2-7-2- مدل BCC. 17
2-7-3- مدل جمعی ( SBM= Slack Based Model ) 20
2-8- رتبه بندی واحد های کارا 21
2-9- روش اندرسون – پیترسون 21
2-10- شبکه های عصبی مصنوعی ( ANNs ) 22
2-10-1- مقدمه. 23
2-10-2- شبکه عصبی. 23
2-10-3- معرفی شبکه عصبی مصنوعی. 24
2-10-4- تاریخچه شبکههای عصبی مصنوعی. 24
2-10-5- چرا از شبکههای عصبی استفاده میکنیم؟ 25
2-10-7- ساختار شبکههای عصبی. 26
2-10-8- تقسیم بندی شبکههای عصبی. 27
2-10-9- کاربرد شبکههای عصبی. 28
2-10-10- معایب شبکههای عصبی. 28
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی. 28
2-11- یادگیری یک پرسپترون. 29
2-11-1- آموزش پرسپترون. 31
2-11-2- الگوریتم یادگیری پرسپترون. 31
2-12- مقایسه آموزش یکجا و افزایشی. 32
2-13- شبکه های چند لایه. 32
2-14- الگوریتم Back propagation. 33
2-15- شبکه های عصبی چند لایه پیش خور 37
2-16- انواع شبکه های عصبی : 38
2-16-1- شبکه عصبی پرسپترون. 39
2-16-2- شبکه همینگ.. 40
2-16-3- شبکه هاپفیلد. 41
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن. 42
2-16-5- شبکه عصبی تأ خیر زمانی. 42
2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA ) 43
2-17-1- مقدمه. 44
2-17-2- الگوریتم تحلیل کارایی. 46
2-17-3- نرمال سازی داده ها 46
2-18- مفاهیم کارایی ، بهره وری و اثربخشی. 49
2-19- ی بر مطالعات انجام شده 50
فصل سوم. 62
روش تحقیق.. 62
3-1- مقدمه. 63
3-2- روش تحقیق. 63
3-3- جامعه آماری.. 64
3-4- شیوه گردآوری اطلاعات.. 64
3-5- مراحل انجام تحقیق. 64
3-6- شیوه نرمال سازی.. 65
3-7- ارزیابی و تحلیل کارایی فنی پالایشگاه های گاز کشور با رویکرد تحلیل پوششی داده ها (DEA ) 65
3-7-1- مدل سازی ریاضی. 66
3-7-2- مدل مضربی CCR ورودی محور 66
3-7-3- روش اندرسون – پیترسون بر ای رتبه بندی واحدهای کارا 67
3-8- دلایل استفاده از مدل مضربی CCR ورودی محور در مقایسه با مدل BCC. 67
3-9- روش تحقیق مورد استفاده در تحلیل کارایی با مدل های ترکیبی Neuro/DEA. 68
3-9-1- مدل مورد استفاده در تحقیق. 69
3-9-2- روش به کار گرفته شده در مدل های ترکیبی Neuro/DEA1 و Neuro/DEA2 جهت ارزیابی واحد ها 70
فصل چهارم. 71
نتایج و تفسیر آن ها 71
4-1- مقدمه. 72
4-2- نرمالیز کردن داده ها 73
4-3- الگوریتم پس انتشار 77
4-4- شبکه پیش سو 78
4-5- جمع آوری داده ها : Neuro – DEA. 78
4-6- نرمال سازی داده ها Neuro /DEA. 79
4-7- داده های آموزش.. 80
4-8- داده های تست.. 80
4-9- عملیات آموزش.. 82
4-10- نمایش نمودارها 84
فصل پنجم. 87
نتیجه گیری و پیشنهادات.. 87
5-1- محدودیت های انجام تحقیق. 88
5-2- نتیجه گیری.. 88
5-3- تحقیقات آتی. 89
منابع و مراجع. 90
منابع فارسی. 91
منابع انگلیسی. 93
فهرست اشکال
شکل 1-1- مقایسه رگرسیون و DEA …………………………………………………………………………………………..9
شکل 2-1- پرسپترون تک لایه ……………………………………………………………………………………………………29
شکل 2-2- پرسپترون ………………………………………………………………………………………………………………..30
شکل 2-3- توابعی که پرسپترون قادر به یادگیری آن ها می باشد …………………………………………………..30
شکل 2-4- مقایسه آموزش افزایشی و یکجا …………………………………………………………………………………..32
شکل 2-5- منحنی یادگیری …………………………………………………………………………………………………………35
شکل 2-6- نمودار خطا …………………………………………………………………………………………………………………36
شکل 2-7- شرط پایان الگوریتم BP …………………………………………………………………………………………….36
شکل 2-8- پرسپترون تک لایه ……………………………………………………………………………………………………39
شکل 2-9- پرسپترون تک لایه …………………………………………………………………………………………………..39
شکل 2-10- شبکه همینگ ………………………………………………………………………………………………………..40
شکل 2-11- شبکه هاپفیلد …………………………………………………………………………………………………………41
شکل 2-12- شبکه کوهنن……………………………………………………………………………………………………………42
شکل 2-13- ساختار نرون در شبکه TDNN ………………………………………………………………………………….43
شکل 2-14- الگوریتم تحلیل کارایی ……………………………………………………………………………………………..48
شکل 2-15- شبکه پرسپترون سه لایه ………………………………………………………………………………………….70
شکل 3-1- ورودی و خروجی های پالایشگاه ها ……………………………………………………………………………….78
شکل 4-1- تابع سیگموئیدی …………………………………………………………………………………………………………84
شکل 4-2- مقایسه خروجی های شبیه سازی شده …………………………………………………………………………..85
شکل 4-3- مقایسه خروجی ها با داده های تست ……………………………………………………………………………..86
شکل 4-4- مقایسه کارایی مدل DEA و ANN ………………………………………………………………………………..86
فهرست جدول
جدول 2-1- مدل جمعی ……………………………………………………………………………………………………….20
جدول 3-1- معرفی پالایشگاه ها ……………………………………………………………………………………………..65
جدول 3-2- مشخصه های متغیرهای تصمیم ……………………………………………………………………………..66
جدول 3-3- مشخصه های متغیرهای تصمیم …………………………………………………………………………….66
جدول 3-4- مشخصه های متغیرهای تصمیم …………………………………………………………………………….66
جدول 4-1- اطلاعات ورودی و خروجی سال 93 ……………………………………………………………………….72
جدول 4-2- اطلاعات ورودی و خروجی سال 92………………………………………………………………………..73
جدول 4-3- داده های نرمال شده سال 93 ………………………………………………………………………………..74
جدول 4-4- داده های نرمال شده سال 92 ………………………………………………………………………………..74
جدول 4-5- کارایی واحدها در سال 92 و 93 …………………………………………………………………………….75
جدول 4-6- کارایی AP در سال 92…………………………………………………………………………………………….75
جدول 4-7- کارایی AP در سال 93…………………………………………………………………………………………….75
جدول4-8- ورودی ANN در سال 92…………………………………………………………………………………………..79
جدول4-9- ورودی ANN در سال 93…………………………………………………………………………………………..79
جدول 4-10- نرمال سازی داده ها ………………………………………………………………………………………………79
جدول 4-11- داده های نرمال شده ………………………………………………………………………………………………80
جدول 4-12- اندیس های مربوط به آموزش ………………………………………………………………………………….81
جدول 4-13- اندیس های مربوط به تست …………………………………………………………………………………….81
جدول 4-14- داده های ورودی و خروجی آموزش ………………………………………………………………………….81
جدول 4-15- داده های ورودی و خروجی تست ……………………………………………………………………………..82
جدول 4-16- ارزیابی شبکه آموزش دیده ……………………………………………………………………………………..82
جدول 4-17- صحت فرایند آموزش ………………………………………………………………………………………83
جدول 4-18- خروجی شبیه سازی شده و واقعی برای تست …………………………………………………….83
جدول 4-19- میانگین مربعات خطا ……………………………………………………………………………………..83
جدول 4-20- میانگین مقایسه کارایی خروجی ANN و DEA سال 92 …………………………………….85
جدول 4-21- میانگین مقایسه کارایی خروجی ANN و DEA سال 93 …………………………………….85
چکیده :
کارایی و رتبه بندی زیرمجموعه های یک صنعت کاری ضروری است ، و لازم است حداقل سالی یکبار عملکرد آنها را برپایه اصول علمی مورد ارزیابی قرار داد.
صنعت نفت و گاز به عنوان یکی از اساسی ترین صنایع ایران از حساس ترین و مهمترین منابع درآمد دولت به شمار میرود .بدیهی است وجود کارایی در این صنعت عایدات دولت را چندین برابر مینماید و این مهم جز با ارزیابی دقیق و صحیح واحدها ی تحت پوشش میسر نمیشود .
از آنجایی که تحلیل پوششی داده ها کارایی متفاوتی در طول زمان ارائه میدهد و به هیچ پیش فرض اولیه ای درباره مرز کارایی نیاز ندارد لذا در میان تمام روشهای ارزیابی عملکرد ، DEA در سازماندهی و تحلیل داده ها بهترین روش است .بنابراین با جمع آوری اطلاعات ورودی و خروجی 6 پالایشگاه کشور کارایی آن ها را محاسبه کرده و واحدهای کارا و ناکارا شناسایی شدند.. اما DEA قادر به تفکیک کارایی همه ی پالایشگاه ها ازیکدیگرنیست . دلیل این موضوع کمبود تعداد واحدهای تصمیم گیرنده (6 پالایشگاه ) نسبت به تعداد ورودی و خروجی ها( 4 ورودی و 4 خروجی ). لذا DEA قادر به رتبه بندی کامل واحدها نیست، بنابراین از تلفیق تحلیل پوششی داده ها و شبکه عصبی مصنوعی به منظور اندازه گیری عملکرد واحدها ی تصمیم گیرنده استفاده شده است به نحوی که مشکل مذکور برطرف گردد. و در آخر مقایسه ای بین نتایج حاصل از این دو روش صورت گرفته است .
مقدمه
