مقایسه عملکرد شبکه های عصبی مصنوعی در ارزیابی کارایی واحدهای تصمیم گیرنده داده های بزرگ و منفی درمقابل تحلیل پوششی داده ها

تحلیل پوششی داده ها یک روش برنامه ریزی غیر خطی پارامتری برای ارزیابی کارایی و بهره وری واحدهایتصمیم گیری است که به طور گسترده برای اندازه گیری کارایی انواع مختلفی از فعالیت ها مورد استفاده قرار می گیرد.در مواردی که تعداد قیود زیاد می باشد مثل زمانی که بخشی از داده ها منفی هستند پیچیدگی حل مساله بسیار بالا میباشد لذا استفاده تحلیل پوششی دادهها از لحاظ زمان و هزینه به صرفه نیست. در این پژوهش، یک شبکه عصبیfeed-forward نظارت شده، برای ارزیابی کارایی و بهره وری واحدهایی با داده های منفی ارایه شد که با استفاده ازشبکه عصبی مصنوعی در حالتی که داده ها منفی هستند منجر به کاهش زمان حل مساله شویم. در این پژوهش با ارایه واجرای مدل SORM در تحلیل پوششی داده ها و شبکه های عصبی مصنوعی اقدام به بررسی سرعت اجرای مدل موردنظر خواهیم پرداخت. در پایان با مقایسه میانگین زمان اجرای این مدل در شبکه عصبی و تحلیل پوششی داده ها به ایننتیجه دست یافتیم که شبکه عصبی مصنوعی برای مجموع داده های کوچک کارایی چندانی ندارد اما برای مجموعداده بزرگ در مقایسه با روش تحلیل پوششی داده ها میتواند برنامه را در زمان کمتر اجرا نموده و کارایی خود درزمانی که داده ها دارای مقادیر منفی هستند و پیچیدگی حل مساله بالا است نشان دهد.

کلیدواژه ها:

تحلیل پوششی داده ها ، شبکه عصبی مصنوعی ، ارزیابی کارایی ، واحد تصمیم گیرنده