الگوریتم فراابتکاری

هدف: انتخاب تأمین کننده و تخصیص سفارش از وظایف اصلی شرکت ها در مدیریت زنجیره تأمین سبز است. در اکثر مطالعات پیشین، این دو وظیفه به عنوان مسائل مستقل در نظر گرفته شده است. این مسئله، به خصوص در مدیریت زنجیره تأمین سبز اهمیت زیادی دارد و نیازمند است که معیارهای کمی و کیفی در آن لحاظ شود؛ اما گاهی این معیارها متناقض است و باید موازنه شود. ارائه چارچوبی که بتواند این دو مسئله را به صورت هم زمان در نظر گیرد و علاوه بر لحاظ کردن معیارهای مدیریت زنجیره تأمین سبز، میزان سفارش های تخصیص یافته به تأمین کنندگان را تعیین کند، ضروری است. روش: رویکرد پیشنهادی شامل دنپ فازی، تاپسیس فازی و مدل بهینه سازی دوهدفه است. در مرحله اول با استفاده از دنپ فازی، وزن معیارها شامل معیارهای سنتی و سبز به دست آمد؛ سپس با استفاده از تاپسیس فازی، تأمین کنندگان ارزیابی شدند. برای تخصیص سفارش ها، یک مدل برنامه ریزی دوهدفه با اهداف کمینه کردن هزینه کل زنجیره تأمین و بیشینه سازی ارزش خرید کل فرموله شد. تابع هدف اول، قیمت خرید، هزینه های متغیر تأمین کنندگان، هزینه های سفارش دهی و راه اندازی، نگهداری خریدار و تأمین کنندگان را شامل می شود. همچنین تابع هدف دوم، تضمین می کند که سفارش بیشتری به تأمین کنندگانی تخصیص یابد که امتیاز بیشتری در فرایند ارزیابی تأمین کنندگان کسب کرده اند. محدودیت های مدل نیز عبارت اند از: ظرفیت تأمین کنندگان، تقاضای خریدار و محدودیت های مرتبط با تخفیف تأمین کنندگان. با توجه به دوهدفه بودن مدل ریاضی، از روش معیار جهانی استفاده شد تا مسئله دوهدفه، به مسئله تک هدفه تبدیل شود. مطابق با این روش، انحراف های نسبی اهداف، از مقادیر بهینه تک هدفه هر هدف کمینه سازی شد. همچنین با توجه به غیرخطی بودن مدل ریاضی الگوریتم فراابتکاری، جست وجوی هارمونی برای مسئله طراحی و برای مواجهه با محدودیت های مسئله، یک الگوریتم ترمیم پیشنهاد شد. یافته ها: برای شناسایی معیارها از نتایج مطالعات پیشین و نظرسنجی از خبرگان استفاده شد که شامل معیارهای سنتی و سبز است. نتایج دنپ فازی نشان داد که اعتبار تأمین کننده مهم ترین معیار است و بعد از آن کیفیت، خرید سبز، طراحی سبز، حمل ونقل سبز، تولید سبز، تحویل به موقع و فاصله در رتبه های بعدی قرار دارند. همچنین، تمامی معیارها روی اعتبار تأمین کننده تأثیرگذارند. سپس شش تأمین کننده با توجه به معیارها با استفاده از تاپسیس فازی ارزیابی شدند و امتیاز نهایی آن ها، به عنوان وزن های تأمین کنندگان در تابع هدف دوم مدل ریاضی استفاده شد. برای اعتبارسنجی رویکرد پیشنهادی، یک مطالعه موردی با داده های واقعی در حوزه تأمین تجهیزات پزشکی بررسی و جواب بهینه مسئله ارائه شد. در ادامه با تغییر وزن توابع هدف در مسئله تک هدفه، جواب های پارتو مسئله شناسایی شدند. رویکرد پیشنهادی با در نظر گرفتن معیارهای سبز، تخصیص بهینه را به تأمین کنندگان انجام می دهد. نتیجه گیری:  نتایج نشان می دهد که تصمیم گیرنده می تواند با توجه به جواب های پارتوی مسئله، بهترین جواب را طوری انتخاب کند که موازنه صحیحی بین هزینه های زنجیره و ارزش خرید صورت گیرد.

تعیین الگوی تصمیم گیری مشتریان در خرید محصولات یکی از موارد مهم در بازاریابی است و هدف از مقاله، ارائه راهکار جدید در بازاریابی عصبی در پیش بینی انتخاب محصولات توسط مشتریان است. در این تحقیق سیگنال های مغزی از بیست وپنج نفر شرکت کننده با محدوده سنی 18 تا 38 سال در زمان مشاهده 14 محصول مختلف استفاده شده است که گروه اول شامل 10 مرد و 6 زن با گستره سنی 18 تا 23 سال، گروه دوم شامل 8 مرد و 5 زن با گستره سنی 25 تا 30 سال و گروه سوم شامل 7 مرد و 4 زن با گستره سنی 31 تا 38 سال بودند. برای انتخاب ویژگی در این مقاله الگوریتم جدیدی مبتنی بر هوش جمعی سالپ آشوبی ارائه شده است که می تواند با قدرت جستجوی بالا، ویژگی های مؤثر را مشخص نماید و برای پیش بینی نهایی از طبقه بندهای مختلف در قالب یادگیری چندتایی استفاده شده است. در مدل پیشنهادی، از روش طیف های مرتبه بالا در استخراج ویژگی ها از سیگنال مغزی استفاده شده که شامل بیش از هفتصد ویژگی است و سپس انتخاب ویژگی با الگوریتم هوش جمعی سالپ پیشنهادی تعداد ویژگی ها از 742 به 198 کاهش یافته است. نتایج نشان داده است که مدل پیشنهادی توانسته به طور میانگین در تشخیص انتخاب کاربران در همه محصولات دقت 99/75 درصد داشته باشد که نشان دهنده بهبود 75/3 درصدی نتایج نسبت به تحقیقات مشابه است.

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.