی ج- کاهش ورودي وکاهش کمتر خروجی د- کاهش ورودي وثابت نگه داشتن خروجی ه- کاهش ورودي وافزایش خروجی نسبت فوق درمقایسۀ کارایی واحد هایی که فقط ازیک ورودي ویک خروجی استفاده می کنند، آسان است. ولی این گونه واحد ها درعمل بسیار نادرند. عموما واحد ها ازتعداد زیادي ورودي وخروجی استفاده می کنند. ]1[ 2-7- انواع مدل هاي پایه اي (کلاسیک) تحلیل پوششی داده ها : تحلیل پوششی داده ها داراي مدل هاي پایه اي به شرح زیراست: مدل CCR مدل BCC مدل جمعی SBM که درزیر به تشریح هریک آن ها پرداخته می شود. 2-7-1- مدل CCR : مدل CCR دریک دسته بندي کلی به فرم کسري وفرم خطی تقسیم می شود . مدل CCR در فرم خطی به مدل CCR ورودی محور و مدل CCR خروجی محور تقسیم می شود . مدل CCR ورودي محور خود در سه فرم کسري، مضربی، وپوششی طبقه بندي می گردد . مدل CCR خروجی محور نیز داراي فرم هاي مضربی وپوششی می باشد. در زیر انواع فرم های CCR تشریح می شوند : 2-7-1-1- مدل CCR در فرم کسری اگر هدف ، بررسی کارایی n واحد تصمیم گیرنده یا DMU باشد که هر واحد دارای m ورودی و s خروجی به صورت زیر باشند : می باشد . کارایی واحد j ام به صورت زیر محاسبه می شود : 1687830270124 (1) (1)lefttop00 که ur و vi به ترتیب وزن های خروجی و ورودی واحد j ام می باشند . برای ساختن مدل ، فرض کنید n واحد تصمیم گیرنده (DMU) موجود است و هدف ارزیابی واحد تحت بررسی ( واحد صفر یا واحد تصمیم گیرنده ) است ، که ورودی های x10 ، x20 ، ... و xm0 را برای تولید y10 ، y20 ، و ... ys0 به مصرف می رساند . حال براي واحد صفر ، یک واحد مجازي می سازیم که ورودي وخروجی آن به صورت زیر است: lefttop(2) (3) که vi وزن های ورودی و ur وزن های خروجی واحد مجازی است ، که در واقع متغیرهای تصمیم مدل بوده و هدف تعیین آن هاست . ]1[ حال می خواهیم مقادیر vi و ur را برای واحد مجازی صفر ( واحد تحت بررسی ) طوری انتخاب کنیم که کارایی آن ماکسیمم شود ، یعنی : 3342640257810 (4) (4)476251016000 در مدل فوق اگر ur ها خیلی بزرگ و vi ها خیلی کوچک باشند ، آنگاه مقدار نسبت ها می تواند نامحدود وبی نهایت گردد. براي جلوگیري از ایجاد چنین مشکلی تمامی نسبت ها (کارایی همۀ واحدها) را کوچکتر یا مساوي یک درنظر می گیرند وبه عنوان محدودیت وارد مدل می کنند. با توجه به توضیحات فوق مدل کلی CCR در فرم کسری به صورت زیر در می آید : 42618991017767 (6) (6)4261899159026(5)(5) 2-7-1-2- مدل CCR در فرم خطی برای تبدیل مدل کسری CCR ، به یک مدل برنامه ریزي خطی ، چارنز، کوپر و رودز دو شیوه ، را به کار گرفته اند. درشیوة اول مخرج کسر را ثابت درنظر گرفته وصورت آن را حد اکثر می نمایند. مدل حاصل از این شیوه را مدل ورودي محور (نهاده گرا) می نامند. درشیوة دوم صورت کسر را ثابت نگهداشته ومخرج آن را حد اقل می کنند. مدل حاصل از این شیوه را مدل خروجی محور (ستاده گرا) می گویند.]1[ 2-7-1-3- مدل CCR ورودی محور مدل هاي ورودي محور دریک تقسیم بندي به دو گروه مدل هاي مضربی ومدل هاي پوششی تقسیم می شوند، که درادامه به تشریح آن ها می پردازیم. 2-7-1-4- مدل مضربی CCR ورودی محور دراین روش براي تبدیل مدل نسبت CCR به مدل برنامه ریزي خطی ، مخرج کسر را معادل یک، قرار می دهیم وصورت کسر را ماکسیمم می نماییم. بدین ترتیب مدل به صورت زیر درمی آید: 2-7-1-5- مدل پوششی CCR ورودی محور قبلا مدل مضربی CCR ورودی محور به صورت زیر ارائه گردید : درمدل فوق براي هر واحد تصمیم گیرنده، باید یک محدودیت (قید) نوشته شود. به این ترتیب ، یک مدل برنامه ریزي خطی به دست خواهد آمد که تعداد محدودیت هاي آن از تعداد متغیر هایش بیشتر است. ازآن جا که حجم عملیات در روش سیمپلکس براي حل مسایل برنامه ریزي خطی بیشتر وابسته به تعداد محدودیت ها است تا تعداد متغیرها . به همین دلیل از مدل دوگان (ثانویه) مسئلۀ فوق استفاده می شود که نیازمند حجم عملیات کمتري است. براي تبدیل مدل اولیۀ فوق به مدل دوگان ، متغیر متناظر با محدودیت (1 ) را درمسئلۀ دوگان با θ و متغیر هاي متناظر با محدودیت هاي ( 2 ) را با jλ نشان می دهیم. مدل ثانویه (دوگان) به صورت زیر در خواهد آمد : 1773583119352(3)(4)0(3)(4)lefttop مدل فوق با تغییر اندکی به صورت زیر در می آید. این مدل رافرم پوششی مدل CCR ورودی محور می نامند . 4325344384810(5)(6)0(5)(6) دقت کنید که در مدل اولیه ، m ورودی و s خروجی و n واحد تصمیم گیرنده وجود داشت ، که براساس آن مسأله دوگان دارای (m+1 ) متغیر است که تعداد محدودیت های آن کمتر از مسأله اولیه و در نتیجه حل آن مستلزم حجم عملیات کمتری است . مدل پوششی همان دوگان مدل اولیه است . 2-7-1-6- مدل CCR خروجی محور دریک مدل خروجی محور ، یک واحد درصورتی ناکارا است که امکان افزایش هر یک از خروجی ها بدون افزایش یک ورودي یا کاهش یک خروجی دیگر وجود داشته باشد. مدل نسبت ( کسری ) CCR را که درابتدا توضیح داده شد، دوباره به شرح زیر می نویسیم: 2897091179041(1)(2)0(1)(2)lefttop در مدل CCR خروجی محور، براي خطی کردن مدل غیرخطی فوق صورت کسر را برابر 1 می گیرند ومخرج آن را می نیمم می کنند. بدین ترتیب مدل ها به صورت زیر در می آیند: 2-7-1-7- مدل مضربی CCR خروجی محور 4517390707225(3)(4)0(3)(4) 2-7-1-8- مدل پوششی CCR خروجی محور برای ساختن مدل پوششی CCR خروجی محور ، دوگان مدل مضربی CCR خروجی محور را با قرار دادن θ و jλ به عنوان متغیر هاي دوگان متناظر با محدودیت اول ومحدودیت هاي دوم به صورت زیر به دست می آوریم: 4611757-39758(5)(6)0(5)(6) هدف ما کسب بیشترین مقدار خروجی است . در این مدل 1 < θ است و 1θ میزان کارایی را نشان می دهد .]1[ 2-7-2- مدل BCC بنکر، چارنز وکوپر باتغییر درمدل CCR ، مدل جدیدي را عرضه کردند که بر اساس حروف اول نام خانوادگی آنان به مدل BCC شهرت یافت . این مدل از انواع مدل هاي تحلیل پوششی داده ها است که به ارزیابی کارایی نسبی واحدهایی با بازده متغیر نسبت به مقیاس می پردازد. مدل هاي بازده به مقیاس ثابت محدود کننده تر از مدل هاي بازده به مقیاس متغیر هستند، زیرا مدل بازده به مقیاس ثابت واحد هاي کاراي کمتري را در برمی گیرد ومقدار کارایی نیز کمتر می شود. بازده به مقیاس بازده به مقیاس مفهومی است بلند مدت ، که منعکس کنندة نسبت افزایش درخروجی به ازاي افزایش درمیزان ورودي ها است. این نسبت می تواند ثابت ، افزایشی یا کاهشی باشد. : CRSبازدة ثابت به مقیاس: بازده به مقیاس ثابت نسبت بازدة ثابت به مقیاس وقتی صادق است که افزایش در ورودي به همان نسبت باعث افزایش درخروجی شود. به عنوان مثال اگر نیرویکار وسرمایه دو برابر شود، میزان محصول هم دو برابر گردد. IRS بازده افزایشی به مقیاس : بازدة افزایشی نسبت به مقیاس آن است که میزان خروجی به نسبتی بیش از میزان افزایش در ورودي ها ، افزایش یابد. DRS بازدة کاهشی به مقیاس : درصورتی که میزان افزایش در خروجی ها کمتر از نسبتی باشد که ورودي ها افزایش می یابند، بازده به مقیاس کاهشی ایجاد می شود. PPS مجموعۀ امکان تولید : تمامی ترکیب هاي ممکن ازورودي ها وخروجی هارا مجموعۀ امکان تولید می نامند. به عنوان درشکل زیر نمایش داده y ویک خروجی x مثال منحنی نمایش تابع تولید که براي یک ورودي شده است. ]6[ 2-7-2-1- مدل نسبت BCC مدل نسبت BCC براي ارزیابی کارایی واحد تحت بررسی(صفر) به صورت زیر است: ساختار مدل نسبت BCC همانند مدل نسبت CCR است که در تابع هدف مهم در تمامی قیود به صورت کسر یک متغیر آزاد در علامت w افزوده می شود . 2-7-2-2- مدل مضربی BCC ورودی محور مدل مضربی BCC ورودی محور ، از حداکثر کردن صورت کسر و ثابت نگه داشتن مخرج کسر به وجود می آید . مدل مضربی BCC ورودی محور به صورت زیر است : 4572000-2153(1)(2)0(1)(2) همانطور که ملاحظه می شود ، تفاوت این مدل با مدل CCR در وجود متغیر آزاد در علامت w است . علامت متغیر w در این مدل نوع بازده به مقیاس را به صورت زیر تعیین می کند : الف ) هرگاه w<0 باشد ف نوع بازده به مقیاس ف کاهشی است . ب ) هرگاه w=0 باشد ، نوع بازده به مقیاس ، ثابت است . ج ) هرگاه w>0 باشد ، نوع بازده به مقیاس ، افزایشی است .]1[ 2-7-2-3- مدل پوششی BCC ورودی محور مدل پوششی BCC ورودی محور ، به صورت زیر است : 4707172209633(1)(2)(3)0(1)(2)(3) همان گونه که مشاهده می شود محدودیت متناظر با اضافه شدن متغیر آزاد در علامت w در مسأله اولیه ، محدودیت j=1nλj=1 است . در این مدل ، θ نسبت کاهش ورودي هاي واحد تحت بررسی را براي بهبود کارایی نشان می دهد. یک واحد دراین مدل کارا است ، اگر وفقط اگر دوشرط زیر براي آن بر قرار باشد: الف ) 1 = *θ ب ) تمامی متغیرهاي کمکی مقدار صفر داشته باشند 2-7-2-4- مدل مضربی BCC خروجی محور مدل مضربی BCC خروجی محور ، به صورت زیر است : 4779534714072(1)(2)0(1)(2) 2-7-2-5- مدل پوششی BCC خروجی محور مدل پوششی BCC خروجی محور ، به صورت زیر می باشد : 4667416389613(1)(2)(3)0(1)(2)(3) 2-7-3- مدل جمعی ( SBM= Slack Based Model ) مدل هاي ورودي محور درحالی که میزان خروجی ها را در سطح داده شده حفظ می کند، به طور مناسب ودر حد امکان نسبت به کاهش میزان ورودي ها اقدام می نماید. برعکس ، مدل هاي خروجی محور با حفظ میزان ورودي به طور متناسب ، خروجی ها افزایش می دهد مدل جمعی ، مد لی است که همزمان کاهش ورودي ها وافزایش خروجی ها را مورد توجه قرار می دهد. انواع این مدل به مدل به صورت جدول در زیر خلاصه شده است : جدول 2-1- مدل جمعی دید گاه ورودي محور، خروجی محور وبازده به مقیاس ثابت ومتغیر بازده به مقیاس ، ارتباط بین تغییرات ورودي ها وخرجی هاي یک بنگاه، یک سیستم تولیدي یا یک سیستم خدماتی را بیان می کند. به طور واضح تر بازده به مقیاس به این پرسش ، پاسخ می دهد که اگر میزان منابع ومواد اولیۀ یک کارخانه دوبرابر شود میزان تولید یا ستادة آن چند برابر تغییر می کند؟ سه حالت زیرممکن است اتفاق بیفتد: الف) با دوبرابر شدن میزان منابع ، میزان خروجی نیز دو برابر شود(بازده به مقیاس ثابت) ب) با دوبرابر شدن میزان منابع ، میزان خروجی کمتر ازدوبرابر شود ( بازده به مقیاس کاهشی ) ج) با دوبرابر شدن میزان منابع ، میزان خروجی بیشتر ازدوبرابر شود( بازده به مقیاس افزایشی ) 2-8- رتبه بندي واحد هاي کارا همان گونه که قبلا بیان شد، درتحلیل پوششی داده ها، واحد هاي تحت بررسی به دو گروه کارا وناکارا تقسیم می شوند. واحد هاي کارا واحد هایی هستند که امتیاز کارایی آن ها برابر با یک است. واحد هاي ناکارا با کسب امتیاز کارایی قابل رتبه بندي هستند. اما واحد هاي کارا ، چون همگی داراي امتیاز یک می باشند، با استفاده از مدل هاي کلاسیک تحلیل پوششی داده ها قابل رتبه بندي نیستند. بدیهی است که رتبه بندي واحد هاي کارا به جهت تعیین کارا ترین واحد ها ، اهمیت زیادي دارد. لذا روش هاي زیر به منظور رتبه بندي این واحد ها ارایه شده است. 2-9- روش اندرسون – پیترسون درسال 1993 ، اندرسون وپترسون ، روشی را براي رتبه بندي واحد هاي کارا پیشنهاد کردند که تعیین کاراترین واحد را از میان واحد هاي کارا میسر می سازد. بااین روش امتیاز واحد هاي کارا می تواند ازیک بیشتر شود. به این ترتیب ، واحد هاي کارا نیز می توانند مانند واحد هاي ناکرا رتبه بندي شوند. رتبه بندي واحد هاي کارا به صورت زیر انجام می شود. گام 1 : مدل مضربی ( یا پوششی ) CCR را براي واحد هاي تحت بررسی حل کنید تا واحد هاي کارا و غیر کارا مشخص شوند . در صورتی که واحد تحت ارزیابی واحد k باشد ، مدل مضربی آن به صورت زیر است : و مدل پوششی آن به صورت زیر است : توجه : در مدل BCC ، محدودیت j=1nλj=1 به مجموعه محدودیت های فوق اضافه می شود . گام 2 : فقط واحد هاي کارایی را درنظر بگیرید که امتیاز آن ها درقدم اول معادل یک شده وازمجموعۀ محدودیت قدم اول، محدودیت مربوط به آن واحد را از مدل مضربی متناظر به این محدودیت را از مدل پوششی حذف ودوباره مدل را حل کنید. 4658829347345 (7)0 (7)در حالتی که واحد k ، واحدی کارا باشد ، در این گام ، در مدل مضربی محدودیت شماره ی 3 به صورت زیر خواهد بود : ودر مدل پوششی محدودیت هاي 5 و 6 به صورت زیر در می آیند: 457263566206(8)(9)0(8)(9) از آن جا که درگام 2 محدودیت مربوط به واحد تحت بررسی که حد بالاي آن عدد 1 است ، حذف می شود، مقدار کارایی می تواند بیش از 1 شود. بدین ترتیب، واحدهاي کارا با امتیاز هایی بالاتر از یک رتبه بندي می شوند. ]2[ 2-10- شبکه های عصبی مصنوعی ( ANNs ) 2-10-1- مقدمه در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاٌ تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات برای مسائلی که یا برای آن ها راه حلی موجود نیست و یا به راحتی قابل حل نیستند ، بوده ایم . با عنایت به این حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستم های دینامیکی هوشمند مدل – آزاد که مبتنی بر داده های تجربی هستند ، ایجاد شده است . " شبکه های عصبی مصنوعی " جزء این دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده ها تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر به این سیستم ها هوشمند گویند چرا که براساس محاسبات روی داده ها عددی یا مثال ها قوانین کلی را فرا می گیرند . این سیستم های مبتنی بر هوش محاسباتی سعی در مدل سازی ساختار نرو – سیناپتیکی مغز بشر دارند . پیاده سازی ویژگی های شگفت انگیز مغز در یک سیستم مصنوعی ( سیستم دینامیکی ساخته دست بشر ) همیشه وسوسه انگیز و مطلوب بوده است . بسیارند محققینی که طی سال ها در این زمینه فعالیت ها کرده اند ، لیکن نتیجه این تلاش ها ، صرف نظر از یافته های ارزشمند ، باور هرچه بیشتر این اصل بوده است که " مغز بشر دست نیافتنی است . " با تأکید بر این نکته که گذشته از متافیزیک ، دور از دسترس بودن ایده آل " هوش طبیعی " را می توان با عدم کفایت دانش موجود بشر از فیزیولوژی عصبی پذیرفت باید اذعان داشت که عالی بودن هدف و کافی نبودن دانش موجود ، خود سبب انگیزش پژوهش های بیشتر و بیشتر در این زمینه بوده و خواهد بود ، همچنان که امروزه شاهد بروز چنین فعالیت هایی در قالب شبکه های عصبی مصنوعی هستیم . اغلب آنهایی که با چنین سیستم هایی آشنایی دارند به اغراق آمیز بودن آن ها معترفند . این اغراق ، اگر چه بیانگر مطلوبیت و نیز بعضی مشابهت های این گونه سیستم ها با سیستم های طبیعی است ، ولی می تواند تا حدی بین آنچه که سیستم های عصبی مصنوعی در اختیار قرار می دهد و آنچه که از نامشان بر می آید تناقض ایجاد نماید . لذا هنگام صحبت کردن در مورد اساس شبکه های عصبی ، باید حدود انتظارات و برداشت ها و شباهت ها را مشخص کرد . 2-10-2- شبکه عصبی جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلول ها و اندام های مختلف بدن خود نیاز به عوامل و دستگاه های ارتباطی دارند.دستگاه عصبی با ساختار و کار ویژه ی ای که دارد،در جهت ایجاد این هماهنگی به وجود آمده است. نورون ها پیام عصبی را به بافت ها و اندام های بدن ،مانند ماهیچه ها غده هاو نیز نورون های دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشته هایی که از جسم سلولی نورون ها بیرون زده اند دو نوع اند:دندریت و آکسون دندریت ها پیام هارا دریافت میکنند و به جسم سلولی میبرند،آکسون ها پیام عصبی را از جسم سلولی به تا پایانه های آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیون ها نورون وابسته است.در دستگاه عصبی دو بخش اصلی وجود دارد;دستگاه عصبی مرکزی و دستگاه عصبی محیطی.دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند.این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد.دستگاه عصبی مرکزی از دو بخش ماده ی خاکستری که بیشتر محتوی جسم سلولی نورون هاست و ماده ی سفید که اجتماع بخش های میلین دار نورون هاست،تشکیل شده است. دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمع آوری میکند و به دستگاه عصبی مرکزی میبرد. مغز حدود۱۰۰میلیارد نورون است و حدود ۱.۵کیلوگرم وزن دارد.مغز شامل :مخ،مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری ،حافظه،وعملکرد هوشمندانه را دارد.مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است. ساقه ی مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی،پل مغز و بصل النخاع است . نخاع درون ستون مهره ها از بصل النخاع تا کمر امتداد دارد.نخاع مغز را به دستگاه عصبی محیطی وصل میکند. دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است.دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیر ارادی مارا بر عهده دارد.دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری ارامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند. ]13[ 2-10-3- معرفی شبکه عصبی مصنوعی شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می کنند .]12[ 2-10-4- تاریخچه شبکه‌های عصبی مصنوعی از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحاً نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود. نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت. در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند. با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان آوالانچ را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود. پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است. ]14[ 2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟ شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد: یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند. خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده‌هایی که در طول آموزش دریافت کرده را انجام دهد. نورون‌ها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد. عملگرهای بی‌درنگ: محاسبات در شبکه عصبی مصنوعی می‌تواند به صورت موازی و به وسیله سخت‌افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است انجام شود. تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود. دسته بندی: شبکه‌های عصبی قادر به دسته بندی ورودی‌ها بر ای دریافت خروجی مناسب می‌باشند. تعمیم دهی: این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته‌ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت‌ها و روابط را به خاطر بسپارد. پایداری-انعطاف پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد. 2-10-6- شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی یک شبکه عصبی به طور کلی با یک کامپیوتر سنتی در موارد زیر تفاوت دارد: شبکه‌های عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظه‌ای برای نگهداری داده و دستورالعمل نیستند. به مجموعه‌ای از ورودی‌ها به صورت موازی پاسخ می‌دهند. بیشتر با تبدیلات و نگاشت‌ها سروکار دارند تا الگوریتم‌ها و روش‌ها. شامل ابزار محاسباتی پیچیده نبوده، از تعداد زیادی ابزارساده که اغلب کمی بیشتر از یک جمع وزن دار را انجام می‌دهند تشکیل شده‌اند. شبکه‌های عصبی شیوه‌ای متفاوت برای حل مسئله دارند. کامپیوترهای سنتی از شیوه الگوریتمی برای حل مسئله استفاده می‌کنند که برای حل مسئله مجموعه‌ای از دستورالعمل‌های بدون ابهام دنبال می‌شود. این دستورات به زبان سطح بالا و سپس به زبان ماشین که سامانه قادر به تشخیص آن می‌باشد تبدیل می‌شوند. اگر مراحلی که کامپیوتر برای حل مسئله باید طی کند از قبل شناخته شده نباشند و الگوریتم مشخصی وجود نداشته باشد، سامانه توانایی حل مسئله را ندارد. کامپیوترها می‌توانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینه‌ای از آنها نداریم انجام دهند. شبکه‌های عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه می‌توانند مکمل هم باشند. کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همین طور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمی‌باشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر، از ترکیبی از روش‌های فوق استفاده می‌کنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده می‌شود. شبکه‌های عصبی معجزه نمی‌کنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام می‌دهند. ] 12[ نورون مصنوعی یک نورون مصنوعی سامانه‌ای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت می‌باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد می‌گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می‌شود. اگر ورودی جزء ورودی‌های از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیم گیری می‌کند. از نورون‌های انسان تا نورون مصنوعی با کنار گذاشتن برخی از خواص حیاتی نورون‌ها و ارتباطات درونی آنها می‌توان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه سازی کرد. 2-10-7- ساختار شبکه‌های عصبی یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد: لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است. لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود. لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد. شبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری). هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد: پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد. پسرو: داده‌ها از گره‌های لایه بالا به گره‌های لایه پایین بازخورانده می‌شوند. جانبی: خروجی گره‌های هر لایه به عنوان ورودی گره‌های همان لایه استفاده می‌شوند. ] 10[ 2-10-8- تقسیم بندی شبکه‌های عصبی بر مبنای روش آموزش به چهار دسته تقسیم می‌شوند: وزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری و فشرده سازی) و حافظه‌های تناظری آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دسته‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) می‌باشد، بدون اینکه خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یاد گیری معمولاً بر پایه شیوه برترین هم خوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را بر پایه خروجی حاصل شده از ورودی تغییر می‌دهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیرد چگونه به ورودی پاسخ بدهد. اصولاً هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکه‌های بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است. آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. در این روش‌ها یا از خروجی‌ها به وزن‌ها ارتباط وجود دارد یا خطا به صورت پس انتشار از لایه خروجی به ورودی توزیع شده‌است و وزن‌ها اصلاح می‌شوند. هدف طرح شبکه‌ای است که ابتدا با استفاده از داده‌های آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلاً فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکه‌ای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می‌شود. آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست). 2-10-9- کاربرد شبکه‌های عصبی شبکه‌های عصبی مصنوعی دارای دامنه کاربرد وسیعی می‌باشند از جمله سامانه‌های آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، اکتشاف نفت و گاز، سامانه‌های تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرایندهای کنترل صنعتی، مدیریت خطا، تشخیص صدا، تشخیص هپاتیت، بازیابی اطلاعات راه دور، شناسایی مین‌های زیردریایی، تشخیص اشیاء سه بعدی و دست نوشته‌ها و چهره و... در کل می‌توان کاربردهای شبکه‌های عصبی را به صورت زیر دسته بندی کرد: تناظر (شبکه الگوهای مغشوش وبه هم ریختهرا بازشناسی می‌کند)، خوشه یابی، دسته بندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلاً به شبکه آموزش داده نشده)، بهینه سازی. امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، پردازش تصویر و مسائلی از این دست می‌شود و نیز مسائل دسته بندی مانند دسته بندی متون یا تصاویر، به کار می‌روند. در کنترل یا مدل سازی سامانه‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور(کنترل‌کننده موتور) از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. کاربرد مناسب تر شبکه عصبی ( در مقایسه با روش هایی از قبیل PID )برای کنترل یک سیستم دور موتور در برابر تغییرات ناگهانی بار و زمان پاسخ دهی نیز مطرح شده است . 2-10-10- معایب شبکه‌های عصبی با وجود برتری‌هایی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله: قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد. در مورد مسائل مدل سازی، صرفاً نمی‌توان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیر ممکن است. دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد. آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد. پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست. ]11[ 2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی خطا در داده های آموزشی وجود داشته باشد. مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند. مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی. تابع هدف دارای مقادیر پیوسته باشد. زمان کافی برای یادگیری وجود داشته باشد. این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد. نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان اوزان یادگرفته شده توسط شبکه را تعبیر نمود. ]13[ پرسپترون نوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود. یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با 1 و در غیر اینصورت معادل -1 خواهد بود. 2798859258031 شکل 2-1- پرسپترون یک لایه 2-11- یادگیری یک پرسپترون خروجی پرسپترون توسط رابطه زیر مشخص میشود : 453199511650(1)0(1) که برای سادگی آنرا میتوان بصورت زیر نشان داد: 4596959442(2)(3)0(2)(3) یادگیری پرسپترون عبارت است از: پیدا کردن مقادیردرستی برای W ، بنابراین فضای فرضیه H در یادگیری پرسپترون عبارت است ازمجموعه تمام مقادیر حقیقی ممکن برای بردارهای وزن. توانائی پرسپترون پریسپترون را میتوان بصورت یک سطح تصمیم hyperplane در فضای n بعدی نمونه ها در نظر گرفت. پرسپترون برای نمونه های یک طرف صفحه مقدار 1 و برای مقادیر طرف دیگر مقدار -1 بوجود میاورد. شکل 2-2- پرسپترون توابعی که پرسپترون قادر به یادگیری آنها میباشد یک پرسپترون فقط قادر است مثالهائی را یاد بگیرد که بصورت خطی جداپذیر باشند. اینگونه مثالها مواردی هستند که بطور کامل توسط یک hyperplaneقابل جدا سازی میباشند. شکل 2-3- توابعی که پرسپترون قادر به یادگیری آنها میباشد توابع بولی و پرسپترون یک پرسپترون میتواند بسیاری از توابع بولی را نمایش دهد نظیر AND, OR, NAND, NOR ، اما نمیتواند XORرا نمایش دهد. در واقع هر تابع بولی را میتوان با شبکه ای دوسطحی از پرسپترونها نشان داد. اضافه کردن بایاس افزودن بایاس موجب میشود تا استفاده از شبکه پرسپترون با سهولت بیشتری انجام شود. برای اینکه برای یادگیری بایاس نیازی به استفاده از قانون دیگری نداشته باشیم بایاس را بصورت یک ورودی با مقدار ثابت 1 در نظر گرفته و وزن W0 را به آن اختصاص میدهیم. ]25[ 2-11-1- آموزش پرسپترون چگونه وزنهای یک پرسپترون واحد را یاد بگیریم به نحوی که پرسپترون برای مثالهای آموزشی مقادیر صحیح را ایجاد نماید؟ دو راه مختلف : قانون پرسپترون قانون دلتا 2-11-2- الگوریتم یادگیری پرسپترون مقادیری تصادفی به وزنها نسبت میدهیم پریسپترون را به تک تک مثالهای آموزشی اعمال میکنیم. اگر مثال غلط ارزیابی شود مقادیر وزنهای پرسپترون را تصحیح میکنیم. آیا تمامی مثالهای آموزشی درست ارزیابی میشوند: بله پایان الگوریتم خیربه مرحله 2 برمیگردیم محاسبه گرادیان 4293704337875 (1)0 (1)با مشتق گیری جزئی از رابطه خطا میتوان بسادگی گرادیان را محاسبه نمود: E’(W)/ wi = Σi (ti – Oi) (-xi) 4270016366395(2)0(2)لذا وزنها طبق رابطه زیر تغییر خواهند نمود. Δwi = η Σi (ti – oi) xi 2-12- مقایسه آموزش یکجا و افزایشی شکل 2-4 - مقایسه آموزش افزایشی و یکجا 2-13- شبکه های چند لایه بر خلاف پرسپترونها شبکه های چند لایه میتوانند برای یادگیری مسائل غیر خطی و همچنین مسائلی با تصمیم گیری های متعدد بکار روند. ]29[ یک سلول واحد 4079019573515برای اینکه بتوانیم فضای تصمیم گیری را بصورت غیر خطی از هم جدا بکنیم، لازم است تا هر سلول واحد را بصورت یک تابع غیر خطی تعریف نمائیم. مثالی از چنین سلولی میتواند یک واحد سیگموئید باشد: تابع سیگموئید 4141663299582 (1) (2)0 (1) (2)خروجی این سلول واحد را بصورت زیر میتوان بیان نمود: تابع σ تابع سیگموئید یا لجستیک نامیده میشود. این تابع دارای خاصیت زیر است: 41026253479 (3)0 (3) 2-14- الگوریتم Back propagation برای یادگیری وزن های یک شبکه چند لایه از روش Back Propagation استفاده میشود. در این روش با استفاده از gradient descent سعی میشود تا مربع خطای بین خروجی های شبکه و تابع هدف مینیمم شود. خطا بصورت زیر تعریف میشود: 407987586995 (1)0 (1) مراد ازoutputs خروجیهای مجموعه واحد های لایه خروجی و tkdو okd مقدار هدف و خروجی متناظر با k امین واحد خروجی و مثال آموزشی d است. فضای فرضیه مورد جستجو در این روش عبارت است از فضای بزرگی که توسط همه مقادیر ممکن برای وزنها تعریف میشود. روش gradient descent سعی میکند تا با مینیمم کردن خطا به فرضیه مناسبی دست پیدا کند. اما تضمینی برای اینکه این الگوریتم به مینیمم مطلق برسد وجود ندارد. انتشار به سمت جلو برای هر مثال X مقدار خروجی هر واحد را محاسبه کنید تا به گره های خروجی برسید. انتشار به سمت عقب برای هر واحد خروجی جمله خطا را بصورت زیر محاسبه کنید:δk = Ok (1-Ok)(tk – Ok) برای هر واحد مخفی جمله خطا را بصورت زیر محاسبه کنید: δh = Oh (1-Oh) Σk Wkh δk مقدارهر وزن را بصورت زیر تغییر دهید: 40728900 (1)0 (1) Wji = Wji + ΔWji که در آن : 407142758420 (2)0 (2)ΔWji = η δj Xji شرط خاتمه معمولا الگوریتم BP پیش از خاتمه هزاران بار با استفاده همان داده های آموزشی تکرار میگردد شروط مختلفی را میتوان برای خاتمه الگوریتم بکار برد: توقف بعد از تکرار به دفعات معین توقف وقتی که خطا از یک مقدار تعیین شده کمتر شود. توقف وقتی که خطا در مثالهای مجموعه تائید از قاعده خاصی پیروی نماید. اگر دفعات تکرار کم باشد خطا خواهیم داشت و اگر زیاد باشد مسئله Overfitting رخ خواهد داد. ]25[ محنی یادگیری شکل 2-5- منحنی یادگیری قدرت نمایش لایه پنهان یکی از خواص BP این است که میتواند در لایه های پنهان شبکه ویژگیهای نا آشکاری از داده ورودی نشان دهد. برای مثال شبکه 8x3x8 زیر طوری آموزش داده میشود که مقدارهرمثال ورودی را عینا در خروجی بوجو د آورد )تابع f(x)=x را یاد بگیرد(. ساختار خاص این شبکه باعث میشود تا واحد های لایه وسط ویژگی های مقادیر ورودی را به نحوی کد بندی کنند که لایه خروحی بتواند از آنان برای نمایش مجدد داده ها استفاده نماید. ]14[ در این آزمایش که به تعداد 5000 بار تکرار شده از 8 داده مختلف به عنوان ورودی استفاده شده و شبکه با استفاده از الگوریتم BP موفق شده تا تابع هدف را بیاموزد. با مشاهده خروجی واحد های لایه میانی مشخص میشود که بردار حاصل معادل انکدینگ استاندارد داده ههای ورودی بوده است (000,001,,...,111) نمودارخطا شکل 2-6- نمودار خطا قدرت تعمیم و overfitting شرط پایان الگوریتم BP چیست؟ یک انتخاب این است که الگوریتم را آنقدر ادامه دهیم تا خطا از مقدار معینی کمتر شود. این امر میتواند منجر به overfitting شود. شکل 2-7- شرط پایان الگوریتم BP 2-15- شبکه های عصبی چند لایه پیش خور شبکه های عصبی چند لایه پيش خور به طور وسيعی د ر زمينه های متنوعی از قبيل طبقه بندی الگوها٬ پردازش تصاویر٬ تقریب توابع و ... مورد استفاده قرار گرفته است. الگوریتم یادگيری پس انتشار خطا٬ یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پيش خور می باشد. این الگوریتم٬ تقریبی از الگوریتم بيشترین تنزل3 می باشد و در چارچوب یادگيری عملکردی 4 قرار می گيرد. عموميت یافتن الگوریتم٬ BP بخاطر سادگی و کاربردهای موفقيت آميزش در حل مسائل فنی­ مهندسی می باشد. عليرغم٬ موفقيت های کلی الگوریتم BP در یادگيری شبکه های عصبی چند لایه پيش خور هنوز٬ چندین مشکل اصلی وجود دارد: الگوریتم پس انتشار خطا٬ ممکن است به نقاط مينيمم محلی در فضای پارامتر٬ همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود٬ نمی توان مطمئن شد که به یک جواب بهينه رسيده باشيم. سرعت همگرایی الگوریتم ٬BP خيلی آهسته است. از این گذشته٬ همگرایی الگوریتم ٬BP به انتخاب مقادیر اوليه وزنهای شبکه٬ بردارهای بایاس و پارامترها موجود در الگوریتم٬ مانند نرخ یادگيری٬ وابسته است. در این گزارش٬ با هدف بهبود الگوریتم ٬BP تکنيک های مختلفی ارائه شده است. نتایج شبيه سازیهای انجام شده نيز نشان می دهد٬ الگوریتم های پيشنهادی نسبت به الگوریتم استاندارد ٬BP از سرعت همگرایی بالاتری برخوردار هستند. خلاصه ای از الگوریتم BP از قانون یادگيری پس انتشار خطا (٬(BP برای آموزش شبکه های عصبی چند لایه پيش خور که عموماً شبکه های چند لایه پرسپترون MLP) 5) هم ناميده می شود٬ استفاده می شود٬ استفاده می کنند. به عبارتی توپولوژی شبکه های ٬MLP با قانون یادگيری پس انتشار خطا تکميل می شود. این قانون تقریبی از الگوریتم بيشترین نزول (S.D) است و در چارچوب یادگيری عملکردی قرار می گيرد. بطور خلاصه٬ فرایند پس انتشار خطا از دو مسير اصلی تشکيل می شود. مسير رفت6 و مسير برگشت 7 . در مسير رفت٬ یک الگوی آموزشی به شبکه اعمال می شود و تأثيرات آن از طریق لایه های ميانی به لایه خروجی انتشار می یابد تا اینکه نهایتاً خروجی واقعی شبکه ٬MLP به دست می آید. در این مسير٬ پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)٬ ثابت و بدون تغيير در نظر گرفته می شوند. در مسير برگشت٬ برعکس مسير رفت٬ پارامترهای شبکه MLP تغيير و تنظيم می گردند. این تنظيمات بر اساس قانون یادگيری اصلاح خطا انجام می گيرد. سيگنال خطا٬ رد لایه خروجی شبکه تشکيل می گردد. بردار خطا برابر با اختلاف بين پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا٬ پس از محاسبه٬ در مسير برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند. در شبکه های ٬MLP هر نرون دارای یک تابع تحریک غير خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت٬ ارتباط بين پارامترهای شبکه و سيگنال خطا٬ کاملاً پيچيده و و غير خطی می باشد٬ بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نيستند. جهت محاسبه مشتقات از قانون زنجيره ای معمول در جبر استفاده می شود. معایب الگوریتم استاندارد پس انتشار خطاSBP)) الگوریتم ٬BP با فراهم آوردن روشی از نظر محاسباتی کارا٬ رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های ٬MLP با قانون یادگيری ٬BP بيشترین کاربرد را در حل مسائل فنی­ مهندسی دارند. با وجود٬ موفقيت های کلی این الگوریتم در یادگيری شبکه های عصبی چند لایه پيش خود٬ هنوز مشکلات اساسی نيز وجود دارد: اولاً سرعت همگرایی الگوریتم BP آهسته است. همانطور که می دانيم٬ تغييرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)٬ پس از هر مرحله تکرار الگوریتم ٬BP به اندازه ٬ است٬ به طوریکه ٬F شاخص اجراییx ٬ پارامترهای شبکه و ٬α طول قدم یادگيری است. از این٬ هر قدر طول قدم یادگيری٬α ٬ کوچکتر انتخاب گردد٬ تغييرات ایجاد شده در پارامترهای شبکه٬ پس از هر مرحله تکرار الگوریتم ٬BP کوچکتر خواهد بود٬ که این خود منجر به هموار گشتن مسير حرت پارامترها به سمت مقادیر بهينه در فضای پارامترها می گردد. این مسئله موجب کندتر گشتن الگوریتم BP می گردد. بر عکس با افزایش طول قدم ٬α اگرچه نرخ یادگيری و سرعت یادگيری الگوریتم BP افزایش می یابد٬ ليکن تغييرات فاحشی در پارامترهای شکه از هر تکراربه تکرار بعد ایجاد می گردد٬ که گاهی اوقات موجب ناپایداری و نوسانی شدن شبکه می شود که به اصطلاح می گویند پارامترهای شبکه واگرا شده اند. ]17[ 2-16- انواع شبکه های عصبی : ابتدا مسئله ای را مطرح کرده وسپس برای يافتن راه حل آن سه شبکه عصبی پرسپترون، همينگ و هاپلفيد را معرفی می کنيم . فرض می کنيم در انباری ميوه های سيب گلابی وپرتقال از طريق ريلی به قسمت سنسور هدايت می شوند و دستگاه سه ويزگی ميوه هاراکه عبارتندازشکل،زبری و صافی سطح و وزن می باشند را اندازه می گيردو ميوه ها را از هم جدا می کند .به اين دستگاه ترتيب برای شکل گرد مقدار1 برای شکل بيضی مقدار 1- را نشان خوهد داد. همچنين مقدار 1و1- را برای سطح صاف و ناصاف و همين طور برای وزن کمتراز 200 و وزن بيشتر از 200 گرم نشان می دهد .وp نوع ميوه ای است که وارد می شود . 2-16-1- شبکه عصبی پرسپترون شبکه های عصبی پرسپترون ، به ويژه پرسپترون چند لايه ، در زمره کاربردی ترين شبکه های عصبی می باشند .اين شبکه ها قادرندبا انتخاب مناسب تعدادلايه ها و سلول های عصبی،که اغلب هم زياد نيستند، يک نگاشت غير خطی را با دقت دلخواه انجام دهند . پرسپترون تک لايه: نخستين شبکه ای که برای مسئله مذکور بررسی میشودپرسپترون تک لايه است که ساختار آن به صورت زير است. شکل 2-8- پرسپترون تک لايه می توان برای حل مسئله نمودار زيررا رسم کرد . شکل 2-9- پرسپترون تک لایه توجه داريم که همواره خط مرزی بر بردار وزن عمود است .ومحل قرار گرفتن مرز توسط بردار باياس b تعيين می شود . هر نقطه روی خط مرزی، تصويرش روی بردار وزن ، برابر با مضربی از منفی جمله با ياس -b است و واضح است که برای تمامی نقاطی که برای تمامی نقاطی که بالای خط مرزی قرارگرفته اندمقدارn منفی خواهد بود (چون طول تصوير بردار جديد ، p روی w از مقدار است و در جهت مخالف بردار w می باشد ،n منفی خواهد بود ) در نتيجه مقذار خروجی 1- می باشد بالعکس برای تمامی نقاطی که در سمت چپ خط مرزی در پايين خط انتخاب می شوند . مقدار n مثبت و در نتيجه مقدار a برابر 1 خواهد بود . در حالتی که تعداد نرون ها برابر s باشد ماتريس وزن دارای s سطر خواهد بود . هر سطر I از ماتريس وزن،برداروزن رابرای نرون iام خواهدساخت، وبدين ترتيب به تعدادسطرهاي ماتريس w ، فوق صفحه در فضای ورودی خواهيم داشت و مرز های تصميم گيری توسط معادله ی مشخص می شوند . با توجه به اين معادله می توان گفت نمی توان همواره دسته ها را در فضای ورودی توسط پرسپترون تک لايه مجزا کردزيرا مرز ها معادلات خطی را نمايندگی می کنند ، از اين رو فقط دسته هايی را که در فضای ورودی توسط خطوط از خم جدا پذيزند ، می توان توسط پرسپترون تک لايه جدا نمود 2-16-2- شبکه همينگ اين شکه نخستين بار توسط اشتاين بوخ ذر سال 1961 مطرح شد و در سال های اخير توسط کسانی چون ليپمن باز نگری شده است اين شبکه اساساً جهت حل مسئله شناسايی الگو های باينری ( الگو های برداری که عنصرشان فقط دو مقدار 1 يا 1 - را بر قبول می کند . ) طراحی شده است . اين شبکه هم در چار چوب شبکه های عصبی قرار می گيرد ، چون از يک سری نرون ها به مثابه گره ها و يک سری وزنه ها ی ارتبا طی بين گره ها تشکيل يافته است . هر گره يک سطح فعال دارد که خروجی نرون را می سازد . شبکه همينگ از هر دو ساختار پيشخور وپسخور تشکيل می شود . هدف اصلی در شبکه همينگ اين است که تشخيص کدام الگوی مرجع بيشترين نزديکی را به الگوی ورودی دارد و سپس آن را در خروجی شبکه ظاهر می کند . شکل 2-10- شبکه همينگ شبکه همينگ از سه لايه تشکيل می شود: لايه پيشخور : نخستين لايه پيشخور که با ماتريس وزن ، بردار باياس و تابع تبديل خطی نمايندگی می شوند ، ضرب داخلی بين بردار های مرجع با بردار های ورودی را محاسبه می کند بردرا های مرجع در اين مثال الگو های سيب ، گلابی و پرتقال اند. ذخيره سازی الگو های مرجع در شبکه توسط ماتريس وزن به انجام می رسد لايه برگشتی (WTA) : لايه ميانی شبکه همينگ دارای ساختار برگشتی می باشد . اين ساختار به ساختار رقابتی معروف است به همين خاطربه لايه ميانی شبکه همينگ لايه رقابتی نيز می گويندپس از آنکه تعداد بردار های مرجع يا گنجايش ذخيره سازی شبکه توسط لايه اول همينگ محاسبه شدندزير شبکه دوم وارد عمل شده ومقادير خروجی لايه اول را به عنوان مقادير اوليه خود در نظر می گيرد سپس باز خور خود را در هر تکرار از مقدار ورودی ها کاسته و اين عمل را آنقدر تکرار می کند تا خروجی ها در تمام سلول ها به جزء سلول برنده (مشخص کننده بيشترين شباهت الگوی مرجع با بردار ورودی می باشد .) صفر شود در چنين شرايطی لايه ميانی، به عبارتی کل شبکه همينگ ، به حالت ماندگار خود رسيده است و ادامه تکرار در لايه ميانی بی فايده است به اين گونه عمليات ، عمليات از نوع WTA گويند .نهايتاً در لايه ميانی رقابت بين نرون ها آغاز می شود و يک نرون برنده شده و باقی نرون ها بازنده می شوند . لايه سوم : اين لايه در شبکه همينگ يک شبکه پيشخور با ماتريس وزنی و تابع تبديل آـستانه ای متقارن دو مقداره است . وظيفه لايه سوم اين است که پس از آنکه لايه دوم همگرا شد ، بردار مرجع ذخيره شده ، در خروجی شبکه ظاهر شود مثلاً در اين مثال اگرلايه دوم نشان داد که الگوی مرجع سيب برای ورودی شناسايی می شود آنگاه لايه سوم بردار آن را به عنوان ورودی دريافت و بردار P را در خروجی شبکه ايجاد می کند . 2-16-3- شبکه هاپفيلد اين شبکه مانند لايه ميانی شبکه همينگ دارای فيد بک می باشد . با اين تفاوت که توانايی کل شبکه همينگ را جهت حل مسئله شناسايی الگو دارا می باشد .اين نوع شبکه نوعی از شبکه استاندارد هاپفيلد گسسته است . شکل 2-11- شبکه هاپفيد گسسته طبق شکل تمام نرون ها شبه يکديگر عمل می کنند و هيچ کدام از نرون ها به عنوان ورودی يا خروجی از هم متمايز نمی شوند و اين وجه بارز اختلاف اين شبکه با ديگر شبکه هايی است که مورد بررسی قرار گرفتند .نرون ها نخست توسط ورودی مقادير اوليه می گيرند و آنگاه شبکه طوری خود را تکرار می کند که نتيجه نهايی ، همگرايی شبکه به يکی از الگو های مرجع باشد در مثال مذکور اگر به شبکه هاپفيد پرتقال بيضوی را اعمال کنيم قاعدتاً جواب شبکه بايد پرتقال بيضوی باشد يعنی شبکه به مقداری همرا شده است که هيچ کدام از بردار های مرجع را نمايندگی نمی کند . البته اين يکی از معايبی است که شبکه های هاپفيد با آن درگير هستند ، يعنی شبکه به برداری همگرا می شود که جزء الگو های مرجع نيست . 2-16-4- شبکه عصبی خود سازمانده مدل کوهنن مدل کوهنن يک مدل بدون ناظر است . در اين مدل تعدادی سلول عصبی که معمولاً در يک توپولوژی مسطح کنار يکديگر چيده می شوند ، با رفتار متقابل روی يکديگر وظيفه شبکه خود سازمانده را ايفا می کنند . اين وظيفه تخمين يک تابع توضيع است . بردار را که هر يک از درايه های آن دارای چگالی احتمال است، در نظر بگيريد . در اين فضای چگالی نمونه هايی را به تناوب و تصادف انتخاب کرده به شبکه اعمال می کنيم بر اساس موقعيت بردار ورودی در فضای ، وزن های سلول ها طبق الگريتمی تغيير میکنند. اين تغيير به نحوی انجام می گيرد که در نهايت ، بردار های وزن مربوط به سلول ها به طور يکنواخت در فضای چگالی احتمال ورودی توزيع می شوند و بدين ترتيب شبکه با پراکندن سلول های خود در فضای ورودی پگالی احتمال آن را تخمين می زند .پراکندگی سلول ها در فضای احتمال ورودی به نوعی می تواند فشرده سازی اطلاعات محسوب شود، زيرا اکنون هر سلول مبين تقريبی از يک محدوده مشخص در فضای است . شکل 2-12- مدل فيزيکی کوهنن 2-16-5- شبکه عصبی تأ خير زمانی نوعی از شبکه های عصبی چند لايه هستند که توانايی رويارويی با طبيعت ديناميکی داده های نمونه ای و سيگنال های ورودی را دارا می باشد.شبکه های عصبی چند لايه دارای ويژکی های زير می باشند: دارای چندين لايه بوده ودر هر لايه به تعداد کافی اتصال بين نرون ها موجود است، به طوری که شبکه توانايی يادگيری سطوح تصميم گيری غير خطی پيچيده داراست رفتار شبکه نسبت به انتقال زمانی ويزگی های نمونه ها حساس می باشد . روش يادگيری در شبکه نسبت به تطبيق زمانی دقيق نمونه های ورودی حساس است . شبکه تأخير زمانی (TDNN) اولين بار در سال 1988 توسط ويبل استفاده شد و تا کنون نيز کماکان به همان صورت باقیمانده است ، شامل سه لايه است که وزن های آن با سلول های تأخير زمانی جفت شده اند.تابع محرک هر سلول TDNN تابع زيگموويداست و دارای ورودی وزن داده شده هستند . شکل 2-13- ساختار نرون I ام در شبکه TDNN در طراحی شبکه های عصبی و بخصوص شبکه عصبی تأخير زمانی ، طراح با مسئله انتخاب شبکه ای مناسب برای طرح خود مواجه است . به طور کلی شبکه ای که با کمترين پيچيدگی و حداقل پارامتر ، بيشترين دقت را در شناسايی الگو های ورودی داشته باشد شبکه مناسب ناميده می شود . در تئوری اگر مسئله ای توسط شبکه ای خاص قابل حل باشد ، توسط شبکه های با اندازه بزرگتر نيزقابل حل است . ولی به خاطر عدم وجود جواب يگانه برای وزن های بهينه الگريتم های يادگيری برای شبکه بزرگتر معمولاً وزنهای مخالف0 را نتيجه می دهند از اينرو برای تشخيص آن يک شبکه با اندازه کوچکتر برای حل مسئله مورد نظر وجود دارد با اشکال مواجه می کند .اگر تعداد نرون های لايه های شبکه مورد استفاده در يک مسئله خاص را کم بگيريم شبکه قادر به يادگيری نخواهد بود زيرا تعداد فوق صفحات و در نتيجه فوق حجم های لازم برای تقسيم بندی فضای ورودی به کلاس های مختلف کافی نخواهد بود از طرف ديگر تعداد زياد نرون های لايه های پنهان نيز به خاطر بالا رفتن حجم محاسبات ودر نتيجه طولانی شدن زمان تربيت شبکه مناسب نمی باشد علاوه بر اين با توجه به آنکه تربيت شبکه بر اساس مجموعه محدودی از الگو های تربيتی صورت می گيرد اگر شبکه خيلی بزرگ باشد سعی در حفظ کردن دقيق الگو های تربيتی می نمايد و اين امر موجب کاسته شدن از قدرت تعميم و درون يابی شبکه جهت تشخيص الگوهای جديد و خارج از مجموعه تربيتی می گردد از اينرو يک تعداد بحرانی برای لايه های پنهان وجود دارد که برای هر کاربرد خاص بايد پيدا شود.تعداد نرون های لايه پنهانبا شبيه سازی شبکه های مختلف و اندازه گيری ميزان دقت و درون يابی اين شبکه ها روی الگو هايی که درمجموعه تربيتي آنها نبوده است.تعداد نرون های لايه خروجی شبکه ويا به عبارت ديگر نوع کدينگ در خروجی نيز بايستی برای حل يک مسئله خاص مناسب باشند.بهترين روش کدينگ کردن کلاس های خروجی استفاده از بردار های مقدماتی است . ]24[ 2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA ) 2-17-1- مقدمه ایده ی ترکیب شبکه های عصبی و DEA را اولین بار در سال 1996 کانن و آتونوسوپولیس مطرح کرده اند . آن ها DEA را با ANNs مقایسه کرده اند و در شبیه سازی صورت گرفته این نتیجه حاصل شد که DEA در اندازه گیری اهداف بهتر از ANNs عمل می کند و ANNs در رتبه بندی واحدها براساس امتیاز کارایی به دست آمده همانند DEA است . در سال 1997 کارایی متروی لندن با داده های سری های زمانی تحلیل شد و این نتیجه به دست آمد که نتایج حاصل از ANNs با حداقل مربعات معمولی تصحیح شده و DEA بسیار به هم شبیه هستند . در سال 2000 شبکه های عصبی برای تخمین توابع هزینه به کار گرفته شد و در سال 2004 نیز سانتین از یک شبکه عصبی برای شبیه سازی تابع تولید غیر خطی استفاده کرد و نتایج آن را با روش های متداول تری مثل مرزهای تصادفی و DEA با مشاهدات مختلف و اغتشاش مقایسه کرد و نشان داد شبکه های عصبی در مقایسه با روش های فوق از ثبات بیشتری برخوردار است . در این تحقیق سعی بر آن است که از شبکه های عصبی و DEA و تلفیق آن ها ( Neuro-DEA ) در اندازه گیری کارایی پالایشگاه کشور استفاده شود . پس از محاسبه کارایی ، نتایج حاصله با DEA معمولی مقایسه می شود ، زیرا با توجه به کم بودن تعداد پالایشگاه های گاز در مقایسه با تعداد ورودی ها و خروجی ها ، مدل پایه ای DEA قادر به رتبه بندی واحد ها نمی باشد . بنابر این از قدرت تفکیک پذیری و تخمین روایط غیر خطی شبکه های عصبی برای رفع این مسأله استفاده می شود . تحلیل مرز کارایی یک رویکرد با اهمیت جهت ارزیابی عملکرد شرکت ها در بخش عمومی و خصوصی است . بهره وری و کارایی در منابع تبدیلی ( ورودی ها ) به کالا و خدمات ( خروجی ها ) از مقوله های ( موضوعات ) کلیدی ( اصلی ) در بخش های خصوصی و عمومی می باشد . دو نمونه ی رقابتی در تحلیل کارایی وجود دارد .نمونه اول تکنیک های برنامه ریزی ریاضی یا رویکرد تحلیل پوششی داده ها (DEA ) را به کار می گیرد که عمومأ در زمینه پژوهش عملیاتی (OR ) می باشد . نمونه های دیگر رویکرد رگرسیون یا روش تابع مرز قطعی (SFF ) می باشد که به طور گسترده ای ( وسیعی ) در زمینه های اقتصادی کاربرد دارد . هر یک از این دو متدولوژی ویژگی هایی دارد و به صورت زیر بحث شده است . در مطالعه اصلی DEA توسط چارنز و همکارانش ( CCR ) ، روش DEA را به عنوان یک مدل برنامه ریزی ریاضی که روش برآورد تجربی ( غیر عملی – آزمایشی ) از رویه های ( سطح های ) امکان پذیر محصول ( تولید 9 کارا فراهم می کند ، مطرح شده است . به جای سعی کردن مبنی بر متناسب کردن یک سطح رگرسیون از طریق مرکز داده مشاهده ای ، DEA به سطح خطی هدایت می شود که پوشش یالایی از مجموعه داده مشاهده ای می باشد . کارایی نسبی با نقطه داده دیگری ارائه می شود که از طریق برنامه ریزی ریاضی تحلیل می شود . در مقایسه با رویکرد SFF ( تابع مرز قطعی ) ، DEA به هیچ گونه فرضی در شکل های کاربردی ( تابعی ) نسبت به تقعر ( فرورفتگی ) توابع مرزی ، نیاز ندارد . چالش اصلی مواجه شده در DEA این واقعیت است که اگر به داده ها اغتشاش آماری سرایت کند ، مرزهای محاسبه شده به وسیله DEA ممکن است منحرف شود . به عنوان مثال در مسائل پیش بینی معین خیلی طبیعی و عادی است که فرض کنیم تابع پیش بینی خصوصیات یکنواختی خواهد داشت . برای مثال در مدل های پیش بینی مالی ، تقاضای شخصی با درآمد افزایش یافته است . در صنایع لیزر و حمل و نقل ، قیمت کالاهای فاسد شدنی نظیر اتاق های هتل ها و جایگاه هواپیماه به طور یکنواختی با تقاضای مصرف کننده افزایش می یابد . ANN یک روش پیش بینی غیر خطی عمومی است . ANN برای پیش بینی بارهای الکتریکی با جزء کوتاه ، نظیر فروش روزانه ، تلاش های نرم افزاری و پیش بینی هزینه عرضه های عمومی اولیه به کار می رود . از آنجایی که شکل تابع ANN بستگی به آموزش داده ها دارد برای آموزش تابع پیش بینی یکنواخت با استفاده از ANN ، آموزش داده ممکن است خصوصیات یکنواختی داشته باشد . شبکه های عصبی براساس رویکرد غیر پارامتریک مزایای مشخصی دارد . و آن این است که هیچ گونه فرضیه ای در مورد توزیع احتمالی یا ساختارهای تابع محصول نیاز ندارد . فرضیه های استفاده شده برای این روش ، قضیه جهانی پذیرفته شده مرزهای کارایی می باشند . یعنی مرز کارایی تقعر می یابد ، انحراف خارجی در داده ها یک توزیع یک طرفه دارد و انحراف داخلی در داده ها یک توزیع دو طرفه دارد . در واقع آن روش می تواند اطلاعات زیادی در مورد حالت نامعین و انحراف داخلی و خارجی برای تصمیم گیری آشکار کند . با توجه به اینکه مدل DEA یک مدل خطی است و از طرفی شبکه های عصبی توانایی بالایی در تقریب توابع غیرخطی دارند ، ANNs ابزار خوبی برای استفاده در چنین مسائلی است . لذا امکان به کارگیری ANNs در اندازه گیری کارایی شرکت ها مناسب می باشد . هم چنین مطالعات نشان می دهد که شباهت های زیادی بین DEA و ANNs در ارزیابی عملکرد وجود دارد که دو مورد زیر نمونه ای از این موارد است : هیچ کدام از مدل های DEA و ANNs هیچ پیش فرض اولیه ای در مورد نوع ارتباط بین ورودی ها و خروجی ها ندارد . در DEA ، به دنبال مجموعه ای از وزن ها هستیم ، به طوری که کارایی فنی حداکثر شود . در حالی که ANNs به دنبال یافتن مجموعه ای از آن ها به طوری است که اختلاف بین خروجی واقعی و خروجی مطلوب را حداقل کند و این کار را نیز با حداقل داده های یادگیری انجام می دهد . ]2[ 2-17-2- الگوریتم تحلیل کارایی گام اول : اولین گام جمع آوری اطلاعات مربوز به ورودی ها و خروجی های هر DMU است . در تحلیل کارایی شرکت ها تعیین ورودی ها و خروجی ها اهمیت ویژه ای دارد ، زیرا هر شرکت دارای ورودی ها و خروجی های بسیار متعددی است که در نظر گرفتن تمامی یا تعداد زیادی از آن مشکلاتی را ایجاد می کند . هم چنین در صورت نادیده گرفتن تعدادی از این ورودی ها و خروجی ها موجب کاهش اعتماد به نتایج می گردد . بعد از تعیین ورودی ها و خروجی ها هر DMU برای مقایسه و اندازه گیری کارایی DMU ها ، اطلاعات مربوطه با روش زیر نرمال می شود . 2-17-3- نرمال سازی داده ها پس از پیش پردازش داده ها ، مسأله مهم دیگری که باید به آن توجه داشت نرمال سازی یا هم مقیاس کردن داده هاست . مقیاس های متفاوت در متغیرهای مختلف نتایج را از جنبه های مختلف تحت تأثیر قرار خواهند داد . به این منظور باید همه ی داده ها را هم مقیاس نموده و آن ها را تغییر شکل داد . بنابراین برای استاندارد سازی میزان تدثیر هر متغیر بر روی نتیجه باید متغیرهای عددی را نرمال سازی نمود . روش های متعددی برای نرمال سازی داده ها وجود دارد . در این تحقیق از روشی که لاروش در کتاب مقدمه ای بر داده کاوی آورده است استفاده می نماییم .با استفاده از روش فوق می توان داده ها را در هر فاصله دلخواه مانند [L , H ] مرتب نمود . این امر به صورت زیر انجام می شود : 416648377912 (1)(2)(3)0 (1)(2)(3) در این رابطه X* متغیر نرمال سازی شده و Xi متغیر اصلی می باشد . برای نرمال سازی داده ها ترجیح داده شد که داده ها در بازه [0 , 1 ] نرمال گردند . این امر بدان علت است که بتوان اختلاف بین متغیرها را بهتر نشان داد و هم چنین شبکه های عصبی با متغیرهای باینری و دو قطبی بهتر آموزش می بینند . گام دوم : با استفاده از داده های جمع آوری شده کارایی تمام DMU ها از طریق مدل CCR محاسبه می شود . در این مرحله داده های لازم برای آموزش شبکه فراهم می شود . اگر تعداد DMU ها زیاد باشد ، می توان با استفاده از نمونه گیری کارایی تعدادی از آن ها را محاسبه کرد . گام سوم : انتخاب یک زیر مجموعه از اطلاعات جمع آوری شده برای آموزش شبکه تحقیقات نشان می دهد که برای آموزش شبکه بهتر است از مجموعه داده های واحد های کارا استفاده شود . استفاده از داده های واحدهای کارا برای آموزش باعث می شود تا شبکه الگوی کارایی را بهتر یاد بگیرد . برای مشخص کردن واحدهای کارا از نظر خبرگان و کارشناسان و کارشناسان استفاده می شود . این مرحله حساس ترین مرحله الگوریتم است . زیرا اساس آموزش شبکه می باشد . در این مرحله می توان از روش های دیگری مثل مدل های تصمیم گیری چند معیاره و سایر روش های ترکیبی نیز استفاده کرد تا واحد هایی را که به نظر الگویی بهتر از کارایی را دارند انتخاب کرد . گام جهارم : آموزش شبکه . در این مرحله شبکه عصبی با استفاده اط داده های واحدهایی که در گام قبل انتخاب شدند آموزش داده می شود . وزن های شبکه طبق معادلات (1) و (2) تغییر می کنند . گام پنجم : اگر با اراده داده های آموزشی نتیجه ی مورد نظر حاصل شد ( معیار خطا به میزان مورد نظر کاهش یافت ) به گام بعد می رویم و در غیر این صورت به گام سوم بر می گردیم تا الگوی آموزش شبکه کامل شود . گام ششم : محاسبه کارایی تمامی DMU ها با استفاده از شبکه های عصبی آموزش یافته . گام هفتم : مقایسه بین نتایج حاصل از مدل DEA و Neuro – DEA : در صورت لزوم می توان از تحلیل رگرسیونی و همبستگی بین نتایج دو روش استفاده کرد که در اینجا چون DEA نتایج معتبری نمی دهد از آن صرف نظر می کنیم . فلوچارت الگوریتم فوق به شکل زیر می باشد : شکل 2-14- الگوریتم تحلیل کارایی 2-18- مفاهیم کارایی ، بهره وری و اثربخشی کوشش های اقتصادی انسان همواره معطوف در این جهت بوده است که حداکثر نتیجه را با کمترین امکانات و عوامل موجود به دست آورد .این تمایل را می توان دستیابی به کارایی ، بهره وری و اثربخشی بالا نامید . کارایی ، بهره وری و اثربخشی مفاهیمی اقتصادی هستند که گاه در ادبیات اقتصادی تعبیر یکسانی از آن ها می شود .بهره وری مفهومی جامع و در برگیرنده ی کارایی و اثر بخشی است و افزایش آن با هدف ارتقای سطح زندگی ، رفاه ، آرامش و آسایش انسان ها ، همواره مدنظر دست اندرکاران سیاست و اقتصاد بوده است . حال آنکه اثربخشی ،درجه و میزان نیل به اهداف تعیین شده است . به بیان دیگر اثر بخشی نشان می دهد که در پی تلاش های انجام شده تا چه حد نتایج مورد نظر حاصل شده است . در واقع اثربخشی با عملکرد و فرآهم آمدن رضایت انسان از تلاش های انجام شده ارتباط دارد .در حالی که کارایی مربوط به بهره برداری صحیح از منابع می شود . برای مثال ممکن است موسسه ای کالا و خدماتی را به طور کارا تولید نماید ، اما اثربخش نباشد و همچنین کارآمدترین موسسه می تواند به بقاء خود ادامه دهد حتی اگر اثربخش هم نباشد .ملاحظه می شود که کارایی جنبه کمی دارد ، ولی اثربخشی جنبه کیفی دارد . بهره وری مقدار تولید شده یا ستانده نیست ، بلکه اندازه ای است که نشان دهنده ی نحوه ی ترکیب و بکارگیری منابع مصرفی با یکدیگر برای بدست آوردن یک نتیجه ی مورد انتظار خاص و یا تعادل بین تمام عوامل تولیدی است به نحوی که بیشترین نتایج را با کمترین هزینه به دست دهد ، بیان می کند . بهره وری به صورت نسبت ستانده به نهاده تعریف می شود و متغیرهای زیادی را می تواند شامل شود . این متغیرهای متعدد می توانند متضمن کیفیت ، گستردگی عملیات ،میزان حجم مصرف ، موجودی ، ظرفیت تولید ، تجهیزات سرمایه ای ، سطح مهارت نیروی کار و موارد دیگری باشد . اما کارایی در واقع انجام بهتر آنچه تا کنون صورت گرفته یعنی تمرکز بر هزینه ها و دنبال راهکارهایی در جهت کاهش هزینه ها می باشد . در واقع کارایی نسبت مقدار کاری که انجام می شود به مقدار کاری که باید انجام شود ، است . همچنین اثربخشی به معنای بهینه کردن است و به فرصت های ایجاد درآمد ، بازار ، تغییرات خصوصیات اقتصادی محصولات و بازارهای موجود مرتبط می شود . اثربخشی در پی چگونگی انجام کار نیست ، بلکه هدف آن تعیین محصولاتی است که بیشترین نتایج اقتصادی را دارند و یا قادرند نتایج اقتصادی فوق العاده تری را به دست دهند . بطور کلی می توان گفت کارایی به انجام کارهای مدیریتی مربوط می شود ، در حالی که اثربخشی به انجام درست کارها بستگی دارد . بهره وری ترکیبی از کارایی و اثربخشی است ، یعنی هر دو مقوله را در بر دارد و براساس این مفهوم بهره وری ، سنجش و ارزیابی بازده و نتایج فعالیت های سازمان را به اهداف و نسبت به حجم منابع مصروفه در پی خواهد داشت . انجام صحیح کارها = کارایی + اثربخشی تا کنون در جهت بیان مفاهیم فوق فعالیت های مختلفی صورت گرفته است و سعی گردیده با استفاده از شاخص های مناسب به ارزیابی عملکرد یک بنگاه و یا به عبارت بهتر یک واحد تصمیم گیرنده پرداخته شود . در سطح اقتصاد خرد ، بنگاهی را در نظر بگیرید که با استفاده از نهاده هایی همچون سرمایه ، سوخت ، نیروی انسانی و موارد دیگر ، محصولی را تولید می نماید . عملکرد این بنگاه را می توان به روش های مختلف مورد ارزیابی قرار داد . شاخص بهره وری یا نسبت محصول به عامل تولید ، معیاری ساده برای ارزیابی است و زمانی قابل استفاده می باشد که بنگاه با استفاده از یک عامل تولید ، به تولید یک محصول بپردازد . هرچه این نسبت بزرگتر باشد بیانگر بهره ور ی بالاتر بنگاه می باشد . اما اگر چند عامل تولید و چند محصول داشته باشیم ، می بایشست از شاخص بهره وری کل عوامل استفاده کرد که تمامی عوامل تولید و محصولات را در نظر می گیرد . از نسبت های سنتی شاخص بهره وری می توان به بهره وری نیروی کار اشاره نمود . برای تعیین میزان ناکارایی یک بنگاه از این شاخص به عنوان ملاک مقایسه استفاده می شود . معرفی انواع و روش های اندازه گیری عملی کارایی ، براساس روش فارل صورت می گیرد . پنج سال قبل از فارل در سال 1906 ویلفر دوپادتو اقتصاد دان سوییسی - ایتالیایی در مقاله خود تحت عنوان " مقررات اقتصاد سیاسی " اساس اقتصاد رفاه جدید را بنیان نهاد . در این مقاله واژه ی اقتصاد سیاسی به معنی بخشی از اقتصاد آورده شده است که در رابطه با ارزیابی اقتصادی سیاست های دولتی می باشد . به عبارت دیگر سیاست های اقتصادی باید به گونه ای تدوین شوند که بتوانند وضعیت بعضی افراد را بهبود بخشند بدون اینکه باعث بدتر شدن وضعیت دیگران شوند . ویژگی مزبور به عنوان معیار پارتو شناخته می شود . ]2[ 2-19- مروری بر مطالعات انجام شده با توجه به جدید بودن موضوع ، مقاله و پایان نامه ای تحت عنوان بررسی کارایی پالایشگاه های گاز موجود نبود و بیشتر محاسبه کارایی و بهره وری برای شرکت های توزیع گاز و یا پالایشگاه های نفت و شرکت های نفتی بررسی شده اند و تعدادی از مقالات نیز در میادین نفتی به این موضوع پرداخته اند ، که خلاصه ای از چند مطالعه صورت گرفته راجع به این موضوع و موضوعات مشابه در زیر بیان می شود . ]16[ ارزیابی کارایی و بهره وری در برخی از پالایشگاه های نفت ایران به روش تحلیل فراگیر داده ها (DEA) در این تحقیق کارایی و بهره وری هفت پالایشگاه ایران در طول سال های 1376 تا 1382 محاسبه شده و چون پالایشگاه های لاوان و کرمانشاه جز پالایشگاه های بسیا ساده بوده و تنوع محصولات آن ها نسبت به دیگر پالایشگاه ها پایین بوده ، لذا در نهایت این دو پالایشگاه را حذف کرده اند . در این تحقیق در مجموع چهار ورودی و دو خروجی در نظر گرفته شده است . ورودی ها : تعداد پرسنل میزان برق مصرفی میزان سوختی که مورد استفاده قرار گرفته شده است ظرفیت هر پالایشگاه ( منظور از ظرفیت ، ظرفیت طبق برنامه است .) خروجی ها : برای خروجی از شاخصی به نام شاخص محصولات مفید استفاده شده است . این شاخص از نسبت مجموع فرآورده های سبک به کل فرآورده ها در هر پالایشگاه به دست می آید . علت استفاده از این شاخص این بوده که محصول مفید هر پالایشگاه فرآورده های سبک آن پالایشگاه است و هر پالایشگاهی که فراورده های بیشتری تولید کند به مفهوم کارکرد بهتر و کارایی بالاتر آن نیست ، بلکه هرچه تولید فرآورده های سبک آن نسبت به کل فرآورده ها بیشتر باشد دارای ویژگی های بهتر است . خروجی بعدی مربوط به ضایعات پالایشگاه ها است . کاملا مشخص است که این عامل تأثیر معکوسی بر کارایی دارد و به دلیل همسو شدن خروجی ها با هم این خروجی به صورت معکوس به مدل وارد شده است . در این پایان نامه برای محاسبه بهره وری از شاخص مالم کویست ( تابع مساحت ) و DEA استفاده شده است . نتایج به دست آمده نشان دهنده ی این است که میزان متوسط کارایی مقیاس پالایشگاه ها به روش DEA در طی سال های مذکور ، حداگثر برابر 71 % در سال 1377 بوده است . پالایشگاه آبادان کمترین کارایی و پالایشگاه تبریز بالاترین کارایی را داشته اند . طراحی و پیاده سازی یک سیستم جامع اطلاعاتی ارزیابی عملکرد مدیریت سازمان در یک پالایشگاه گاز هدف از انجام این مطالعه ، طراحی و پیاده سازی یک سیستم جامع اطلاعاتی ارزیابی عملکرد مدیریت و سازمان در پالایشگاه سرخون و قشم است . برای رسیدن به هدف این تحقیق ، ابتدا کلیه شاخص های امتیازی متوازن BSC شناسایی و سپس اطلاعات مرتبط در پالایشگاه گاز برای پنج سال متوالی جمع آوری شده است . در راستای الگو برداری و محک زنی شاخص ها ، داده های بیست کشور توسعه یافته و در حال توسعه از مجموعه ISIC متعلق به سازمان ملل جمع آوری شده اند . سپس با استفاده از آزمون شاخص های بین المللی یک بازه اطمینان به عنوان معیاری برای سنجش هر یک از شاخص های پالایشگاه گاز محاسبه کرده ایم . علاوه بر این برای تجزیه و تحلیلو ارزیابی شاخص های منحرف ا استاندارد از روش تحلیل پوششی داده ها استفاده شده و عناصر تشکیل دهنده این شاخص ها شناسایی و راه کارها تهیه و برای رسیدن به مرز کارایی با استفاده از مدل های DEA نظیر مدل AP ، BCC ورودی محور و نیز BCC خروجی محور تعیین کننده است . در نهایت به منظور ایجاد سهولت در ارزیابی شاخص های مدیریت و سازمان ، یک سیستم اطلاعاتی یکپارچه در محیط NET با استفاده از زبان برنامه نویسی C# طراحی شده است . این مطالعه برای اولین بار شاخص های ارزیابی عملکرد مدیریت و سازمان را در قالب یک سیستم اطلاع رسانی به منظور نظارت و کنترل ارائه می دهد . در این پایان نامه شاخص ها به قرار زیر دسته بندی شده اند : شاخص های مالی نسبت ارزش تولید به تعداد نیروی انسانی نرخ بازگشت سرمایه RATE OF RETURN نسبت حقوق و دست مزد به ارزش تولید چرخش دارایی های جاری چرخش کل دارایی ها شاخص های مشتری رشد صادرات نسبت رشد صادرات به رشد صادرات دنیا نسبت رشد صادرات به رشد تولید ناخالص داخلی نسبت رشد صادرات به رشد جمعیت سهم بازار درصد رسیدگی به شکایات شاخص های فرآیند های داخلی رشد تولید نسبت هزینه های تحقیق و توسعه به فروش نسبت هزینه منابع صرف شده برای رعایت اصول و قواعد زیست محیطی به میزان کل فروش شاخص های یادگیری و رشد سازمانی نسبت ارزش افزوده به تعداد نیروی انسانی ( بهره وری نیروی انسانی ) نسبت هزینه های آموزش به تعداد نیروی انسانی نسبت تعداد پیشنهادات ارائه شده از طرف کارکنان به تعداد کارکنان نسبت تعداد پیشنهادات اجرا شده به تعداد کل پیشنهادات نسبت تعداد نیروهایی که در سال سازمان را تزک می کنند به تعداد کل نیروها پس از یررسی صنایع نفت و گاز ISIC232 دید بسیار مناسبی از این صنعت حاصل گشته و وضعیت 19 کشور منتخب ، به همراه ایران و نیز پالایشگاه سرخون و قشم کاملا مشخص گردیده است . بدین ترتیب با ارائه ابزارهایی به شکل یک نرم افزار ، توانستند راه حلهای مطلوبی برای بهبود وضعیت فعلی ارائه دهند . در این پایان نامه ترکیبی از روش های کیفی و کمی برای اندازه گیری عملکرد مورد استفاده قرار گرفته است . بررسی و ارزیابی شرکت های توزیع برق در این پایان نامه با استفاده از روش تحلیل پوششی داده ها DEA و تحلیل مرز تصادفی SFA برای بررسی و ارزیابی شرکت های توزیع برق استفاده شده است . وی برای ارزیابی نیرو گاه ها از تکنیک DEA و SFA و برای ارزیابی شرکت های توزیع برق از DEA استفاده کرده است . ورودی های مدل شامل طول خطوط شبکه ظرفیت ترانسفورماتورها تعداد کارکنان خروجی های مدل موارد زیر را در بر دارد : مقدار خروجی برق به مشترکین خانگی مقدار فروش برق به مشترکین صنعتی تعداد مشترکین خانگی تعداد مشترکین صنعتی در این تحقیق از مدل DEA ورودی محور استفاده شده است . زیرا ساختار شرکت های توزیع به گونه ای است که مدیریت ، کنترل بر خروجی ها دارد . نتیجه مطالعه این فرد نشان می دهد که مقادیر میانگین درجات کارایی مقیاسی و کارایی تکنیکی خالص تقریباٌ مساوی هستند . این موضوع نشان می دهد که در ناکارایی کلی واحدهای توزیع برق ایران هر دوعامل ناکارایی مدیریتی و ناکارایی مقیاس دخیل هستند . طراحی و تحلیل سیستم ارزیابی عملکرد واحد توزیع برق در این پایان نامه مدلی یکپارچه و جامع برای ارزیابی عملکرد شرکت های توزیع برق ارائه گردیده است . این مدل براساس ترکیب روش های تحلیل پوششی داده ها (DEA ) ف حداقل مربعات معمولی تصحیح شده (COLS) و تحلیل مولفه های اصلی (PCA) قرار دارد . شاخص های ارزیابی در این پایاین نامه به قرار زیر در نظر گرفته شده اند . برای روش های COLS و DEA به صورت زیر می باشد : ورودی طول خطوط شبکه ظرفیت ترانسفورماتورها تعداد کارکنان خروجی فروش برق تعداد مشترکین برای روش PCA خروجی ها را بر ورودی ها تقسیم کرده تا شاخص ها بدست آیند . سه ورودی و دو خروجی داریم ، بنابراین شش شاخص برای این روش به دست می آید : فروش برق بر طول خطوط شبکه فروش برق بر ظرفیت ترانسفورماتور ها فروش برق بر تعداد کارکنان تعداد مشترکین بر طول خطوط شبکه تعدا مشترکین بر ظرفیت ترانسفورماتورها تعداد مشترکین بر تعداد کارکنان در این پایان نامه روش های DEA و COLS توسط روش PCA با هم ترکیب شده اند و خروجی روش PCA در حقیقت رتبه های دقیق هر شرکت توزیع برق می باشد . یکی دیگر از خروجی های مدل پیشنهادی ، انتخاب بهترین مدل DEA برای بهینه سازی می باشد . در این پایان نامه سعی شده است علاوه بر موارد فوق ف به بررسی همه جنبه های عملگردی شرکت های توزیع برق شامل انواع کارایی ، بهره وری ، مقادیر مازاد و کمبود برای ورودی ها و خروجی ها ، مقادیر هدف برای ورودی ها و خروجی ها ، مقادیر تراکم ، ورودی و خروجی های بحرانی ، الگو برداری و همبستگی جواب های روش های مختلف پرداخته شود . تحلیل پوششی متغیر برای استراتژی بازسازی : کاربردی در کمپانی های نفتی ژاپن نوشته در سال 1999 منتشر شده در مجله علمی است که در این مقاله برای دستیابی به اهداف تحقیق ، از یک مدل تصادفی DEA به عنوان فرمول بندی اولیه و پس از آن از فرمول بندی مجدد مراحل محاسباتی اش استفاده شده که در چنین وضعیتی می توان اطلاعات آینده را وارد چارچوب تحلیلی آن کرد . برای مدرک عملی و کاربردی بودن این روش ، تحلیل آتی DEA پیشنهادی برای طراحی استراتژی بازسازی شرکت های نفتی ژاپن به کار برده شده است . در این مقاله بعد از شرح و بیان تحلیل آتی DEA خلاصه ای از تلاش های تحقیقات پیشین در مورد DEA تصادفی ذکر می شود . یکی از مشخصه های مهم این مطالعه این است که متغیر های تصادفی وارد DEA گردیده سپس DEA تصادفی مجدداٌ در یک معادله جبری فرمول بندی شده است . نتیجه ی چنین فرمول بندی مجدد ، حل DEA تصادفی توسط نرم افزارهای کامپیوتری بازرگانی از قبیل برنامه ریزی درجه دوم می باشد . در این مطالعه روش DEA برای استراتژی بازسازی شرکت های نفتی ژاپن به کار برده شده است . یک چنین کاربردی احتمالاٌ یک ارتباط گویایی را بین DEA تصادفی و گزینه های واقعی تصمیم گیری در خصوص برنامه ریزی آینده فراهم می کند . سه ورودی استفاده شده در این مطالعه شامل : تعداد کارمندان ظرفیت ایستگاه های گازی (متر مربع ) هزینه عملیاتی (1000 ین در ماه ) محصولات عبارتند از : مقدار کل گازوئیل (KL در ماه ) مقدار گاز بنزین (KL در ماه ) به عنوان نتیجه گیری می توان گفت این مطالعه ، نوعی از DEA یا تحلیل را پیشنهاد می کند که اطلاعات آینده را در مورد محصولاتش داخل چارچوب تحلیل اش می کند . یک مدل تصادفی DEA به عنوان یک فرمول بندی اولیه استفاده می شود . سپس آن را توسط CCP و تکنیک تخمینی دوباره فرمول بندی می کنند . برای اثبات کاربرد عملی بودن آن ، تحلیل آتی DEA پیشنهادی برای استراتژی بازسازی شرکت نفتی ژاپن بکار برده می شود . مداخله دولت که منجر به ناکارایی می شود : تحلیلی تئوری از فلات قاره ای نروژ نوشته در سال 2004 می باشد که در این مقاله هزینه های نظارتی نروژ مورد مطالعه قرار گرفته است . بدین معنی که اگر کنسرسیوم های حداکثر سازی سود کالاهای نروژی را انتخاب نمی کردند ( به دلیل گرانی قیمت ان ها و یا پایین بودن کیفیت آن ها ) ممکن بود ناکارآمدی هایی روی دهد یا این که شاید این شرکت ها اطلاعات محرمانه کافی درباره این کالاها داشته که براساس آن ها می توانستند بر شرایط غلبه کنند . تلاش شده است تا هزینه کارایی سیاست نروژ را با استفاده از داده های مربوط به نهاده و ستاده های میادین نفتی نروژ از زمان آغاز حفاری در سال 1986 بررسی شود . این داده ها اجازه می دهند با استفاده از هر دو شیوه تحلیل پارامتری SFA و تحلیل غیر پارامتری DEA هم در زمان های مختلف (زیرا سیاست های دولت در دوره های زمانی مختلف تغییر داشته اند ) و هم برای شرکت های مختلف ( به ویژه شرکت های نروژی و خارجی ) کارایی نسبی سیاست نروژ مقایسه شود . در ابتدا تاریخچه مختصری از سکوی نفت قاره ای شمال NCS و مشخصات کلیدی آن از دیدگاه نویسنده بیان شده است . این بخش با بحثی درباره چندین فرضیه ای که در بخش های بعدی آزمایش می شود پایان می یابد . در بخش های دیگر داده ها و متدهایی آورده می شود و در بخش دیگر یافته های DEA و SFA و رگرسیون ذکر می گردد . در بخش آخر مقاله در حقیقت بخش نتیجه گیری مقاله است و مشاهداتی که از نظریه و سیاست به کار رفته به دست آمده است در آن بیان می شود . این مظالعه به نتایج ذیل دست یافته است : عملکرد فعالیت نفتی NCS با ناکارآمدی هایی همراه بوده است . علت ناکارامدی در میدان نفتی ، ناکارآمدی نهاده های مورد استفاده در مرحله ساخت و مرحله تولید بوده است . در دوره هایی که سیاست دولت صرفا استفاده اط کالاها و خدمات داخلی را تشدید می کرد و زمانی که ابزارهای نظارتی شدید بوده است ناکارآمدی ها بیشتر از دوره های قبل بوده است . ناکارآمدی هر یک از سال های فعالیت شرکت های نفتی همبستگی بسیاری به سهم کالاها و خدمات داخلی در کل تدارکات میادین نفتی داشته است . هدف سیاست حمایتی نروژ اساسأ شرکت های بین المللی بود . شرکت های نفتی ملی فورسک هیدروسگا از آزادی بیشتر در انتخاب منبع درون داده های خود برخوردار بودند . یافته های این مطالعه به ارزیابی سیاست های نروژی بویژه در مورد استفاده از درون داده ها کمک می کند . تحلیل پوششی داده ها در مقابل تحلیل مولفه اصلی : مطالعه ای تشریحی از عملکرد اقتصادی شهرهای چین نوشته ژو در سال 2005 می باشد . این محقق در مطالعه ای دو روش تحلیل پوششی داده ها DEA و تحلیل مولفه های اصلی PCA را با هم مقایسه کرد . هر دو روش از روش های چند ورودی و چند خروجی برای ارزیابی عملکرد واحدهای تصمیم گیرنده می باشند . ژو با مطالعه عملکرد اقتصادی 18 شهر چین به این نتیجه رسید که همبستگی بالایی بین نتایج خروجی دو مدل وجود دارد و در حقیقت دو مدل فوق جواب یکدیگر را تأیید می کنند . این مطالعه پایه بسیار خوبی از کاربرد روش PCA برای رتبه بندی به شمار می رود. نوآوری موجود در این مقاله به صورت گسترده مورد استفاده سایر محققین قرار گرفته است . ژو در بخش اول از دو ورودی و سه خروجی برای ارزیابی عملکرد اقتصادی شهرهای چین استفاده کرده است که از تقسیم تک تک خروجی ها به تک تک ورودی ها ، شش شاخص برای استفاده در روش PCA معرفی شده است ( داده های سال 1989 ) . آزمون همبستگی اسپیرمن و کندال تاو همبستگی بالایی را بین رتبه های حاصل از این دو روش نشان دادند . این محقق در بخش دوم مطالعه ، داده های سال 2000 و 2002 را برگزیده و با استفاده از سه متغیر ورودی و سه متغیر خروجی ، به رتبه بندی 28 شهر چین پرداخته است آزمون همبستگی اسپیرمن و کندال تاو بین رتبه های حاصل از دو روش فوق ، نشان می دهد که دو روش DEA و PCA همدیگر را تأیید می کنند . رتبه بندی کامل واحد های تصمیم گیری با ترکیب DEA چند هدفه و PCA نوشته حمیدرضا ایزد بخش در سال 1388 است . در این مقاله تلفیقی از تحلیل پوششی داده ها و تحلیل مولفه های اصلی در جهت کاهش ابعادی مجموعه داده ها ارائه می دهد . روش تحلیل پوششی داده ها به عنوان ابزاری موثر برای ارزیابی و الگو برداری به کار گرفته شده است . در این روش برای افزایش قدرت تمایز بین واحدهای کارا و ناکارا بایستی تعداد واحدهای مورد ارزیابی متناسب با تعداد متغیرهای ورودی و خروجی باشد . برای رفع این ضعف ابتدا به جای متغیرهای اصلی از نسبت تک خروجی به تک ورودی استفاده شده است و با استفاده از روش تحلیل مولفه های اصلی کاهش بعد انجام می شود . مولفه های اصلی انتخاب شده به عنوان ورودی های مدل تحلیل پوششی داده ها استفاده و تحلیل می شوند . تفاوت اصلی روش ارائه شده در مقاله به کارگیری برخی نقاط قوت مدل های ارائه شده این حوزه در قالب یک روش و چند هدف ساختن DEA مدل جهت تسهیل در محاسبات است . این روش برای رتبه بندی عملکرد شعبه های یکی از بانک های ایران استفاده شده است : ورودی ها : تعدا شعب تعدا نیروی انسانی تعداد دستگاه های خود پرداز مانده هزینه ها خروجی ها : مانده سپرده ها مانده تسهیلات در آمد ها ترکیب مدل های پارامتریک و ناپارامتریک برای رتبه بندی شرکت های توزیع برق نوشته هاشم عمرانی در سال 1386 . در این مقاله الگوی جامع برای ارزیابی عملکرد و رتبه بندی شرکت ها توزیع برق معرفی می شود . در رویکرد پیشنهادی ، مدل تحلیل پوششی داده ها به عنوان مدلی ناپارامتریک و حداقل مربعات معمولی تصحیح شده به عنوان مدلی پارامتریک ، توسط مدل تحلیل مولفه های اصلی با هم ترکیب می شوند تا رتبه های دقیق شرکت های توزیع برق بدست آید . در این روش ابتدا درجات کارایی شرکت های توزیع برق ایران با استفاده از مدل های DEA و COLS به دست می آوریم و سپس جواب های حاصل از دو مدل را به عنوان شاخص های ورودی در مدل تحلیل مولفه های اصلی مورد استفاده قرار می دهیم . در این مقاله 38 شرکت توزیع برق در ایران را با استفاده از رویکرد پیشنهادی رتبه بندی می کنیم و سپس جواب های حاصل را با استفاده از رویکرد میانگین هندسی درجان کارایی حاصل از مدل های DEA و COLS تصدیق و تعیین اعتبار می کنیم . ورودی ها : طول خطوط شبکه ظرفیت ترانس خروجی ها : تعداد کارکنان فروش برق تعداد مشترکین ضریب همبستگی اسپیرمن بین روش پیشنهادی و استفاده از میانگین هندسی برابر 995/0 می باشد که این نتیجه نشان دهنده تصدیق روش های پیشنهادی می باشد . همچنین نتایج نشان داد که همبستگی بین رتبه های روش پیشنهادی با همه مدل های DEA و COLS و PCA به کار رفته معنی دار است و به همین دلیل برای جلوگیری از خطای رتبه بندی ، استفاده از روش جدید پیشنهاد می شود . ارائه یک مدل برنامه ریزی آرمانی جهت ارزیابی پالایشگاه های نفت کشور نوشته عالیه کاظمی در سال 1387 . در این مقاله به موضوع ارزیابی عملکرد پالایشگاه های نفت کشور بر مبنای عملکرد سال های 80 الی 83 پرداخته است . مبنای ارزیابی در این تحقیق مدل سازی با استفاده از مدل های برنامه ریزی در تحقیق در عملیات بوده و بدین منظور از میان مدل های مختلف برنامه ریزی ریاضی یک مدل از ترکیب تکنیک های تحلیل پوششی داده ها و برنامه ریزی آرمانی طراحی و ساخته شده که با دقت به مراتب بیشتری نسبت به مدل های کلاسیک تحلیل پوششی داده ها کارایی و بهره وری پالایشگاه های نفت کشور را اندازه گیری کرده و ضمن رتبه بندی آن ها میزان ناکارایی نسبی و دلایل این ضعف را شناسایی می نماید . این بررسی بر بهره برداری بهینه از فرایند های پالایشی با توجه به ظرفیت ها و امکانات موجود با هزینه پالایشی کمتر و قابلیت تولید فراورده های با ارزش افزوده بیشتر تأکید می نماید . اندازه گیری کارایی پالایشگاه های نفت ایران نوشته عالیه کاظمی در سال 1387 . این مقاله با محوریت اندازه گیری و ارتقای بهره وری در بخش انرژی کشور ، عملکرد و اندازه گیری کارایی فنی پالایشگاه های نفت کشور را به عنوان یکی از عمده ترین تولید کنندگان انرژی و انواع سوخت ، با استفاده از داده های سال 1376 تا 1383 این بخش ارزیابی می کند . مبنای بررسی این تحقیق ، مدلسازی با استفاده از تکنیک های برنامه ریزی ریاضی در تحقیق در عملیات است که مدل ها در قالب دو سناریو با دو دیدگاه مختلف مصرف - تولید و هزینه – درآمد با تکنیک تحلیل پوششی داده ها ، برنامه ریزی آرمانی و فرآیند تحلیل سلسله مراتبی طراحی و ساخته می شود و ضمن رتبه بندی و محاسبه امتیاز کارایی پالایشگاه ها ، علل ضعف و اندازه ناکارآمدی هر یک را مطرح می کند . این تحقیق بر بهره برداری بهینه از فرایندهای پالایشی با توجه به ظرفیت ها و امکانات موجود با هزینه ی پالایشی کمتر و قابلیت تولید فرآورده هایی با ارزش بیشتر تأکید می نماید . ورودی ها و خروجی های سناریو اول ، دیدگاه خوراک و تولید می باشد در این مدل ، مقادیر خوراک و تولید هر پالایشگاه به عنوان متغیرهای ورودی و خروجی مدل در نظر گرفته می شوند . به عبارت دیگر ، قدار خوراک نفت خام و میعانات گازی و دیگر افزودنی ها متشکل از فرآورده های نیمه نهایی که به مصرف فرآیند تولید می رسد ، بر حسب متر مکعب در روز ، میزان کار پرسنل بر حسی نفر ساعت در روز و انرژی مصرفی متشکل از برق و سوخت بر حسب میلیون BTU در روز به عنوان ورودی های هر پالایشگاه شناخته می شوند . همچنین مقادیر تولید هر یک از فراورده های اصلی پالایشگاه ها ، یعنی گاز مایع ، بنزین ، نفت سفید ، نفت گاز و نفت کوره و نیز مجموع مقدار تولید فرآورده های نفتی ویژه ، همچون خوراک واحد های پتروشیمی ، روغن خام ، نفت سفید صنعتی ، سوخت های سبک و سنگین هواپیماه ، نفتا ، حلال ها ، انواع قیر ، گوگرد و فرآورده های نیمه نهایی به عنوان سایر فراورده ها بر حسب متر مکعب در روز به عنوان خروجی های هر پالایشگاه تعیین می شوند . ورودی ها و خروجی های سناریوی دوم ، دیدگاه هزینه – درآمد می باشد . در این سناریو یک مدل تک ورودی ، تک خروجی از نوع CCR ساخته می شود که ورودی سیستم کل هزینه ای است که پالایشگاهی جهت تأمین و نیز پالایش هر متر مکعب یا هر بشکه نفت خام متحمل می شود . این میزان تمام هزینه های ممکن ، اعم از ارزش نفت خام ورودی ، انرژی مصرفی ، حقوق و دستمزد نیروی انسانی و سایر هزینه های عملیاتی و تشکیلاتی را شامل می شود . از طرف دیگر ، خروجی سیستم کل در آمدی است که هر پالایشگاه با فروش یک متر مکعب از کل فرآورده ها ، بسته به نسبت تولید فرآورده های نفتی در هر متر مکعب نفت خام و یا درآمد حاصل از پالایش هر بشکه یا هر متر مکعب نفت خام می تواند عاید خود کند . نتیجه گیری : کمترین امتیازات کارایی به سال 1377 و بیشترین آن ها به سال 1381 مربوط است . میانگین ناکارایی نسبی در این سال ها به ترتیب برابر با 2/6 ، 2/8 ، 9/2 ، 3/5 ، 5/4 ، 8/2 ، 7/4 ، 2/6 درصد می باشد . اندازه گیری کارایی فنی و بهره وری پالایشگاه های نفت ایران (1380 الی 1386 ) نوشته علی امامی میبدی در سال 1388 . در این مقاله با استفاده از روش تحلیل پوششی داده ها ، به محاسبه کارایی فنی و بهره وری پالایشگاه های نفت کشور طی دوره زمانی 1380 الی 1386 پرداخته شده است . ورودی ها : تعداد پرسنل هر پالایشگاه خوراک ماهانه انرژی مصرفی ماهانه درجه پیچیدگی پالایشگاه خروجی ها : نسبت حجم محصولات سبک به حجم محصولات سنگین در هر ماه نتیجه گیری متوسط کارایی فنی پالایشگاه های کشور طی سال های مذکور ، حداکثر 88 درصد در سال 1380 و حداقل 81 دصد در سال 1382 بوده است . پالایشگاه لاوان در تمام سال ها به صورت کارا و پالایشگاه اصفهان در بیشتر سال ها کارایی واحد داشته است . پالایشگاه تهران در سال های 1380 و 1381 و پالایشگاه بندرعباس در بیتر سال ها کمترین میزان کارایی را داشته اند . همچنین کارایی فنی پالایشگاه بندر عباس دارای روند کاهشی بوده است ، به طوری که از میزان 72 درصد در سال 1380 ، به 56 درصد در سال 1386 رسیده است . نتایج حاصل از اندازه گیری بهره وری حاکی از آن است که تغییرات بهره وری کل از سال 1380 الی 1386 روند ملایم افزایشی داشته است . همچنین در سال 1386 ، میزان افزایش بهره وری کل بطور قابل توجهی افزایش داشته ، که ناشی از تغییرات تکنولوژی بوده و بنابراین عامل اصلی بهبود بهره وری پیشرفت تکنولوژی قلمداد شده است . بررسی کارایی اقتصادی در پالایشگاه های نفت اندونزی رساله دکتری نوشته پراویرات مادجا در سال 2009 می باشد . وی به روش DEA ، به محاسبه کارایی فنی و کارایی اقتصادی پالایشگاه های نفت اندونزی در دوره زمانی 2001 و 2002 پرداخته است . ورودی ها ظرفیت پالایشگاه خوراک پالایشگاه شاخص تبدیل این شاخص از مشخصات هر پالایشگاه محاسبه می شود و قابلیت کراکینگ ( قابلیت تبدیل نفت کوره به محصولات سبک تر ) را نشان می دهد . تعداد نیروی کار خروجی ها جمع محصولات سبک جمع محصولات سنگین در این تحقیق کارایی پالایشگاه اندونزی در مقایسه با پالایشگاه های سایر کشورهای منطقه پاسیفیک ( ژاپن ، کره جنوبی ، تایلند و چین ) ، محاسبه شده است و سپس رتبه بندی پالایشگاه های منطقه انجام شده است . تقسیم خروجی ها به دو بخش سبک و سنگین رابطه مستقیمی با ارزش محصولات نفتی در مقایسه با ارزش نفت خام دارد . زیرا قیمت محصولات سبک عمومأ بالاتر و قیمت محصولات سنگین پایین تر از قیمت نفت خام است ، بنابراین برای افزایش درآمد و در نتیجه افزایش سود که نکته اصلی در محاسبات کارایی تخصصی است ، لازم است در جهت افزایش تولید محصولات سبک تر پیش رفت . این موضوع دقیقا مطابق با بالا بودن شاخص تبدیل هر پالایشگاه است ، که به عنوان ورودی در مدل مورد استفاده قرار گرفته است . در این تحقیق قیمت فرآورده ها بر مبنای قیمت فوب بازار سلف سنگاپور بوده و فقط فرآورده های نفتی اصلی نظیر LPG ، نفتا ، بنزین ، نفت سفید ، سوخت هواپیما ، گازوئیل و نفت کوره در نظر گرفته شده اند . محاسبه کارایی و تغییرات بهره وری بخش توزیع برق برزیل روماس ریل و دیگران در سال 2012 با استفاده از روش DEA و شاخص مالم کوئیست ، به محاسبه کارایی و تغییرات بهره وری بخش توزیع برق برزیل در 18 شرکت طی دوره زمانی 2004 الی 2011 می پردازد . سپس تغییرات بهره وری کل را بر حسب تغییرات کارایی فنی ، کارایی مقیاس و پیشرفت تکنولوژی نشان می دهند . ورودی ها شامل مقدار فروش تعداد مشتریان خروجی ها شامل طول خطوط انتقال تعداد نیروی کار ضایعات نتایج نشان دهنده رشد سالانه THP با نرخ 3/1 درصد در طول دوره مورد بررسی هستند .پیشرفت فنی با نرخ رشد متوسط 1/2 درصد در سال ، عامل اصلی این رشد و تحول است ، در حالی که کارایی فنی دارای نرخ رشد سالانه منفی 8/0 درصد است . هدف این مقاله شناخت عامل اصلی تحول بهره وری ، با تکیه بر رابطه آن با اقدامات بازسازی و اصلاحاتی است که در دهه 1990 انجام شده است . نتایج نشان می دهد اتخاذ سیاست های تشویقی در روند انجام اصلاحات ، نقشی در افزایش کارایی شرکت ها نداشته است . منابع و مراجع منابع فارسی ]1[ کوپر ، ویلیام ، سیفورد ، لورنس ، کوراتن ، " تحلیل پوششی داده ها مدل ها و کاربرد ها " ، ترجمه سید علی میر حسنی ، انتشارات دانشگاه صنعتی امیر کبیر ( پلی تکنیک تهران ) ، چاپ سوم ، بهار 91 ]2[ اجلی قشلا جوقی ، مهدی ، " ارزیابی عملکرد و کارایی شرکت های گاز استانی با مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (Neuro/DEA ) " ، پایان نامه کارشناسی ارشد مدیریت صنعتی ، دانشکده مدیریت دانشگاه تهران ، 1387 ]3[ احمد وند علی ، محمد کشوری ، عبدالرحمن نیکوکار ، غلامحسین حاتمی ، حمیدرضا صادقی مال ، منصور امیری ، " طراحی الگوی ارزیابی عملکرد برنامه های راهبردی تحقیقات دفاعی سپاه ( با رویکرد تحقیقات دفاعی نرم )" مجله سیاست دفاعی ، سال نوزدهم ، شماره 74 ، بهار 1390 . ]4[ مومنی ، منصور (1385) ، مباحث نوین تحقیق در عملیات ، چاپ اول ف تهران ، انتشارات دانشکده مدیریت دانشگاه تهران . ]5[ مهرگان ، محمدرضا (1383 ) ف مدل های کمی در ارزیابی عملکرد سازمان ها (DEA ) ، انتشارات دانشکده ی مدیریت دانشگاه تهران ، چاپ اول . ]6[ منهاج ، محمد باقر (1384) ف مبانی شبکه های عصبی ، جلد اول ، انتشارات دانشگاه صنعتی امیرکبیر ف چاپ سوم ، تهران ]7[ مهرگان ، محمدرضا ، علیرضا فراست ، امین کامیاب مقدس (1385) ، " تحلیل کارایی فنی پالایشگاه های نفت کشور با استفاده از مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها " ف پژوهشنامه علوم انسانی و اجتماعی ، سال ششم ، شماره بیست و سوم ]8[ صفری ، سعید (1381) ، مدلسازی تعالی سازمان با رویکرد تحلیل پوششی داده ها ، رساله دکتری ، دانشگاه تربیت مدرس ]9[ امیر تیموری ، حمزه (1383) ، اندازه گیری کارایی شرکت های گاز با استفاده از تحلیل پوششی داده ها (DEA ) ]10[ علیرضایی ، محمدرضا و نصرالله علمدار (1377) ارزیابی عملکرد نیروگاه های بخاری ، گازی و آبی و تعیین کارایی تکنیکی آن ها به کمک تحلیل پوششی داده ها ، سیزدهمین کنفرانس بین المللی برق ]11[ اکبر مکی ، پیش بینی قیمت طلا با استفاده از رویکرد شبکه های عصبی ، پایان نامه کارشناسی ارشد رشته مهندسی سیستم های اقتصادی و اجتماعی ، دانشگده صنایع دانشگاه علوم و فنون مازندران 1387 ]12[ پیمان بهرام پور ، پیش بینی روزانه نرخ جفت ارز دلار پوند در بازار فاکس با استفاده از شبکه عصبی ، پایان نامه کارشناسی ارشد ، رشته مهندسی سیستم های اقتصادی و اجتماعی ف دانشگده علوم و فنون مازندران ، زمستان 90 ]13[ فراست ، علیرضا 1386 طراحی و کنترل هوشمند فرایندهای تولیدی : به کار گیری هوش مصنوعی در مهندسی کیفیت ، پایان نامه کارشناسی ارشد مدیریت صنعتی دانشکده مدیریت دانشگاه تهران ]14[ مهدی اجلی ، حسین صفری ، ارزیابی عملکرد واحدهاي تصمیم گیري با استفاده از مدل ترکیبی شبکه هاي عصبی پیش بینی کننده عملکرد و تحلیل پوششی داده ها مورد مطالعه شرکت ملی گاز ایران ، نشریه تخصصی مهندسی صنایع، دوره 45 ، شماره 1، فروردین ماه 1390 ]15[ سید مصطفی کیا ، شبکه های عصبی در متلب ، چاپ دوم ، انتشارات دانشگاهیان کیان ]16[ پژوهشهای شرکت ملی گاز ایران ، کتابخانه ی بخش مدیریت هماهنگی و نظارت بر تولید منابع انگلیسی [15] Athnossopulos A,curram S . (1996) A comparision of data envelopment analysis and artifical neural networks as tool for assessing the efficiency of decision making units , journal of operation research societly 47 , p1000-1016 [16] Bauer ,P.W(1990) Recent developments in the econometric of frontiers , journal of Econometrics 46,p.39-56 [17] william W.Cooper 1 Lawrwnce M.Seiford Joe Zhu , " Handbook on Data Envelopment Analysis " , international series in operation research & Management Science , Second Edition, 2011 [18] Tai – Ming Ben , Kuan –Fei Wang , " Interaction analysis among industrial parks , Innovation input , and urban production Efficiency " Asian Social Vol .7ay 2011 [19] Desheng(Dash) Wu , Zijiang Yang ,Liang Liang ," Using DEA-Neural network approach to evaluate branch efficiency of a large Canadian bank " , Expert system with applications 31(2006) 108-115 [20] Porter ,M .(2000) . Location competition and economic development : Local clusters in a global economy . economic Development Quarterly , 14(1) , 15-24 [21] Storper , M.(1995) . The resurgence of regional economies , ten years later : the region as a nexus of untraded interdependencies . European urban and regional studies ,(3) , 191-221 [22] Storper , M .(1997) . The regional world : territorial development in a global economy . New York : Guilford Press,( chapter 7 ) [23] Markusen , a .(1996) . Sticky places in slippery space . Economic Geography ,72(3) , 293-313 [24] Cainelli , G .(2008) . Spatial agglomeration . technological innovations , and firm productivity : evidence from Italian industry districts . Growth and change , 39(3) ,414-435 [25] Higashi, H.(1995) . the technologies in Japan : its past and its future . Industry and Higher education , 357-364 [26] Wang S.(2003) adaptive non-parametric efficiency frontier analysis : Aneural network based model , computers and operation research , 30 , p279-295 [27] Pendharkan P . C , Rodger J.A (2003) technical efficiency – based selection of learning cases to improve forcasting accuracy of neural networks under monotonicity assumption , decision support systems , 36(1) , p 117-136 [28] Evangelista , R .,Iammarino , S.,Mastrostefano , V.,& Silvani ,A .(2002) . looking for regional systems ofinnovation : evidence from the Italian innovation survey . Regional studies , 36(2) , 173-186 [29] Principle of artificial Neural Networks ( 2 nd edition ) by D Graupe 2007 [30] Casta , a . and Harkellas , R.N (1997) . " Evaluating public transport efficiency with neural network models " . Transportatior research , c5 , pp.301-312 [31] Vellido , A., Liboa , pand Vaughan , J , " Neural networks in business : a survey of app;ications " , Expert systems with application , 17 , pp.51-70 , 1999 . operations research . " computers & operations research , 27 , pp. 1023-1044 [32] F. Hernández-Sancho , M. Molinos-Senante , R. Sala-Garrido , " Energy efficiency in Spanish wastewater treatment plants: A non-radial DEA approach " , Science of the Total Environment 409 (2011) 2693–2699 [33] Said Gattoufi, Muhittin Oral, Arnold Reisman , " Data envelopment analysis literature: a bibliography update (1951–2001) " , Socio-Economic Planning Sciences 38 (2004) 159–229 Abstract Performance and ratings a subset of what the industry is essential, and should at least annually evaluate their performance based on scientific principles. Oil and gas industry as one of the key industries of IRAN is the most sensitive and important source of government revenue . Obviously there performance in the industry will be several times the earnings of government and this is not possible to assess accurately the units covered. Since the DEA different performance over time and does not require any initial default about the efficient frontier Therefore, the performance evaluation methods, DEA is the best way to organize and analyze data . Therefore, the collection of data input and output 6 refinery performance computing and efficient and inefficient units were identified. .. But the DEA was not able to separate the performance of all the other refineries. Because of this lack of decision-making units to the number of inputs and outputs. The DEA is not able to rank all the units, so the integration of data envelopment analysis and artificial neural networks to measure the performance of the receiver is used in a way that the problem is corrected. In the comparison between the results of the two methods has been done. keywords Efficiency, Performance Evaluation, Data Envelopment Analysis, Neural Networks, Refinery