مشکلات پیچیدگی محاسباتی در حضور داده های بزرگ در تحلیل پوششی داده ها و روش های کاهش آن

تحلیل پوششی داده ها (DEA) یکی از روش های غیر پارامتری پرکاربرد برای ارزیابی کارایی نسبی واحدهای تصمیم گیرنده (DMUs) است که مبتنی بر مدل های برنامه ریزی خطی می باشد. با افزایش حجم داده ها پیچیدگی محاسباتی این روش به شدت افزایش می یابد که منجر به افزایش زمان محاسبه، مصرف حافظه و کاهش دقت نتایج می شود. در این مقاله چالش های اصلی ناشی از حجم بالای داده ها در DEA بررسی شده و روش هایی برای کاهش پیچیدگی محاسباتی ارائه می شود. راهکارهایی مانند کاهش ابعاد داده ها، خوشه بندی، بهینه سازی الگوریتم های حل مدل های DEA، استفاده از تکنیک های یادگیری ماشین و کاهش واحدهای غیرکارا پیشنهاد شده اند. این روش ها نه تنها زمان محاسبات را کاهش می دهند بلکه موجب افزایش دقت تحلیل ها در مجموعه داده های بزرگ می شوند.

کلیدواژه ها:

تحلیل پوششی داده ها ، داده های بزرگ ، پیچیدگی محاسباتی