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