درخت حوزه‌های تخصصی

آنچه که امروزه بعنوان یک ضرورت براى مدیران به اثبات رسیده است، لزوم استفاده از مدیریت استراتژیک جهت ادامه حیات در محیط هاى پیجیده و متغیر کنونى مى باشد. مدیریت استراتژیک عبارتست از تدوین استراتژى مناسب جهت تحقق اهداف بلند مدت در شرایط متحول و متغیرکارى. فرآیند مدیریت استراتژیک شامل مراحل تدوبن، اجرا و ارزیابى استرا تژى مى باشد. در مرحله تدوین، ابتدا موقعیت استراتژیکى یک شرکت شناسایى مى شود و سپس استرسم منطقه راتژى متناسب با آن موقعیت تعریف مى گردد. عمده کار این مقاله مربوط به قسمت اول مرحله تدوین استراتژى یعنى شناسایى موقعیت استراتژیکى مى باشد. روش موجود براى تعیین موقعیت استراتژیکى، روش swot در قالب تجزیه و تحلیل محیط داخلی و خارجی که معمولا کار زمانبری است در این مقاله تکنیکی جدید و ابتکاری تحت عنون تکنیک چهار مرحله ای دلتا در جهت شناسایی موقعیت استراتژیکی معرفی میگردد مراحل چهار گانه این تکنیک عبارتند از غربال سازی شاخص ها مدل دلتا اولویت بندی شاخص ها ی تایید شده با استفاده از فرآیند تحلیل سلسله مراتبی فازی (FAHP )رسم منطقه موجه تار عنکبوتی برای استراتژیهای مدل دلتا و تعیین موقعیت استراتژیکی در نمودار سه بعدی در ضمن این تکنین بر اساس مدل دلتا طراحی شده است .

آن چه امروزه به عنوان یک ضرورت برای مدیران به اثبات رسیده، لزوم استفاده از مدیریت راهبردی جهت ادامه حیات در محیط های پیچیده و متغیر کنونی است. مدیریت راهبردی عبارت است از: تدوین راهبرد مناسب جهت تحقق اهداف بلند مدت در شرایط متحول و متغیر کاری.تمرکز اصلی این مقاله بر قسمت اول مراحل مدیریت راهبردی (مرحله تدوین راهبرد) یعنی شناسایی موقعیت راهبردی است.در این مقاله تکنیکی جدید تحت عنوان تکتیک چهار مرحله ای دلتا در جهت شناسایی موقعیت راهبردی معرفی می گردد. مراحل چهار گانه این تکنیک عبارتند از: غربال سازی مدل دلتا، اولویت بندی شاخص های تأیید شده با استفاده از فرآیند تحلیل سلسله مراتبی فازی، رسم منطقه موجه تار عنکبوتی برای راهبردهای مدل دلتا و تعیین موقعیت راهبردی در نمودار سه بعدی. در ضمن این تکنیک بر اساس مدل دلتا طراحی شده است.

این مقاله مسأله بهینه سازی ترکیبی و نیز چگونگی ترکیب تحقیق در عملیات و هوش مصنوعی برای حل این نوع مسأله را، مورد بررسی قرار می دهد. در این تحقیق یکی از مسائل بهینه سازی ترکیبی – مسئله توزیع و مسیر یابی وسیله نقلیه – که به طور خاص در دهه اخیر مورد مطالعه قرار گرفته، بررسی شده است.

برای کاهش هزینه ها و زمان خوابیدگی ماشین آلات صنعتی ، یکی از مهمترین اقدامات جهت پیشگیری از خرابی، بازرسی نگهداری است. بر مبنای محاسبات آماری با بنطباق میزان شکست ، مدت خرابی و زمان بازرسی با تابع توزیع نمایی نسبت به حداقل نمودن مجموع زمان های خوابیدگی بوسیله تعیین تعداد بازرسی اقدام می شود. میزان شکست بدون انجام هرگونه بازرسی نگهداری است. با توجه به اهمیت و حساسیت برخی صنایع، تعیین تعداد بازرسی با قابلیت اطمینان معین ضرورت می یابد که با استفاده از محاسبات آماری از رابطه زیر بدست می آید. روش های جایگزین برای انجام این کار با استفاده از شبکه های عصبی مصنوعی عبارتند از : 1- شناسایی الگو 2- بهینه سازی استفاده از توانایی شناسایی الگوی شبکه عصبی MLP به معنی یادگیری رفتار سیستم و تعمیم عملکرد گذشته به آینده در دوره عادی عمر ماشین و زمان بندی بازرسی نگهداری بر مبنای این عملکرد می باشد. تابع معیار این شبکه است که در آن تعداد بازرسی واقعی یا محاسبه شده توسط روش آماری در واحد زمان و د تابع بازرسی قابل محاسبه بوسیله شبکه عصبی است ، به طوری که تابع معیار حداقل شود. در این مقاله با استفاده از توانایی بهینه سازی شبکه عصبی و برای حداقل کردن مجموع زمان خوابیدگی ماشین از تابع معیار استفاده می شود و سرانجام برای حداقل کردن مجموع زمان خوابیدگی همراه با حداکثر کردن قابلیت اطمینان ، نسبت به حداقل کردن تابع معیار توسط شبکه عصبی اقدام می گردد. کسب نتایج جامع و ملموس به صورت ترکیب بهینه زمان خوابیدگی ( که با تعداد بازرسی رابطه معکوس دارد) و قابلیت اطمینان ( که با تعداد بازرسی رابطه مستقیم دارد) برتری نسبی روش جدید را یه منصه ظهور می رساند.

با توجه به نقش پیش بینی صحیح و دقیق متغیرهای اقتصادی در جهت اتخاذ تصمیمات صحیح و مناسب و نیزبا توجه به روشهای مختلفی که در زمینه پیش بینی سریهای زمانی موجود است، در تحقیق حاضر سعی شده است تا مقایسه ای بین مدل شبکه عصبی و مدل ARIMA صورت پذیرد. داده های مورد استفاده شامل قیمت ماهیانه شیراز فروردین ماه 1371 تا اسفند ماه 1376 می باشد. نتایج حاصل از مقایسه مقادیر تخمینی یک دوره دوازده ماهه شامل فروردین ماه تا اسفند ماه 1376 با مقادیر واقعی آن نشان می دهد که میانگین مربعات خطا در مدل شبکه عصبی نسبت به مدل ARIMA، 8.85 درصد کمتر است. همچنین، میانگین قدر مطلق درصد خطا در مدل شبکه عصبی نسبت به مدل ARIMA، 21.79 درصد کمتر است. اگر چه پیش بینی های صورت گرفته به وسیله مدل شبکه عصبی، دارای توجیه آماری نبوده و نمی توان برای آن فاصله اطمینان تعیین نمود اما با توجه به موارد فوق، مدل شبکه عصبی می تواند برای پیش بینی دقیقتر چنین متغیرهایی مورد استفاده قرار گیرد.

اگرچه دیر زمانی نیست که از تولد منطق فازی می گذرد ولی در همین مدت کوتاه هزاران مقاله و صدها کتاب و در همین حدود کنفرانس و نشست علمی در مورد منطق فازی برگزار شده است. در این میان چیزی که حائز اهمیت است آن است که علی رغم حجم گسترده کار روی منطق فازی این فعالیتها همه جانبه نبوده و بیشتر در زمینه ریاضیات و سیستم های مهندسی فازی فعالیت شده تا در حوزه مفاهیم بنیادی و مبانی آن، بگونه ای که امروزه بسیاری از مهندسان، ریاضیات فازی را به کار می برند اما فهم درستی از آن ندارند. این مقاله قصد دارد یکی از ایده های اساسی در پیدایش منطق فازی را تبیین نماید تا هم کسانی که از آن استفاده می کنند فهم درستی داشته باشد و هم با شناخت دقیق برخی مفاهیم بنیادی فازی، عرصه های جدید تری فرا روی جامعه علمی و خصوصاً مدیریت علمی ایجاد شود.

همواره در فرآیند ارزیابی چابکی سازمان های تولیدی ، تعریف مقیاس و ابزاری برای اندازه گیری چابکی به جهت ابهام ذاتی و چند معیاره بودن بحث تولید چابک ، با مشکل روبه رو بوده است . در این مقاله ابتدا یک مدل مفهومی پویا ارائه شده، سپس از آن به عنوان یک راه حل ممکن برای اندازه گیری چابکی استفاده شده است . با توجه به نیاز صنعت برای محاسبه میزان چابکی درون سازمانی ، اطلاعات کمی مربوط به پارامترهای چابکی درون سازمانها در قالب شش گروه بازار: تولید ، مدیریت زنجیره تامین ، فناوری اطلاعات، منابع انسانی و فرآیندهای درون سازمان گرد آوری شده، به عنوان ورودی های مسئله اندازه گیری، در نظر گرفته شده اند . مقادیر کمی این پارامترهای چابکی ، توسط قوانین شرطی منطق فازی و به کمک متغیرهای زبانی، تجزیه و تحلیل می شوند و خروجی مورد نظر با تلفیق دانش متخصصان به کمک پایگاه قواعد فازی و استنتاج فازی به دست می آید سپس با فازی زدایی ، مقدار عددی هر یک از اجزای اصلی چابکی و چابکی ادغامی کل سازمان محاسبه می شود.

در عصر حاضر در بسیاری از موارد ماشین ها جایگزین انسانها شده اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسانها انجام می گرفت امروزه توسط ماشین ها صورت می گیرد . اگرچه قدرت کامپیوترها در ذخیره ، بازیابی اطلاعات و اتوماسیون اداری ، ... غیر قابل انکار است ، اما همچنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد . اما به طور کلی ، موارد مرتبط با ماشین شامل سیستم هایی است که در آن به علت ارتباطات پیچیده بین اجزا ، مغز انسان از درک ریاضی این ارتباطات قاصر است ...

تغییر، یکی از بزرگترین خصوصیات سازمانها و موسسات در حوزه رقابتی امروز است .چابکی توانایی سازمان برای تغییر است تا فرصتهایی را که براساس این تغییر ایجاد می شود مورد بهره برداری قرار دهد. سازمان چابک سازمانی است که می تواند تغییر کند و خود را با تغییرات محیطی همچون یک استراتژی پیروز مندانه وفق دهد؛ در حالی که تحقیقات زیادی در مورد اینکه چابکی چیست و چگونه سازمانها می توانند چابک باشند، انجام نشده است. ولی همیشه پاسخ به چنین سئوالاتی برای متخصصان و برای تئوری پردازان چابکی سازمانی بسیار حیاتی است .با این وجود متاسفانه کارهای کمی در مورد اندازه گیری چابکی سازمان انجام شده است . اندازه گیری شاخص برای برنامه ریزی استراتژیک و تعیین میزان چابکی کنونی سازمان و تعیین نیاز سازمان به چابکی و شناسایی این شکاف و ایجاد فرمولی برای پرکردن این ضعف ضروری است.محاسبه شاخص چابکی همان گونه که تعریف شده، بسیار مشکل است، زیرا باید در بطن تغییر این اندازه گیری انجام شود . بیشتر شاخصهای چابکی رویکردی گذشته گرا دارند . یک روش متفاوت برای اندازه گیری چابکی استفاده از پیچیدگی به عنوان یک شاخص جایگزین برای اندازه گیری چابکی است. بنابراین چون چابکی یک تغییر غیر قابل پیش بینی است این رویکرد دیگر مناسب نخواهد بود .اگر چه روش های دیگر اندازه گیری چابکی نیز این ضعف را دارند . در صورتی این مشکل حل می شود که اطلاعات کافی تجربی برای نشان دادن اینکه پیچیدگی با چابکی مشابه است در دسترس باشد و این محدودیت این روش است. اما منطق فازی روشی دیگر است که ابزار بسیار مناسبی برای تصمیم گیری در اختیار قرار می دهد . بنابراین مشروح این مقاله شاخص مناسبی برای اندازه گیری چابکی با روش منطق فازی که روش مطمئن تری است را بیان می دارد .