مقاله الگوریتم یکپارچه مجموعه های راف – شبکه عصبی مصنوعی – تجزیه و تحلیل پوششی اطلاعات برای ارزیابی راندمان پرسنل (2011 الزویر)

0. اهمیت این بررسی

1. مقدمه

1.1. ANN و راندمان

1.2. نظریه مجموعه راف

1.3. تجزیه و تحلیل پوششی اطلاعات

1.4. شبکه های عصبی مصنوعی

2. الگوریتم یکپارچه

2.1. گام 1: محاسبه راندمان DMUها با DEA

2.1.1. مدل های اولیه DEA

2.2. مرحله 2: تعریف سیستم تصمیم گیری

2.3. مرحله 3: تعیین کاهش ها از طریق نظریه مجموعه راف

2.4. مرحله 4: انتخاب ANN ارجح برای هر کاهش با CVTT

2.4.1. مدلسازی شبکه عصبی

2.5. مرحله 5: انتخاب بهترین کاهش ها توسط نتایج ANN از طریق DEA

2.6. مرحله 6: پیش بینی راندمان های DM توسط ویژگی های انتخاب شده از طریق ANN

3.1 محاسبه راندمان DMU با DEA

3.2. تعریف سیستم تصمیم گیری

3.2.1. دسته بندی های ویژگی های پرسنل

3.3. تعیین کاهش ها از طریق RST

3.4. محاسبه عملکرد ANN برای هر کاهش با CVTT

3.5. انتخاب بهترین کاهش ها توسط نتایج ANN از طریق DEA

3.6. پیش بینی راندمان های DMU توسط ویژگی های انتخاب شده از طریق ANN

3. نتیجه گیری و کارهای آینده

Personnel specifications have greatest impact on total efficiency. They can help us to design work environment and enhance total efficiency. Determination of critical personnel attributes is a useful procedure to overcome complication associated with multiple inputs and outputs. The proposed algorithm assesses the impact of personnel efficiency attributes on total efficiency through Data Envelopment Analysis (DEA), Artificial Neural Network (ANN) and Rough Set Theory (RST). DEA has two roles in the proposed integrated algorithm of this study. It provides data ANN and finally it selects the best reduct through ANN result. Reduct is described as a minimum subset of attributes, completely discriminating all objects in a data set. The reduct selection is achieved by RST. ANN has two roles in the integrated algorithm. ANN results are basis for selecting the best reduct and it is also used for forecasting total efficiency. The proposed integrated approach is applied to an actual banking system and its superiorities and advantages are discussed.

ویژگی های پرسنل دارای بیشترین اثر بر روی راندمان کل می باشند. آنها می توانند به ما در طراحی محیط کار و بهبود راندمان کل کمک کنند. تعیین ویژگی های مهم پرسنل یک روش مفید برای غلبه بر پیچیدگی مرتبط با ورودی ها وخروجی های متعدد می باشد. الگوریتم پیشنهادی اثرِ ویژگی های کارایی پرسنل بر روی کل راندمان را از طریق تجزیه و تحلیل پوششی اطلاعات (DEA)، شبکه عصبی مصنوعی (ANN) و نظریه ی مجموعه های راف (RST) ارزیابی می کند. DEA دارای دو نقش در الگوریتم یکپارچه ی پیشنهادی در این بررسی می باشد. DEA داده های ANN را ارائه کرده و درنهایت بهترین کاهش را از طریق نتیجه ی ANN انتخاب می کند. این کاهش به عنوان مینیمم زیرمجموعه ی ویژگی ها توصیف می شود، و به طور کامل تمامی اشیای موجود در یک مجموعه ی داده ها را متمایز می کند. انتخاب کاهش (تخفیف) توسط RST حاصل می شود. ANN دارای دو نقش در این الگوریتم یکپارچه می باشد. نتایج ANN بر مبنای انتخاب بهترین تخفیف بوده و همچنین برای یش بینی راندمان کل استفاده می شود. دیدگاه یکپارچه ی پیشنهادی بر روی سیستم بانکداری واقعی اعمال شده و برتری ها و مزایای آن موردبحث قرار گرفتند.