بخشی از مقاله
چکیده
به دلیل پیچیدگی و حساسیت تصمیمات مدیریتی، بکارگیری فنون مهندسی دانش و علوم تصمیم نوین جهت پشتیبانی از تصمیمات مدیران و افزایش قابلیت اطمینان و دستیابی به بهینهترین تصمیم ممکن، نقش بسزایی دارد.
در این مقاله فنون مشترک مهندسی دانش و علوم تصمیم با مدیریت صنعتی تحت بررسی قرار گرفته است و با بررسی پژوهشهای کاربردی در زمینههای تحلیل پوششی دادهها، الگوریتمهای تکاملی، سیستمهای خبره، دادهکاوی، شبکه عصبی و منطق فازی، سعی شده است نقش پررنگ و کاربردی روشهای مبتنی بر مهندسی دانش و علوم تصمیم در غلبه بر چالشهای موضوعات مدیریتی و بیان ارتباط نزدیک این دو رشته نشان داده شود..
.1 مقدمه
رشته علوم تصمیم و مهندسی دانش2 یک رشته منحصربفرد و میانرشتهای در مجموعه مهندسی است که در سال 1389 بنا به پیشنهاد گروه محاسبات نرم ایجاد شد. این رشته ارتباط تنگاتنگی با رشته هوش مصنوعی و مدیریت صنعتی دارد و به همین دلیل در حوزههای علوم دانش، مدیریت تکنولوژی، محاسبات نرم، مدیریت فنآوری اطلاعات و مدیریت کسب و کار به خوبی قابل تعریف میباشد.
اهداف این رشته تربیت متخصصین، استخراج دانش و تصمیمسازی در شرایط عدم قطعیت و آگاه به روشهای تحقیق در عملیات میباشد. از دیگر اهداف، افزایش بهرهوری با هدف بهبود و ارتقاء فرآیندهای تصمیمسازی در سازمانها، شبکهها و جامعه میباشد و همچنین پرورش مهندسانی که قادر باشند بعنوان آنالیزگر و تحلیگر در کنار مدیران مختلف فعالیت نمایند و آنان را در گزینش راهکار و تصمیمسازی یاری نمایند.
از آنجا که مدیریت دانش، مدیریت دانایی یا مدیریت اندوختههای علمی، در دسترس قرار دادن نظاممند اطلاعات و اندوختههای علمی است، این رشته به تحلیل ساختارهای علمی و در دسترس قرار دادن نظاممند آنها جهت کاربردهای تصمیم گیری و زمینه های کاربردی مانند روانشناختی - نمونه تحلیل منابع انسانی - ، اجتماعی - نمونه تحلیل آسییبهای اجتماعی - ، اقتصادی - نمونه بازار بورس - و مدیریت تولید و عملیات ارائه نماید. از جمله دروس ارائه شده در این رشته تصمیمگیری با معیارهای چندگانه 3 - تحقیق در عملیات - ، بهینهسازی ریاضی بنیان، شبکههای عصبی4 و یادگیری ماشین، دادهکاوی5، آمار و احتمال فازی، بهینه سازی ترکیبیاتی و محاسبات نرم میباشد که در ادامه کاربرد متدهای دروس فوق الذکر در مباحث مدیریتی و غلبه بر چالشها بیان شده است.
.2 تحلیل پوششی داده ها6
تحلیل پوششی دادهها یکی از مباحث درس تحقیق در عملیات است که ابزار مشترک در مهندسی دانش و مدیریت صنعتی می باشد. تحلیل پوششی دادهها روش غیرپارامتری برای ارزیابی کارایی نسبی است که بر خلاف روشهای عددی، مشخص بودن وزنها از قبل و تخصیص آنها به ورودی و خروجی لازم نیست. همچنین این روش نیازی به اشکال تابعی از قبل تعیین شده مانند رگرسیون ندارد.
در پژوهش ارزیابی عملکرد با استفاده از تحلیل پوششی دادهها [1]، برای ارزیابی عملکرد زنجیره تامین، بدنبال مدلی جامع در کنار دادههای قابل اعتماد است. این امر به بهبود کل زنجیره کمک میکند و از مدلی متناسب با ماهیت شبکهای و چند مرحلهای زنجیره تامین که عملکرد کل زنجیره را در قالب یک مدل ریاضی و با استفاده از شاخصهای مالی، دانشی، مشارکت و پاسخگویی زنجیره تامین ارزیابی می کند، استفاده میکند.
در پژوهشی دیگر نظیر ارائه رویکرد هیبریدی تحلیل پوششی دادههای تصادفی فازی و تکنیک PCA به منظور پیش بینی کارایی واحدهای تصمیم گیرنده" [2]، یک رویکرد هیبریدی نوین براساس تحلیل پوششی دادههای تصادفی فازی FSDEA و تکنیک تجزیه و تحلیل مولفه های اصلی PCA7 که از تکنیکهای هوش مصنوعی میباشد، ارائه شده است. تکنیک PCA روی نتایج حاصله به منظور حذف کاراییهای نامطلوب بکار گرفته میشود و مولفه های اصلی انتخاب میگردند.
نهایتا این مولفههای اصلی بعنوان پارامترهای خروجی در مورد هیبریدی PCA-FSDEA پیشنهادی به منظور پیش بینی کارایی واحدها بکار گرفته میشوند . نهایتا این رویکرد در راستای تشریح اعتبار و اثربخشی آن، با هدف پیشبینی کاراییهای ده ایستگاه گاز در منطقه عسلویه ایران بکار گرفته شده و نتایج حاصله از آن هم با کاراییهای روشهای پیشین مقایسه میشود که نتایج حاکی از برتری کیفیت رویکرد هیبریدی پیشنهادی میباشد.
همچنین در کارایی پایدار در کشورهای منتخب توسعه یافته و در حال توسعه در آسیا و اقیانوسیه با استفاده از تجزیه و تحلیل پوششی دادهها [3]، کارایی پایدار در700 شرکت در کشورهای توسعه یافته و در حال توسعه و تمایل آنها به فعالیت در سطح بازده به مقیاس ثابت و همچنین کاهش یا افزایش سطح بازگشت به مقیاس با استفاده از تجزیه و تحلیل پوششی دادهها تحت بررسی قرار گرفته است.
.3 الگوریتمهای تکاملی
الگوریتمهای تکاملی8 روشی در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینهسازی میپردازد. الگوریتمهای بهینهسازی تکاملی شامل الگوریتمهای ژنتیک9 ،روش بهینهسازی ازدحام ذرات10 ، الگوریتم تبرید شبیهسازی شده11 ، الگوریتم کلونی مورچگان 12 و ... میباشد. این دسته الگوریتمها مجموعه اولیه ای از جوابهای احتمالی را تشکیل میدهند که در الگوریتم ژنتیک با عنوان کروموزوم، در الگوریتم ازدحام ذرات با عنوان ذره و در الگوریتم رقابت استعماری با عنوان کشور شناخته میشوند. سپس این جوابهای اولیه به تدریج بهبود داده شده و در نهایت جواب مناسب مسئله بهینهسازی بدست میآید. در ادامه کاربردهایی از این دسته الگوریتمها بررسی میشود.
الگوریتم ژنتیک
الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکاملی است که از تکنیکهای زیست شناسی مانند وراثت، جهش زیست شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده میکند. الگوریتمهای ژنتیک اغلب گزینه خوبی برای تکنیکهای پیش بینی برمبنای رگرسیون هستند.
پژوهش ارائه یک الگوریتم ترکیبی شبکههای عصبی-تکامل توام ژنتیک، جهت مساله طراحی مقاوم چند متغیره در مهندسی کیفیت [4]، یک نمونه کاربردی از الگوریتم ژنتیک میباشد. در طراحی سیستم، طراحی مقاوم به این مفهوم است که پارامترهای فرآیند طوری طراحی شوند که فرآیند نسبت به تغییرات محیطی و پارامترهای فرآیند غیرحساس باشد.
در این تحقیق یک الگوریتم ترکیبی برای حل مساله طراحی مقاوم با چندین متغیر پاسخ ارایه شدهاست. الگوریتم ارایه شده، ترکیبی از شبکههای عصبی و تکامل توام ژنتیکی - - CGA13 است که در آن شبکههای عصبی بعنوان تقریب زننده تابع، نگاشت بین متغیرهای فرآیند را تقریب زده و الگوریتم تکامل توام مدل ساخته با هدف مقاوم ساختن متغیرهای پاسخ فرآیند را حل مینماید و نتایج این الگوریتم با الگوریتم ژنتیک مقایسه میشود و سپس در یک مطالعه موردی فرآیند ریسندگی اپن اند مورد آزمایش قرار میگیرد.
در پیشبینی تقاضای کوتاهمدت با استفاده از مدل شبکه عصبی آموزش دیده با الگوریتم ژنتیک برای مدیریت بهینه شبکههای آب آشامیدنی [5]، تمرکز بر روی مسئله پیشبینی تقاضای آب آشامیدنی در بیست و چهار ساعت آتی میباشد. در این رویکرد تجمیعی از مدلها بکار گرفته شده است. هر یک از مدلها برای پیشبینی در یک ساعت مشخص طراحی شده است. تمامی مدلها مبتنی بر شبکه عصبی مصنوعی میباشد و در طراحی ساختار و فرایند یادگیری از الگوریتم ژنتیک استفاده شده است. این رهیافت بر روی شبکه آب آشامیدنی بارسلونا آزمایش شده است.
