Structuring fuzzy decision matrixviadedesicion-making team
Assignin criteria weights viadecision-making teams

Stage 2

Determining the final rank
Computing scores of alternativeswith fuzzy TOPSIS

Stage 3
Evaluation result
شکل ۲-۱۴ : مراحل سیستم پشتیبانی از تصمیم
برای انجام محاسبات ۳۴ معیار مختلف برای ارزیابی هوش سازمانی انتخاب شده و پنج سیستم سازمانی فرضی نیز با عنوان گزینه های پیشنهادی مطرح شده است.نویسندگان این مقاله با تاکید بر منطقی و مفید بودن روش تاپسیس فازی استفاده از دیگر روش هایMCDM در محیط فازی را به عنوان کارهای آینده پیشنهاد کردند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

کلمنیس و همکارانش]۴۲[ در سال ۲۰۱۱ در طی مقاله ای با عنوان ” انتخاب مدیر با کمک تاپسیس فازی” سعی در انتخاب مناسب ترین و شایسته ترین مدیر برای بخش های مختلف سازمان داشتند.آنان اعتقاد داشتند که هر مدیر باید دارای توانایی ها و ویژگی هایی برای ورود سازمان خود به محیط رقابتی بازار باشد تا بتواند نتایج مثبت ومفیدی را برای سازمان خود به عمل آورد.از این رو مدیران نقش بسیار مهمی را برای رسیدن سازمان به اهداف کوتاه مدت و بلند مدت خود ایفا میکنند.باتوجه به اهمیت و پیچدگی این موضوع آنان از روش های تصمیم گیری چند معیاره گروهی بر پایه منطق فازی استفاده کردند. از میان این روش ها روش تاپسیس فازی انتخاب و ارائه شد.
در این مقاله سه مبحث اصلی مورد توجه قرار گرفت :
۱- میزانارتباطوتصمیمگیرندهباهرمعیار
۲- درجه شباهت میان تصمیم گیرندگان
۳- آستانه مخالفت
دراین مقاله از سه تصمیم گیرنده ،دوازده معیار و سه گزینه جایگزین استفاده شده است.
این مقاله این چنین نتیجه گیری کرده که مواجهه و تقابل با عدم قطعیت و ابهام در تصمیم گیری های سازمانی به خصوص در انتخاب مدیران سازمانی بکارگیری منطق فازی را اجتناب ناپذیر کردهاست.همچنین استفاده از متدهایی از جمله ӀӀӀ ELECTREو ӀӀ PROMETHEEبه عنوان کارهای آینده پیشنهاد شده است.
ترفی و همکارانش ] ۴۳[در سال ۲۰۱۰ با ارائه ی پژوهشی در زمینه پردازش نرم اقدام به استفاده از دو روش تاپسیس فازی و AHP فازی برای حل یک نمونه از مسائل MCDM نمودند.از این رو با کمک روش AHP فازی اقدام به تعیین مقدار وزن معیارها و گزینه ها پرداختند.سپس با بهره گرفتن از روش تاپسیس فازی رتبه بندی نهایی گزینه ها انجام شد. نویسنده در نتیجه گیری مقاله خود استفاده از منطق فازی در محیط هایی که مملو از عدم قطعییت و ابهام ناشی از تصمیم گیری های انسانی است را مورد تاکید قرار می دهد.در این مقاله از ده گزینه جایگزین، دو معیار اصلی به همراه پنج زیر معیار استفاده شده است.
تاسدمیر و همکارانش]۴۴[ در سال ۲۰۱۱ اقدام به چاپ مقاله ای با عنوان کاربرد شبکه عصبی مصنوعی وسیستم خبره فازی برای پیش بینی میزان پارامترهای آلاینده وپیش بینی عملکرد موتورهای گازوئیلی کردند. در این مقاله سرعت موتور و میزان باز بودن دریچه پیشران به عنوان ورودی سیستم خبره فازی و پنج فاکتور گشتاور، میزان خروجی هیدرو کربن ، قدرت موتور ومیزان مصرف سوخت بعنوان خروجی در نظر گرفته شده است.محققان اطلاعات خروجی ونهایی کسب شده از سیستم خبره فازی شبکه عصبی مصنوعی را با خروجی کسب شده از روش های آزمایشگاهی تجربی توسط نرم افزار SPSS وتحلیل ضریب رگرسیون در نرم افزار MATLAB مقایسه و تحلیل کردند.نتایج این مقایسه حاکی از نزدیکی و تطابق نسبی بین این دو گروه از داده ها نشان می داد که به این ترتیب می توان نتیجه گرفت استفاده از روش های پیشرفته ای از جمله FES و ANN می تواند در پروژه های واقعی و صنعت خودرو سازی بازده بسیار مطلوب و خوبی را داشته باشد .این در حالی است که این دو روش جدید دارای مزایای بسیار مهمی نسبت به روش های قدیمی تر و تجربی می باشند از جمله : سرعت در محاسبات ، آسان بودن محاسبات ، توانایی یادگیری ماشین ، کاهش استرس ناشی از پیچدگی و….
امروزه دانش مدیریت برای ارتقاء سطح رقابتی یک کارخانه یا یک شرکت تجاری نقش بسیار مهمی ایفا می کند.همچنین وجود یک استراتژی انعطاف پذیر و پایدار نیز باعث پیشرفت صنعت مورد نظر در سطح بازار رقابت می شود. آراندا وهمکارانش ]۴۵[طی مقاله ای در سال ۲۰۱۰ با عنوان یک سیستم خبره فازی برای مدیریت تجارت برایند همین موضوع پرداختند.آنان با بهره گرفتن از یک سیستم خبره در محیط فازی سعی در اتخاذ دقیق ترین و کارامد ترین تصمیمات گام برداشتند.
به گفته آنان مهم ترین مزیت این سیستم جامع بودن و قابلیت انطباق با محیط ها وسناریو های مختلف می باشند.تحقیقات آنان منجر به ایجاد یک برنامه کاربردی به نام ESROM شد.این برنامه ی کاربردی به استفاده کنندگان این اجازه را میدهد در هر زمان که مایل بودند اقدام به هرگونه تغییرات در پایگاه قواعد این سیستم کنند. از این رو این سیستم ، قابلیت انعطاف بسیار بالایی از خود نشان می دهد. در انتهای این مقاله از روش هایی همچون الگوریتم ژنتیک و سیستم عصب فازی برای اضافه کردن بخش یادگیری ماشین به منظور کارهای آینده یاد شده است.
فصل سوم
روش تحقیق
۳-۱ مقدمه
امروزه خرید کالای مورد نظر به دلیل تنوع بسیار زیاد و حجم بالای محصولات گوناگون که روزبه روز رو به افزایش می باشند تبدیل به مشکلی برای اکثر خریداران شده است [۲۷]. داشتن اطلاعات کافی و سپس تصمیم گیری درست به ما کمک می کند در این بازار و محیط رقابتی عظیم و پیچیده که شرکت ها روزبه روز با مدل ها و محصولات گوناگون ورود پیدا می کنند با بینش و دیدی درست خواسته ها و نیاز خود را بشناسیم و اقدام به خرید کنیم. البته با وجود بسترهایی مثل شبکه اینترنت این امر آسان تر شده است اما به دلیل عدم آگاهی لازم خریدار از محصول مورد نظر خود فرایند تصمیم گیری را مشکل می کند و در نتیجه ممکن است باعث خرید محصول نامناسب و تحمل ضررهای اقتصادی برای خریدار شود [۳۲] و به این ترتیب ریسک بالایی را بوجود می آورد. با اتخاذ تصمیم های منطقی می توانیم از ضررهای مربوط به اجناس ناکارامد که مرتفع کننده نیازهای ما نیستند جلوگیری کنیم و از طرف دیگر کارخانه جات تولیدی هم با فروش راحت تر محصولات خود رضایت مشتریان را برای خود به ارمغان می آورند و نرخ بهره وری و تولید خود را افزایش می دهند.
بنابراین ما در این تحقیقسیستمی با نام SPP^[58]برای کمک به این گونه تصمیمات طراحی کرده ایم تا هم از ضررهای خریدار جلوگیری کند و هم شرکت تولید کننده محصولات خود را به مشتریان به درستی معرفی کرده و زمینه ساز شرایط برد-برد ^[۵۹]شود. در این معماری جدید که با استفاده ازمتد هایFEDSS^[60]و FTOPSIS^[61]از بین انبوه محصولات و امکانات مختلف در بازار بهترین و مناسب ترین محصول را از جهت معیارهای مختلف با همکاری خبرگان به ما پیشنهاد می‌کند. این معماری به دلیل استفاده از منطق فازی از عدم قطعیت و ابهام که در تعاملات انسانی وجود دارد پشتیبانی می‌کند و باعث ایجاد نتایج روشن ومنطقی می‌شود که در محیط‌های پیچیده با تعداد زیادی از معیارها^[۶۲] و گزینه های^[۶۳] مختلف پاسخ‌های راضی کننده ای ارائه می‌دهد.
از این رو استفاده از سیستم های کمک به تصمیم برای پشتیبانی از تصمیمات مشتریان ضروری به نظر می رسد. ما در این تحقیق به دلیل وجود تنوع بسیار بالا و تغییرات قیمتی بسیار سریع در صنعت الکترونیک به سراغ محصولات High-tech رفتیم وخرید لپ تاپ را به عنوان مورد آزمایشی خود برگزیدیم. در انتها با بررسی نتایج حاصله توسط خبرگان معلوم گشت که خروجی های سیستم SPPکاملا رضایت بخش است.
۳-۲ معماری پیشنهادی
براساس مصاحبه های انجام گرفته با خبرگان صنعت الکترونیک به خصوص فعالان اقتصادی در بازارلپ تاپ و نظرسنجی از کاربران متعدد معماری ای به نام SPPارایه کردیم که شامل بر سه مولفه اصلی است: ۱) واحد FEDSS۲) واحد پایگاه داده برخط^[۶۴] و۳) واحد FTOPSIS. شکل ۳-۱ این معماری را نمایش می دهد.
شکل ۳-۱ : معماری SPP
به منظور عملی ساختن ایده‌ی پیشنهادیمان واحد FEDSSرا تحت استانداردهای GUIتوسعه دادیم تا سهولت استفاده و امکان تطابق پذیری با داده های مختلف را دارا باشد. این GUIدر بستر نرم افزار MATLAB 7.13 R2011Bو با کمک جعبه ابزار فازی این نرم افزار ساخته شد. سیستم فازی ایجاد شده با بهره گرفتن از اطلاعات اکتسابی از خبرگان^[۶۵] و یا هر منبع اطلاعاتی دیگر به شبیه سازی موقعیت های ممکنه و اصلاح متغیرهای ورودی و خروجی می‌پردازد.
به طور خلاصه کاربر برای دادن ورودی به سیستم ما سه ویژگی ^[۶۶]مهم لپ تاپرا وارد می کند که شامل FA^[67]و BS^[68]و ASS^[69]است. FAمبین عملکرد محصول و میزان قدرت فاکتورهای موجود در لپ تاپ مانند RAM ,CPU,Hard driveو … می باشد.BSمیزان محبوبیت و توانایی رقابت یک برند را در بازار نشان می دهد. ASSنمایان گر سطح خدمات پس از فروش آن شرکت است. این سه ویژگی به عنوان ورودی واحد FEDSSعمل خواهند کرد. در این قسمت ما از جعبه ابزار فازی استفاده کردیم و یک سیستم فازی ممدانی را به وجود آوردیم. همان طور که در فصل دوم اشاره شد این سه ویژگی فازی سازی شدند. شکل ۳-۲ نشان دهنده متغیرهای زبانی و توابع عضویت ورودی و خروجی سیستم فازی ممدانی ما می باشد. در این راستا ما از تابع عضویت گاوسی به دلیل مزیت انعطاف پذیری بالا استفاده کردیم. این توابع عضویت توسط خبرگان امر پیشنهاد شده اند.برای تشکیل توابع عضویت پرسش نامه ای تهیه و به خبرگان امر داده شد تا بتوان سیستمی دانش محور را پایه گذاری کرد]پیوست . [پایگاه قواعد سیستم کمک به تصمیم ممدانی در شکل ۳-۳ نشان داده شده است. شکل ۳-۴ نمایان گر ارتباط بین ویژگی‌های SPPمی باشد.
شکل۳-۲ : توابع عضویت SPP
در توسعه یک سیستم دانش محور^[۷۰] انتخاب و گزینش دانش از بین انبوه اطلاعات موجود از خبرگان متعدد مشکل است به خصوص در کاربردهایی که دامنه ی استفاده ی آن ها نیاز به بازه های زمانی و پارامترهای متنوع دارد. برای مقابله با این مشکل متد فازی دلفی^[۷۱] استفاده شد که مقیاس های زمانی و خبرگی خبرگان متعدد را در محیط هایی مملو از عدم قطعیت و ابهام برمی‌گزیند.
در ابتدا قاعده به کارگرفته شد. هر یک از قواعد مشتمل بر سه ورودی و هر ورودی مشتمل بر پنج متغیر زبانی اعم ازlowest,low,medium,high,highestمی باشند و متغیر قیمت^[۷۲] به عنوان قسمت نتیجه هر قاعده یا خروجی سیستم ممدانی در نظر گرفته شد. مسلما به دلیل تعداد بالای قواعد ما مجبور به انتخاب قواعدی با درجه اهمیت بالا هستیم. این تعداد قواعد بالا نمی‌تواند ضرورتا متضمن سرعت و دقت سیستم خبره باشد. پس با توجه به خروجی متد دلفی فازی٬خبرگان به ما پیشنهاد کردند که قواعدی با درجه اهمیت بالای هفت را انتخاب کنیم که باعث کاهش تعداد قواعد از ۱۲۵ به ۶۸ شد.
شکل ۳-۳ : پایگاه قواعد SPP
سرانجام قیمت به عنوان خروجی لپ تاپ هایی که حدود ۷۰۰ دلار می باشند به عنوان خروجی از سیستم خبره فازی به واحد دوم یعنی پایگاه داده برخط انتقال یافت. این پایگاه داده شامل یک جدولی با نام لپ تاپ است. ستون های این جدول ریزفاکتورهایی از ویژگی FAو قیمت می باشد که به عبارت دیگر هر رکورد از این جدول یک لپ تاپ و قیمتش را نشان می‌دهد. این پایگاه داده به دلیل تغییرات بسیار زیاد قیمت ها در بازار الکترونیک و لپ تاپ همواره در حال به روز رسانی است. با توجه به دامنه وسیع قیمت گذاری در صنعت لپ تاپ ، خبرگان امر بازه ی ۵±دلار را به عنوان دامنه تغییرات قیمت برگزیدند تا در این واحد سه رکورداز پایگاه داده ی لپ تاپ ها انتخاب شود که شامل ۱) Dell inspiron I14Z۲) ASUS A53E۳) Sony VAIO EJ2 می باشد.لازم به ذکر است که قیمت واقعی این لپ تاپ ها در بازار تقریبا برابر با خروجی واحد اول در آن بازه زمانیمی باشد که این خود مبین کارکرد مطلوب این سیستم می باشد. قیمت لپ تاپها از سایت Amazon.comدر تاریخ ۲۱آگوست ۲۰۱۳ گرفته شد. این لپ تاپها گزینه هایی هستند که به واحد سوم فرستاده شدند.
شکل ۳-۴ : ارتباط بین ویژگی های SPP
فصل چهارم
محاسبات و یافته های تحقیق