ارائه یک سیستم استنتاج فازی پویا مبتنی بر بهینه سازی سراسری (GODFIS) برای پیش بینی در صنعت خرده فروشی

با گسترش داده های عملیاتی و افزایش پیچیدگی محیط تجاری، به ویژه در صنعت خرده فروشی، پیش بینی دقیق تقاضای کالا به یک الزامات کلیدی برای تصمیم گیری موثر و مدیریت کارآمد زنجیره تامین تبدیل شده است. ماهیت غیرخطی، پویایی شدید، و وجود نویز در داده های فروش موجب عملکرد ضعیف و غیر قابل اعتماد روش های سنتی پیش بینی می شود. این چالش در ایران به دلیل سطح بالای عدم قطعیت ناشی از نوسانات اقتصادی، تغییرات سیاست های تجاری، محدودیت های لجستیکی و پیامدهای تحریم ها شدت بیشتری پیدا می کند. در پاسخ به این نیاز، پژوهش حاضر الگوریتم GODFIS را معرفی می کند؛ یک سیستم استنتاج فازی پویا مبتنی بر بهینه سازی سراسری که با هدف ارائه پیش بینی های دقیق، مقاوم و سازگار با محیط های پرنوسان طراحی شده است. معماری GODFIS با ترکیب یادگیری برخط، خوشه بندی پویا، به روزرسانی بازگشتی پارامترهای تالی، و مکانیزم حذف نویز، امکان مدل سازی روابط پیچیده را با دقت بالا و بدون نیاز به بازآموزی کامل فراهم می سازد. برای ارزیابی عملکرد، الگوریتم پیشنهادی بر روی دو دسته داده مورد آزمون قرار گرفته است: (۱) داده های معیار با رفتارهای غیرایستا، و (۲) داده های واقعی یک خرده فروشی ایرانی. نتایج نشان می دهد که GODFIS نسبت به روش های کلاسیک، مدل های یادگیری ماشینی، و مدل های در حال تکامل، بهبود قابل توجهی در دقت، پایداری و سرعت انطباق ارائه می دهد. به طور کلی، یافته ها موید آن است که GODFIS با فراهم کردن تفسیرپذیری، مقیاس پذیری و کارایی محاسباتی، می تواند به عنوان یک چارچوب پیش بینی پویا برای محیط های عملیاتی خرده فروشی—به ویژه در شرایط ناپایدار ایران—به کار گرفته شود و نقش موثری در بهینه سازی تصمیمات موجودی و مدیریت عدم قطعیت ایفا کند.

کلیدواژه ها:

پیش بینی تقاضا ، صنعت خرده فروشی ، سیستم های فازی در حال تکامل ، بهینه سازی سراسری ، GODFIS