زهره مؤمنی

تصمیمات مربوط به هزینه های زنجیرة تأمین جزء تصمیمات راهبردی می باشد. در این پژوهش، به منظور پیش بینی هزینه کل در چهار بخش سفارش، موجودی، ریسک عملیاتی و تولید از روش شبکه عصبی مصنوعی بهره گرفته شده است. داده های مورد استفاده، میزان تولید محصول، میزان سفارش خرید مواد اولیه، میزان موجودی و تقاضا در کنار هزینه های تولید، موجودی، سفارش خرید مواد اولیه و تعمیر و نگهداری ماشین آلات می باشد که به صورت ماهانه از فروردین سال 1394 تا اسفند سال 1396 از شرکت تولید قطعات خودرو اخذ گردیده است. به منظور طراحی مدل پیش بینی داده ها به دو بخش شامل داده های آموزشی و داده های آزمایشی برای آزمون مدل، تقسیم شده اند؛ سپس شبکه بهینه با 32 داده آموزش، 2 داده اعتبارسنجی و 2 داده آزمایش، 20 تعداد نرون لایه پنهان و 2 تأخیر در تکرار 7 انتخاب شد. در نهایت برای اثبات اعتبار مدل نتایج روش شبکه عصبی مصنوعی با مدل های رگرسیون چند متغیره خطی و سری زمانی (ARIMA) توسط معیارهای MAPE، MAD وRMSE مورد سنجش قرار گرفت. نتایج نشان داد که روش شبکه عصبی مصنوعی میزان خطاها را به ترتیب 38٪ برای RMSE، ٪34 برای MAD و 32٪ برای MAPE نسبت به مدل ARIMA و 50٪ برای RMSE، ٪72 برای MAD و 67٪ برای MAPE نسبت به مدل رگرسیون کاهش داده است.

در اواخر دسامبر سال 2019، ویروس جدیدی، با نام کروناویروس جدید-2019، باعث آغاز شیوع پنومونی از ووهان، به سراسر کشور چین شد که در حال حاضر تهدیدات بهداشتی بزرگی را برای سلامتی عمومی جهان ایجاد کرده است. بیماری همه گیر کووید- 19 ناشی از کرونا ویروس جدید- 2019 در سراسر جهان، در حال گسترش است و تا اول مارس 2020 تعداد 67 کشور، از جمله ایران را مبتلا و درگیر کرده است. در این پژوهش، دادههای مرتبط با کرونا ویروس جدید- 2019 که از سایت بهداشت جهانی اخذ شده، به منظور خوشه بندی، از روش های خود سازمانده از جمله الگوریتمهای کوهونن و کا از میانگین و خوشه بندی دومرحله ای بهره گرفته شده است که هدف تمامی روش ها این است که کدام رکورد در کدام خوشه جای می گیرد، سپس با انجام آزمون، کارایی این سه تکنیک تعیین شده است. نتایج حاکی از آن است که روش خوشه بندی دومرحله ای کارایی بالاتری نسبت به دو روش دیگر دارد و در خوشه بندی شاهد نتایج مطلوب تری با بهره گیری از این روش هستیم.