فائزه اسدیان اردکانی

شش سیگما یکی از مشهورترین ابزارها برای حذف ضایعات، کاهش هزینه و بهبود کیفیت در سازمان است. فرآیند ایجاد و ارزیابی پروژه ها، از جمله فعالیت های اولیه در اجرای شش سیگما است که بسیاری از محققان معتقدند به-کارگیری موفقیت آمیز شش سیگما با اولویت بندی و انتخاب مناسب پروژه های شش سیگما ارتباط تنگاتنگی دارد. تحقیق حاضر با به کارگیری شبکه های عصبی مصنوعی به عنوان یک ابزار قدرت مند در پردازش اطلاعات غیرخطی، مدلی را جهت انتخاب این پروژه ها معرفی نموده است. در این مدل، جهت انتخاب پروژه های بهبود شش سیگما، 6 معیار به عنوان عوامل ورودی مؤثر بر انتخاب پروژه ها در نظر گرفته شده و با استفاده از مدل پرسپترون چندلایه، میزان بهره وری و سطح سیگمای حاصل از هر پروژه ی بهبود پیش بینی شده است. در فرآیند توسعه ی این مدل، با تغییر تعداد نرون ها، لایه ها و انواع الگوریتم های یادگیری نتایج مدل بهبود یافته و انواع شبکه ها با انجام آزمایش های متعدد بررسی شده است. نتایج این تحقیق ارائه ی دو شبکه ی پرسپترون 4 و 5 لایه، به عنوان بهترین شبکه ها جهت پیش بینی موفقیت پروژه های بهبود شش سیگما در ایجاد بهره وری و افزایش سطح سیگما می باشد. در پایان نیز با استفاده از تحلیل حساسیت تأثیر هر کدام از متغیرهای ورودی بر خروجی های مدل ارزیابی شده است.

در این مقاله، مسأله برش دو بعدی با تقاضا مورد بررسی قرار می­گیرد. در این مسأله با برش ورق­های مستطیل شکل بزرگ، مستطیل­های کوچک­تر مورد نیاز باید به نحوی تولید شوند که ضمن تأمین تقاضا برای آنها، ضایعات یا تعداد ورق­های مصرفی حداقل شود. مسأله برش، جزء مسائلNP-Hard است که روش­های دقیق قادر، به حل عملی آنها نیستند. لذا در این مقاله با استفاده از الگوریتم پرواز پرندگان، الگوریتمی فراابتکاری برای حل مسأله برش دو بعدی با تقاضا ارائه شده است. برای بهبود کارایی این الگوریتم و جلوگیری از هم­پوشانی در مسأله برش، الگوریتم ابتکاری CUL به­کار گرفته شد. همچنین برای بررسی نتایج الگوریتم پیشنهادی (ترکیب الگوریتم های PSO و CUL) نرم افزاری تهیه شد که با در نظر گرفتن طول و عرض صفحه اصلی و با توجه به اندازه های قطعات و تعداد مورد تقاضا، بهترین الگوی برش ممکن را ارائه می دهد.