بهنام وحدانی

نیاز به انعطاف پذیری در بحث تولید و افزایش رقابت و نیاز به پاسخگویی به تقاضای مشتریان در زمان مناسب امری ضروری در بحث تولید می باشد. دلایل متعددی بر روی سیستم تولید انعطاف پذیر اثر گذار می باشد. یکی از دلایل مهم و تاثیر گذار خطی مشی زمان بندی است که ارتباط مستقیم با قانون توزیع امکانات دارد. انتخاب این قانون می تواند بر اساس معیار های متعدد صورت گیرد، که هریک از این معیارها بر روی یکدیگر اثر گذاری متقابل دارند. لذا یک مدل فرآیند تحلیل شبکه ای جهت یافتن یک قانون توزیع امکانات مناسب لازم می باشد. همچنین به دلیل ماهیت مسأله و عدم قطعیت در فرآیند مقایسه زوجی و اثرگذاری معیارها بر روی هم و بر انتخاب قوانین توزیع امکانات نمی توان از روش قطعی برای حل این مدل استفاده نمود. لذا، مدل فرآیند تحلیل شبکه ای با مجموعه فازی بازه ای شهودی به دلیل ویژگی های موجود در تصمیم گیری چند معیاره تحت شرایط عدم قطعیت حل می گردد. سپس انتخاب قانون توزیع امکانات با توجه به نظرات خبرگان صنعت ارائه می گردد و در خاتمه رتبه بندی مناسب جهت این انتخاب پیشنهاد می شود.

هدف از ارائه این مقاله ارائه یک رویکرد سازشی به منطور حل مسائل برنامه ریزی چندهدفه مقیاس بزرگ با ساختار بلوکی زاویه دار تحت شرایط عدم قطعیت می باشد.با بهره گیری از این روش، یک مساله با ابعاد بزرگ به چندین مساله با ابعاد کوچکتر تجزیه می گردد. سپس با به کار بردن روش تاپسیس و و تشکیل توابعی که نشان دهنده میزان دوری از ایده آل های منفی و میزان نزدیکی به ایده ال های مثبت می باشند، هریک از مسائل تجزیه شده را به طور مستقل از دیگر توابع حل می کنیم. به منظور بدست آوردن ایده آل های مثبت و منفی ابتدا توابع هدف و محدودیت ها را از حالت فازی به قطعی تبدیل نموده و سپس مقدار بهینه هر یک از توابع هدف را بدون در نظر گرفتن سایر توابه به طور کاملل مجزا حل میکنیم تا ایده آل های مثبت برای هر از توابع هدف محاسبه گردد. به همین ترتیب برای محاسبه ایده آل های منفی بدترین جواب ها را برای هر یک از توابع هدف محاسبه می کنیم. طبق الگوی بهینه سازی ماکس- مین(زیمرمن) بر اساس منطق فازی توابع ساخته شده برای دوری و نزدیکی به ایده آل های مثبت و منفی را در قالب یک تابع هدف بهینه می کنیم تا جواب بهینه نهایی بدست آید. برای روشن شدن روش ارائه شده یک مثال در پایان آورده شده است. همچنین نتایج بررسی در مثال ارائه شده نیز مورد بررسی قرار گرفته است.

در این تحقیق یک مدل برنامه ریزی مختلط عدد صحیح چند هدفه به منظور طراحی یک شبکه خدمات درمانی با اثر ریسک ادغام ارائه شده است. همچنین ازآنجایی که پارامترهای مدل موردنظر دارای عدم قطعیت می باشند، برای نزدیک تر شدن مدل به واقعیت، با استفاده از رویکرد بهینه سازی استوار، مدل در حالت غیرقطعی نیز گسترش یافته است. تابع هدف مورد اول، هزینه های مرتبط با حمل ونقل، استریلیزاسیون و همچنین جابجایی منابع را کمینه می نماید. تابع هدف دوم، حداقل سطح سرویس دهی مراکز خدمات درمانی به مشتریان را حداکثر می نماید. به علاوه به منظور حل مدل ارائه شده از یک روش چند هدفه فازی که در تحقیقات اخیر ارائه شده است، استفاده شده است. به منظور نمایش صحت و درستی مدل و روش حل ارائه شده مثال های عددی متعددی مورد بررسی قرار گرفته شده است. همچنین بر روی پارامترهای مسئله آنالیز حساسیت انجام پذیرفته است. نتایج محاسباتی نشان می دهد، مدل استوار ارائه دهنده جواب های با کیفیت تری می باشد به طوریکه دارای انحراف استاندارد بسیار پایین تری نسبت به مدل قطعی می باشد.

افزایش پیچیدگی در مسائل تصمیمگیری موجب شده است تا گروهی از خبرگان به جای استفاده از یک خبره برای ارزیابی مسائل انتخاب پیمانکار مورداستفاده قرار گیررد بردین منررور، در ایرن م،الره، یرک روش جدیرد شاخص انتخاب ارجحیت فازی تردیدی برر مبنرای ریسرک نرررات خبرگران بره منررور حرل مسر له ی انتخراب پیمانکار پیشنهاد میشود این در حالی است که بکارگیری مجموعههای فازی تردیدی به منرور م،ابلره برا عردم قطعیتها در شرایط دارای ابهام استفاده میشود وزن هر یک از تصمیمگیران به وسیلهی روش پیشنهادی برنامره - ریزی تواف،ی محاسبه میشود همچنین، روش پیشنهادی علاوه برر در نررر گررفتن معیارهرای ارزیرابی کمری و کیفی، به خبرگان کمک میکند تا برای کاهش خطای ارزیابی، برای هر پیمانکرار در م،ابرل هرر معیرار تحرت یک مجموعه، چندین درجره ی عضرویت تعیرین کننرد بعرلاوه، نرررات تصرمیم گیرران در گرام رخرر از روش پیشنهادی ادغام میشوند تا از ریزش اطلاعات در فرریند تصمیمگیری گروهی جلوگیری شود در ایرن روش، انتخاب بهترین پیمانکار به طور هم زمان، بر مبنای بیشترین نزدیکی به ایدهرل مثبت و بیشترین فاصله از ایرده رل منفی در نرر گرفته میشرود در پایران، رویکررد پیشرنهادی در یرک مطالعره ی مروردی بررای انتخراب به تررین پیمانکار در صنعت ساخت وساز اجرا شده است؛ با م،ایسره ی نترای بره دسرت رمرده برا یرک روش موجرود در ادبیات، کارایی و اعتبار روش پیشنهادی بیان شده است

مراقبت سلامت خانگی، ارائه مجموعه ای از خدمات مراقبتی در منزل از پیشگیری تا توان بخشی و از مراقبت های اولیه تا خدمات حرفه ای پرستاری است. در این پژوهش یک مدل ریاضی دو هدفه بر اساس رویکرد برنامه ریزی خطی عدد صحیح مختلط برای مسئله مسیریابی و زمان بندی مراقبت سلامت خانگی با اهداف حداقل سازی هزینه های سفر پرستاران و حداقل سازی حداکثر تفاوت های زمان کاری بین پرستاران ارائه شده است. درنظرگرفتن حالت های دوگانه حمل ونقل عمومی و خصوصی، مراکز درمانی آغازین و پایانی  و پنجره های زمانی بیمار و پرستار از ویژگی های مهم مدل ریاضی مسئله موردمطالعه است. پس از ارائه مدل ریاضی، مسائل اندازه کوچک با استفاده از روش محدودیت اپسیلون و با بهره گیری از نرم افزار گمز حل شد؛ همچنین با توجه به پیچیدگی بالای مسئله از دو روش فراابتکاری الگوریتم ژنتیک مرتب سازی نامغلوب و الگوریتم بهینه سازی ازدحام ذرات چند هدفه برای حل مسئله در ابعاد متوسط و بزرگ بهره گرفته شد. نتایج آماری حاکی از عملکرد بهتر الگوریتم ژنتیک مرتب سازی نامغلوب در دو شاخص متوسط فاصله از نقطه ایده آل و تعداد جواب های پارتو نسبت به الگوریتم بهینه سازی ازدحام ذرات چند هدفه در مسائل متوسط و بزرگ است. درمجموع نتایج شاخص ها نشان می دهد که الگوریتم ژنتیک مرتب سازی نامغلوب دارای عملکردی کارا و اثربخش در حل مسائل با اندازه های مختلف است.

امروزه رقابت شدید در بازارهای جهانی شرکتها را وادار به طراحی و مدیریت بهتر زنجیره های تامین کرده است. از آنجا که نقش مهم سه عامل مکانیابی، مسیریابی و موجودی در ادامه حیات یک زنجیره تامین پوشیده نیست لذا یکپارچگی این سه عنصر یک زنجیره تامین کارا و موثر را بدست خواهند داد. در این پژوهش مساله طراحی شبکه زنجیره تامینی را مورد مطالعه قرار میدهیم که شامل مسئله مسیریابی و موجودی متشکل از تخصیص جریان، مسیریابی وسایل نقلیه بین تسهیلات ، مکانیابی مراکز توزیع و همچنین در نظر گرفتن حداکثر پوشش جهت پاسخ به تقاضای مشتریان می باشد. مدل ریاضی ارائه شده یک مدل برنامه ریزیغیر خطی عدد صحیح مختلط برای مسالهمکانیابی-مسیریابی-موجودی در زنجیره تامین چهار سطحی با در نظر گرفتن اهداف متعارض چندگانه هزینه کل، زمان سفر و حداکثر پوشش می باشد. به منظور حل مدل ارائه شده از سه الگوریتم فراابتکاری NSGA-II، NRGA و MOPSO استفاده شده است.که صحت مدل ریاضی و الگوریتم های ارائه شده از طریق مثال عددی ارزیابی می شود.

یکی از مهمترین رویکردها که منجر به ایجاد مزیت های متنوعی برای بنگاه های اقتصادی می باشد، ناحیه بندی مناطق به مکان های سرویس دهی و واحد های متقاضی می باشد که باعث افزایش سطح دسترسی مشتریان جهت دریافت خدمت می باشد. به طوری که می تواند در طراحی مجدد و ناحیه بندی مجدد شرکتها نیز مورد استفاده قرار گیرد. از طرف دیگر مسیریابی وسایل حمل و نقل جهت ارائه محصولات به مشتریان در صورتی که در مناطق ناحیه بندی شده انجام پذیر می تواند منجر به برنامه ریزی هر چه بهتر در سرویس دهی به مشتریان گردد. با این حال در هیچ یک از تحقیقات انجام گرفته شده در حوزه طراحی شبکه زنجیره تامین، مسیریابی وسایل حمل و نقل در نواحی طبقه بندی شده مورد بررسی قرار گرفته نشده است. از اینرو در این تحقیق یک مدل ریاضی دو هدفه ارائه شده است تا بصورت همزمان ناحیه بندی مناطق، مکانیابی-تخصیص تسهیلات، اشتراک گذاری خدمت و انتقال خدمت درون منطقه ای و مسیریابی وسایل حمل و نقل به صورت توامان انجام پذیرد. تابع هدف اول به دنبال کمینه نموده مجموع هزینه های شبکه زنجیره تامین می باشد. تابع هدف دوم به دنبال حداقل نمودن حداکثر حجم تقاضای مازاد سرویس دهنده ها می باشد.همچنین رویکرد بهینه سازی استوار به منظور لحاظ نمودن عدم قطعیت در برخی از پارامترهای مدل ارائه شده بکار گرفته شده است. به علاوه یک مطالعه موردی در صنعت نفت و گاز مورد بررسی قرار گرفته شده است.

در این تحقیق به بررسی نوع جدیدی از مسئله مسیریابی برداشت و تحویل به نام مسائل به نام همکاری ناوگان حمل و نقل (CC) پرداختیم. این مسئله شامل چندین مرکز برداشت و چندین مرکز تحویل است که مجموعه از وسایل نقلیه ناهمگن (یخچالی و غیریخچالی) با ظرفیت های مشخص برای سرویس دهی چندین کالای فسادپذیر را شامل می شود. هر وسیله نقلیه دو نوع درخواست رزرو شده و انتخاب شده دارد که می بایست در پنجره زمانی مشخص سرویس دهی شود. ناوگان حمل و نقل به درخواست های رزرو شده حتما پاسخ می دهد ولی درخواست های انتخاب شده، می تواند سرویس دهی شود و یا نشود. کالاها با نرخ ثابتی فاسد می شوند نرخ فاسد شدن در وسیله نقلیه غیر یخچالی بیشتر از یخچالی است و همچنین هزینه بکارگیری وسیله نقلیه غیریخچالی کمتر از یخچالی می باشد. برای خصوصیات ذکر شده مدل ریاضی غیرخطی را توسعه داده ایم که هدف از این مدل پیدا کردن مسیر شدنی به منظور حداکثر کردن سود و کاهش هزینه های در عین حال بالا بردن میزان رضایت مشتری است. افزایش رضایت مشتری بر اساس میزان تازگی کالاها تعریف می شود. برای حل مدل ارائه شده الگوریتم ژنتیک توسعه داده شده است که برای هدفمندتر شدن الگوریتم برای تولید مقادیر اولیه از ساختار همسایگی استفاده کرده ایم. به منظور اعتبارسنجی نتایج بدست آمده با نتایج روش شاخه وحد(نرم افزار گمز) با مثال های عددی مقایسه شدند.

مسئله مکان یابی مسیریابی هاب یکی از مسائل کاربردی در دهه های اخیر است. پژوهش حاضر به یک مسئله مکان یابی مسیریابی هاب چندگانه می پردازد که در آن بهترین مکان ها برای هاب ها و تورها برای هر هاب با دریافت و تحویل هم زمان تعیین می شوند. ابتدا یک مدل بهینه سازی برای به حداقل رساندن مجموع هزینه های ثابت مکان یابی مراکز، هزینه های جابه جایی، سفر، تخصیص و هزینه های حمل ونقل پیشنهاد شده است. به منظور دست یافتن به حل های کاربردی و عملی، هاب ها ظرفیت محدودی دارند و هر گره می تواند توسط تخصیص تکی به هاب ها اتصال یابد؛ همچنین ملاحظات بالانس با تخصیص تعداد مناسب گره های تقاضا به هاب ها به شبکه تحمیل می شود. سپس مسئله با استفاده از نرم افزار GAMS برای نمونه هایی با اندازه کوچک حل می شود. با توجه به ماهیت NP-Hard مسئله، مدل بهینه سازی پیشنهادی توسط الگوریتم ژنتیک و الگوریتم رقابت استعماری حل خواهد شد. نتایج مقایسه ای حاصل از نمونه های مسئله نشان می دهد که الگوریتم ژنتیک عملکرد بهتری در مقایسه با الگوریتم رقابت استعماری دارد و در نظر گرفتن ملاحظات ظرفیت و بالانس می تواند در کاهش هزینه های شبکه موردبررسی مؤثر باشد.

در بحث امدادرسانی به مصدومان بلایای طبیعی و غیرطبیعی، هدف اصلی یک زنجیره امدادرسانی این است که اقلام موردنیاز مصدومان مانند آب و مواد غذایی، مواد دارویی، پناهگاه و سایر ملزومات در سریع ترین زمان ممکن در دسترس مصدومان قرار بگیرد تا از تعداد مرگ ومیر ناشی از وقوع بلایا تا حد امکان کاسته شود؛ بنابراین طراحی و توسعه و اجرایی کردن یک زنجیره امدادرسانی می تواند نقش مهم و بزرگی در دست یافتن به یک پاسخ مناسب ایفا کند. بارزترین تفاوت ها در بحث برخورد با زنجیره امدادرسانی ، غیرقابل پیش بینی بودن تقاضا از نظر زمان، مکان، نوع، مقیاس و حجم آن است. دلایل دیگر پیچیدگی مدیریت چنین زنجیره هایی وقوع ناگهانی یک تقاضا در مقدار زیاد و فرصت بسیار کوتاه برای تأمین حجم وسیعی از کالاها، کمبود منابع شامل کالاها، نیروی امدادرسانی، فناوری مناسب، ظرفیت حمل ونقل، ضرورت تأمین به موقع و به میزان کافی ملزومات بعد از وقوع حادثه و ریسک های موجود در محیط امدادرسانی است. در پژوهش حاضر، یک مدل ریاضی برای مسئله مکان یابی موجودی برای برنامه ریزی پاسخ به تلفات ارائه شده است؛ همچنین ازآنجاکه مدل ریاضی ارائه شده جزو مسائل Np-hard محسوب می شود، برای حل آن از الگوریتم های فراابتکاری استفاده شده است.

روش مسیر بحرانی یکی از پرکاربردترین روش ها در برنامه ریزی و کنترل پروژه است. در این روش زمان به عنوان معیار تعیین کننده مسیر بحرانی در نظر گرفته می شود؛ اما در نظر گرفتن معیارهای دیگری علاوه بر زمان، ضروری به نظر می رسد. به همین منظور در این مقاله، علاوه بر معیار زمان، معیارهای تاثیرگذاری همانند هزینه، ریسک، کیفیت و ایمنی در نظر گرفته می شود. این مساله به صورت یک مساله تصمیم گیری چند شاخصه فازی مدل می شود و با ارائه یک توسعه جدید از روش مولتی مورا (MULTIMOORA) حل می شود. روش مولتی مورا در محیط فازی بازه ای نوع-2 توسعه داده می شود. از مجموعه های فازی نوع-2 نیز برای در نظر گرفتن عدم قطعیت استفاده می گردد. مجموعه های فازی نوع-2 انعطاف پذیری و توانایی بیشتری در انعکاس عدم قطعیت ها نسبت به مجموعه های فازی نوع-1 دارند. در نهایت، روش SWARA در محیط فازی نوع-2 بازه ای جهت وزن دهی به معیارهای تاثیرگذار زمان، هزینه، کیفیت، ریسک و ایمنی توسعه داده می شود. در انتها یک مثال کاربردی برای نشان دادن محاسبات و همچنین توانایی رویکرد پیشنهادی حل می شود. براساس مثال ارائه شده، به وضوح دیده می شود که طولانی ترین مسیر از نظر معیار زمانی، مسیر بحرانی نیست و معیارهای تاثیرگذار دیگر نیز در تعیین مسیر بحرانی دخیل هستند.

مقدمه و اهداف: با توجه به پیشرفت های جدید در دنیای مدرن، استفاده از الگوهای کنترل کیفیت چندمتغیره-چندمرحله ای در صنایع تولید به عنوان موضوعی حیاتی و ضروری مطرح می شود. این پژوهش به بررسی اهمیت و ضرورت کنترل کیفیت چندمتغیره-چندمرحله ای در صنایع تولیدی با تاکید بر تولید روغن موتور پرداخته است. کیفیت روغن موتور به عنوان یک عامل بنیادین، تأثیر قابل توجهی بر عملکرد، عمر موتور، رضایت مشتریان و موقعیت محصول در بازار دارد.در این تحقیق، برای مانیتورینگ و تشخیص خطا در مولفه های کیفی، استفاده از الگوریتم های یادگیری عمیق، مد نظر قرار گرفته است. علت اصلی انتخاب الگوریتم های یادگیری عمیق به جای روش های کلاسیک آماری، نرمال نبودن داده ها و حجم بزرگ نمونه ها بوده است. این مشکلات می توانند باعث عدم دقت تخمین ها و ناپایداری تحلیل ها شوند. از طرفی، توانمندی های منحصر به فرد الگوریتم های یادگیری عمیق در تجزیه وتحلیل داده های پیچیده و استخراج ویژگی های معنادار از داده های گسترده تولید روغن موتور، دلیل اصلی بر انتخاب این الگوریتم ها است.روش ها: در این پژوهش، به منظور افزایش دقت و کنترل کیفیت مؤثر، از الگوریتم های یادگیری عمیق ترکیبی از جمله شبکه عصبی با حافظه طولانی -کوتاه مدت و شبکه  عصبی پیچشی، LSTM-CNN و شبکه باقیمانده شبکه عصبی پیچشی متصل و ResNet-DenseNet برای کنترل مؤلفه های کیفی استفاده شده است. در این پژوهش، با توجه به نیاز به تحلیل و کنترل داده های پیچیده و چندمتغیره، از الگوریتم LSTM-CNN برای کنترل کیفی متغیرهای عددی و تشخیص الگوهای زمانی و توالی در داده ها استفاده شده است. همچنین، برای مدیریت و تجزیه و تحلیل داده های بصری که توزیع های غیریکنواخت و پیچیده ای دارند، از الگوریتم ResNet-DenseNet استفاده شده است. این الگوریتم ها با استفاده از ترکیبی از شبکه های عصبی با حافظه طولانی- کوتاه مدت و شبکه های پیچشی، قادر به استخراج ویژگی های معنادار و ارتباطات پیچیده میان داده ها هستند، که این امر باعث بهبود عملکرد و کارایی در فرایندهای کنترل کیفیت و تصمیم گیری هوشمند می شود. این روش قادر به تشخیص الگوهای پنهان و ارتباطات پیچیده بین متغیرها و ویژگی های کیفیتی موجود در داده ها است و قابلیت بهبود فرایندهای کنترل کیفیت و تصمیم گیری هوشمند را تسهیل می کند.یافته ها: ترکیب قابلیت های این الگوریتم ها، عملکرد فرایند کنترل کیفیت را بهبود می بخشد و نتایج بهتری نسبت به روش های تک الگوریتمی به دست می آورد؛ به علاوه از الگوریتم کلونی زنبورعسل (GBC) برای تنظیم پارامترهای الگوریتم های یادگیری عمیق LSTM-CNN و ResNet-DenseNet استفاده شده است. این الگوریتم به عنوان یک رویکرد ترکیبی عمل می کند و از مزایای الگوریتم کلونی زنبور عسل مصنوعی(ABC) و الگوریتم ژنتیک (GA) بهره می برد. این ترکیب به میزان زیادی عملکرد الگوریتم های یادگیری عمیق را در فرایندهای کنترل کیفیت بهبود می بخشد و زمان رسیدن به نتیجه مطلوب را کاهش می دهد. به منظور نمایش کاربرد عملی الگوریتم های ارائه شده در جهان واقعی، یک مطالعه موردی از صنعت تولید روغن موتور بررسی شده است. الگوریتم ترکیبی LSTM-CNN پیشنهادی در فرایند تشخیص خطا، نتیجه بهتری نسبت به الگوریتم های تکی CNN  و LSTM داشته و عملکرد نتایج را به ترتیب به میزان 15 و 8 درصد ارتقا داده است؛ همچنین در مؤلفه های تصویری، الگوریتم ترکیبی پیشنهادی ResNet-DenseNet نسبت به الگوریتم های ResNet و DenseNet به ترتیب با دقت بالاتری، به میزان 10 و 15 درصد عمل کرده است.نتیجه گیری: از نظر علمی و عملی، در این پژوهش تأثیر الگوریتم های یادگیری عمیق در بهبود کیفیت و کارایی روغن موتور را مورد بررسی قرار گرفته و از روش های پیشرفته تجزیه وتحلیل داده، به ویژه الگوریتم های ترکیبی عمیق، برای شناسایی الگوهای کیفی در داده های تولید استفاده شده است.

ذخیره سازی و چیدمان صحیح محصولات در انبار، باعث افزایش کارایی در پاسخگویی به درخواست ها، تسریع در شناسایی محصولات، افزایش قابلیت دسترسی به اقلام موجود در انبار، استفاده بیشتر از فضای موجود در انبار، تعیین موقعیت محصولات در انبار و آسیب ندیدن آن ها، فراهم آمدن حداکثر انعطلاف پذیری و شرایط مطلوب انبارداری می شود. با بررسی مطالعاتی که در حوزه انبارداری و چیدمان محصولات در انبار صورت گرفته و قبل از چیدمان محصولات در انبار، به صورت جامع و فراگیر با توجه به ویژگی کالاها،دسته بندی روی آنان صورت نگرفته است. لذا در این مقاله با استفاده از الگوریتم های یادگیری ماشین و داده کاوی با توجه به ویژگی هایی که برای کالاها در انبار کارخانه تولیدی - صنعتی فراسان در نظر گرفته شده است به دسته بندی محصولات پرداخته و سپس به چیدمان محصولات در انبار با استفاده از مدل برنامه ریزی ریاضی پرداختیم. هدف از مسئله مورد بررسی در حوزه انبارداری و چیدمان محصولات،علاوه بر دسته بندی محصولات بر اساس ویژگی های آن ها ،کمینه کردن تابع هزینه به دست آمده نسبت به مدل برنامه ریزی ریاضی می باشد.از این رو برای دسته بندی کالاها از الگوریتم مبتنیبر چگالی (DB ) ، شبکه عصبی نگاشت خودسازمان ده (SOM ) و روش خوشه بندی سلسله مراتبی (AGNES) استفاده شده است. نتایج به دست آمده نشان می دهد که شبکه SOM،عملکرد بهتری نسبت به الگوریتم مبتنی بر چگالی دارد و همچنین الگوریتم مبتنی بر چگالی عملکرد بهتری نسبت به روش خوشه بندی سلسله مراتبی دارد.