تسریع روند محاسبات مدلهای تحلیل پوششی داده ها با داده های بزرگ

در روشهای رایج تحلیل پوششی داده (DEA) برای ارزیابی هر واحد تصمیم گیرنده (DMU) نیاز به حل یک مساله برنامه ریزی خطی داریم بعبارت دیگر برای ارزیابی تمامی واحدهای تصمیم گیرنده مجبوریم به تعداد واحدهای تصمیم گیرنده مسائل برنامه ریزی خطی حل کنیم. از طرفی دیگر هرگاه تعداد ورودی یا خروجیها و یا تعداد واحدهای تصمیم گیرنده زیاد باشد پیچیدگی محاسباتی برای ارزیابی واحدهای تصمیم گیرنده زیاد خواهد بود بنابراین زمان اجرا برای حل کردن مدل استاندارد به شدت افزایش می یابد اخیرا روشی توسط خضری مطلق و همکارانش معرفی شده است که حجم محاسبات را به طور موثری کاهش می دهد ما در این مطالعه با تغییراتی بر روی الگوریتم آنها به طور قابل توجهی زمان محاسبه DEA را کاهش داده ایم، بخصوص زمانی که یک مجموعه بزرگ از DMUها وجود داشته باشد روش ما شامل پنج مرحله است (i) انتخاب یک نمونه از DMU ها با استفاده از یک الگوریتم؛ (ii) پیدا کردن DMUهای کارا در نمونههای انتخاب شده؛ (iii) یافتن DMUهای خارجی نسبت به مرز نمونه انتخاب شده؛ (iv) تکرار این مراحل برای حذف واحدهای ناکارای بیشتر؛ (۷) شناسایی مجموعه ای از تمام DMUهای کارا روش پیشنهادی ما نمونه ها را در چندین مرحله تزریق می کند این کار باعث حذف تعداد DMU ناکارای بیشتر در نتیجه حل مساله با ابعاد کمتر میشود در پایان روش پیشنهادی را روی نمونه داده ها اجرا کرده و با روش خضری مطلق و همکارانش مقایسه کرده ایم که کاهش قابل توجهی در زمان اجرا بدست آمده است.

کلیدواژه ها:

تحلیل پوششی داده ها (DEA) ، دادههای بزرگ ، پردازش موازی