نوشته های sanaye20.ir

سیستم استنتاج فازی عصبی ANFIS چیست؟ آموزش جامع انفیس

sanaye20.ir — Wed, 04 Nov 2026 12:10:37 +0330

توضیحات و بررسی مدل ANFIS (انفیس)سیستم استنتاج فازی عصبی ANFIS چیست؟ آموزش جامع روش انفیس، ساختار، کاربردها و نحوه عملکرددر بسیاری از مسائل علمی و صنعتی، ارتباط میان متغیرها به‌صورت خطی و ساده نیست. گاهی داده‌های ورودی رفتار پیچیده‌ای دارند، روابط میان عوامل به‌خوبی شناخته نشده‌اند و تصمیم‌گیری بر اساس مدل‌های ریاضی کلاسیک با محدودیت‌هایی همراه است. در چنین شرایطی، استفاده از روش‌هایی که بتوانند هم عدم قطعیت را مدیریت کنند و هم از داده‌ها برای یادگیری الگوها بهره ببرند، اهمیت پیدا می‌کند.یکی از روش‌های پرکاربرد در این زمینه، سیستم استنتاج فازی عصبی یا انفیس (ANFIS) است. این روش با ترکیب منطق فازی و شبکه‌های عصبی مصنوعی، مدلی هوشمند ایجاد می‌کند که می‌تواند روابط پیچیده میان متغیرها را یاد بگیرد و بر اساس آن‌ها خروجی پیش‌بینی کند.ANFIS مخفف عبارت Adaptive Neuro-Fuzzy Inference System است که در فارسی با عنوان سیستم استنتاج فازی عصبی تطبیقی یا سیستم استنتاج عصبی ـ فازی تطبیقی شناخته می‌شود. این روش در حوزه‌هایی مانند پیش‌بینی، کنترل سیستم‌ها، مهندسی صنایع، مدیریت، اقتصاد، انرژی، پزشکی و علوم داده کاربرد دارد.در این مقاله، با مفهوم ANFIS، ساختار آن، نحوه عملکرد، مراحل پیاده‌سازی، مزایا و محدودیت‌ها و همچنین کاربردهای آن در پژوهش‌های دانشگاهی آشنا می‌شویم.۱. سیستم استنتاج فازی عصبی ANFIS چیست؟انفیس یک سیستم هوشمند محاسباتی است که قابلیت‌های دو رویکرد مهم در هوش مصنوعی، یعنی شبکه‌های عصبی مصنوعی (Artificial Neural Networks) و سیستم‌های استنتاج فازی (Fuzzy Inference Systems) را با یکدیگر ترکیب می‌کند.برای درک بهتر این روش، ابتدا باید با دو مفهوم اصلی آن آشنا شویم.منطق فازی (Fuzzy Logic) روشی برای مدل‌سازی شرایطی است که در آن‌ها مرز میان مفاهیم دقیق و نادقیق مشخص نیست. برای مثال، وقتی درباره دمای یک محیط صحبت می‌کنیم، نمی‌توان همیشه یک مرز کاملاً مشخص برای گرم یا سرد بودن در نظر گرفت. ممکن است دمای ۲۵ درجه تا حدی گرم و تا حدی معتدل محسوب شود. منطق فازی این امکان را فراهم می‌کند که یک مقدار به‌جای تعلق کامل به یک گروه، با درجات مختلف به چند مجموعه فازی تعلق داشته باشد.در مقابل، شبکه عصبی مصنوعی (Artificial Neural Network) با الهام از نحوه عملکرد نورون‌های مغز انسان طراحی شده است. این شبکه‌ها با دریافت داده‌های آموزشی، الگوها و روابط موجود میان متغیرها را یاد می‌گیرند و از این اطلاعات برای پیش‌بینی یا طبقه‌بندی استفاده می‌کنند.هرکدام از این دو روش قابلیت‌های خاص خود را دارند؛ سیستم‌های فازی در نمایش دانش و عدم قطعیت مناسب هستند، اما در تعیین پارامترهای مناسب ممکن است به دانش متخصص وابسته باشند. شبکه‌های عصبی نیز در یادگیری از داده‌ها توانایی بالایی دارند، ولی تفسیر نحوه تصمیم‌گیری آن‌ها همیشه ساده نیست.روش ANFIS تلاش می‌کند این دو قابلیت را در یک چارچوب مشترک قرار دهد.به بیان ساده، ANFIS از منطق فازی برای ساختاردهی روابط میان متغیرها و از الگوریتم‌های یادگیری شبکه عصبی برای تنظیم پارامترهای مدل استفاده می‌کند.این روش در سال ۱۹۹۳ توسط جری‌جیانگ (Jang) معرفی شد و به یکی از رویکردهای شناخته‌شده در مدل‌سازی هوشمند و پیش‌بینی مبتنی بر داده تبدیل شد.۲. چرا از روش ANFIS استفاده می‌کنیم؟فرض کنید قصد داریم میزان مصرف انرژی یک کارخانه را بر اساس عواملی مانند دمای محیط، حجم تولید، ساعات فعالیت ماشین‌آلات و نوع مواد اولیه پیش‌بینی کنیم.در این مسئله، رابطه میان متغیرها ممکن است پیچیده و غیرخطی باشد. برای مثال، افزایش حجم تولید همیشه به یک نسبت مشخص باعث افزایش مصرف انرژی نمی‌شود؛ زیرا عواملی مانند شرایط تجهیزات، دمای محیط و ظرفیت عملیاتی نیز بر این رابطه تأثیر می‌گذارند.استفاده از یک مدل خطی ساده ممکن است نتواند این روابط را به‌درستی نمایش دهد.از طرف دیگر، ممکن است کارشناسان کارخانه تجربه‌هایی درباره نحوه ارتباط عوامل مختلف داشته باشند، اما تبدیل این تجربه‌ها به یک مدل ریاضی دقیق دشوار باشد.ANFIS می‌تواند با استفاده از داده‌های واقعی و ساختار قواعد فازی، چنین روابطی را مدل‌سازی کند.به همین دلیل، این روش در مسائلی مناسب است که:روابط میان متغیرها غیرخطی و پیچیده هستند.داده‌های تاریخی برای آموزش مدل در دسترس هستند.مسئله با درجاتی از عدم قطعیت همراه است.امکان استفاده از قواعد فازی برای توصیف روابط وجود دارد.هدف، پیش‌بینی، تخمین یا مدل‌سازی رفتار یک سیستم است.۳. ساختار و اجزای اصلی سیستم ANFISیکی از مهم‌ترین ویژگی‌های ANFIS، ساختار لایه‌ای آن است. در معماری متداول ANFIS که بر اساس سیستم استنتاج فازی سوگنو (Sugeno Fuzzy Inference System) طراحی شده، پنج لایه اصلی وجود دارد.هر لایه وظیفه مشخصی در پردازش اطلاعات بر عهده دارد.لایه اول: لایه فازی‌سازی (Fuzzification Layer)در این لایه، مقادیر ورودی به درجات عضویت در مجموعه‌های فازی تبدیل می‌شوند.برای مثال، فرض کنید متغیر ورودی دمای محیط باشد. می‌توان برای این متغیر سه مجموعه فازی تعریف کرد:دمای پاییندمای متوسطدمای بالااگر دمای محیط ۲۵ درجه باشد، ممکن است این مقدار به میزان مشخصی به مجموعه دمای متوسط و تا حدی به مجموعه دمای بالا تعلق داشته باشد.این میزان تعلق با تابع عضویت (Membership Function) مشخص می‌شود.توابع عضویت مختلفی وجود دارند که از جمله مهم‌ترین آن‌ها می‌توان به موارد زیر اشاره کرد:تابع عضویت مثلثی (Triangular)تابع عضویت ذوزنقه‌ای (Trapezoidal)تابع عضویت گاوسی (Gaussian)تابع عضویت زنگوله‌ای تعمیم‌یافته (Generalized Bell)انتخاب تابع عضویت مناسب می‌تواند بر عملکرد نهایی مدل تأثیر بگذارد.لایه دوم: لایه قواعد (Rule Layer)در این لایه، میزان فعال‌شدن قواعد فازی محاسبه می‌شود.قواعد فازی معمولاً به شکل شرطی If-Then تعریف می‌شوند.برای مثال، اگر دو متغیر ورودی دما و حجم تولید داشته باشیم، یک قاعده می‌تواند به این شکل باشد:اگر دما بالا و حجم تولید زیاد باشد، آنگاه مصرف انرژی زیاد خواهد بود.در مدل ANFIS، هر قاعده دارای یک درجه فعال‌سازی است که از ترکیب درجات عضویت متغیرهای ورودی به دست می‌آید.لایه سوم: نرمال‌سازی (Normalization Layer)در این لایه، قدرت فعال‌سازی قواعد فازی نسبت به مجموع قدرت فعال‌سازی تمام قواعد محاسبه و نرمال می‌شود.هدف از این کار، تبدیل مقادیر فعال‌سازی به وزن‌های نسبی است.برای مثال، اگر دو قاعده به‌ترتیب قدرت فعال‌سازی ۰٫۶ و ۰٫۴ داشته باشند، مقادیر نرمال‌شده آن‌ها به همین صورت باقی می‌مانند؛ زیرا مجموع آن‌ها برابر با یک است.لایه چهارم: لایه پیامدها (Consequent Layer)در این مرحله، خروجی هر قاعده بر اساس یک تابع ریاضی محاسبه می‌شود.در مدل متداول سوگنو مرتبه اول، پیامد هر قاعده به‌صورت یک تابع خطی از متغیرهای ورودی تعریف می‌شود.برای مثال:f = p x + q y + rدر این رابطه:x و y متغیرهای ورودی هستند.p و q ضرایب متغیرهای ورودی هستند.r مقدار ثابت مدل است.این ضرایب در فرایند آموزش ANFIS تنظیم می‌شوند.لایه پنجم: لایه خروجی (Output Layer)در آخرین لایه، خروجی قواعد با یکدیگر ترکیب می‌شوند و مقدار نهایی پیش‌بینی به دست می‌آید.در واقع، خروجی نهایی از مجموع خروجی هر قاعده ضرب‌شده در وزن نرمال‌شده آن قاعده محاسبه می‌شود.به این ترتیب، سیستم ANFIS از داده‌های ورودی شروع می‌کند، آن‌ها را به مقادیر فازی تبدیل می‌کند، قواعد را فعال می‌سازد و در نهایت یک خروجی عددی ارائه می‌دهد.۴. نحوه عملکرد ANFIS با یک مثال سادهبرای اینکه عملکرد این سیستم ملموس‌تر شود، یک مثال کاربردی را در نظر بگیریم.فرض کنید می‌خواهیم عملکرد تولید یک واحد صنعتی را بر اساس دو عامل زیر پیش‌بینی کنیم:۱. ساعات کار ماشین‌آلات۲. میزان تجربه کارکنانخروجی موردنظر نیز میزان بهره‌وری تولید است.در ابتدا، برای هر ورودی چند مجموعه فازی تعریف می‌کنیم. برای مثال، ساعات کار ماشین‌آلات می‌تواند در سه سطح کم، متوسط و زیاد قرار بگیرد. تجربه کارکنان نیز می‌تواند در سه سطح پایین، متوسط و بالا تعریف شود.سپس قواعد فازی شکل می‌گیرند. برای نمونه:اگر ساعات کار ماشین‌آلات زیاد و تجربه کارکنان بالا باشد، بهره‌وری تولید بالا خواهد بود.اگر ساعات کار ماشین‌آلات کم و تجربه کارکنان پایین باشد، بهره‌وری تولید پایین خواهد بود.اگر ساعات کار ماشین‌آلات متوسط و تجربه کارکنان بالا باشد، بهره‌وری تولید در سطح متوسط تا بالا قرار می‌گیرد.پس از تعریف ساختار اولیه، داده‌های واقعی وارد مدل می‌شوند.ANFIS با استفاده از داده‌های آموزشی، پارامترهای توابع عضویت و ضرایب قواعد را تنظیم می‌کند تا اختلاف میان مقادیر واقعی و مقادیر پیش‌بینی‌شده کاهش پیدا کند.در نهایت، مدل آموزش‌دیده می‌تواند با دریافت اطلاعات جدید درباره ساعات کار و تجربه کارکنان، میزان بهره‌وری تولید را تخمین بزند.نکته مهم این است که قواعد فوق صرفاً برای توضیح مفهوم ANFIS هستند و نتایج واقعی مدل به داده‌های آموزشی، ساختار انتخاب‌شده و کیفیت فرایند آموزش بستگی دارند.۵. الگوریتم یادگیری در ANFIS چگونه انجام می‌شود؟یکی از بخش‌های مهم سیستم استنتاج فازی عصبی، الگوریتم یادگیری آن است.در روش ANFIS، معمولاً از الگوریتم یادگیری ترکیبی (Hybrid Learning Algorithm) استفاده می‌شود. این الگوریتم دو روش اصلی را با یکدیگر ترکیب می‌کند:۱. روش حداقل مربعات (Least Squares Estimation)این روش برای تخمین پارامترهای پیامد قواعد فازی استفاده می‌شود. هدف آن پیدا کردن ضرایبی است که مجموع مربعات خطاهای پیش‌بینی را کاهش دهند.۲. روش گرادیان کاهشی (Gradient Descent)این روش برای به‌روزرسانی پارامترهای مقدماتی سیستم، به‌ویژه پارامترهای توابع عضویت، استفاده می‌شود.در الگوریتم ترکیبی، معمولاً پارامترهای مقدماتی در یک مرحله ثابت نگه داشته می‌شوند و پارامترهای پیامد با روش حداقل مربعات تخمین زده می‌شوند. سپس پارامترهای پیامد ثابت در نظر گرفته شده و پارامترهای مقدماتی با استفاده از گرادیان کاهشی اصلاح می‌شوند.این فرایند در چندین تکرار انجام می‌شود تا خطای مدل به سطح قابل قبولی برسد.به زبان ساده، ANFIS در طول آموزش تلاش می‌کند شکل توابع عضویت و ضرایب قواعد فازی را به‌گونه‌ای تنظیم کند که خروجی پیش‌بینی‌شده تا حد امکان به خروجی واقعی نزدیک باشد.۶. مراحل اجرای روش ANFIS در یک پژوهش علمیاگر قصد دارید از روش ANFIS در پایان‌نامه، مقاله علمی یا یک پروژه کاربردی استفاده کنید، بهتر است مراحل اجرای آن را به‌صورت منظم دنبال کنید.مرحله اول: تعیین مسئله و متغیرهای پژوهشابتدا باید مشخص شود که هدف مدل چیست.آیا قصد پیش‌بینی یک متغیر را دارید؟ آیا می‌خواهید رابطه میان چند عامل را مدل‌سازی کنید؟ یا هدف، تخمین رفتار یک سیستم پیچیده است؟در این مرحله باید متغیرهای ورودی و خروجی مشخص شوند.مرحله دوم: گردآوری داده‌هامدل ANFIS برای یادگیری به داده‌های مناسب نیاز دارد.داده‌ها می‌توانند از طریق پرسشنامه، پایگاه‌های اطلاعاتی، گزارش‌های سازمانی، آزمایش‌های صنعتی یا داده‌های ثبت‌شده در طول زمان گردآوری شوند.کیفیت، حجم و تنوع داده‌ها نقش مهمی در عملکرد مدل دارند.مرحله سوم: پیش‌پردازش داده‌هاپیش از آموزش مدل، داده‌ها باید بررسی و آماده‌سازی شوند.این مرحله می‌تواند شامل موارد زیر باشد:بررسی داده‌های گمشدهشناسایی مقادیر پرتبررسی خطاهای ثبت اطلاعاتنرمال‌سازی یا استانداردسازی داده‌هابررسی توزیع متغیرهادر صورت نیاز، داده‌ها باید به مقیاس مناسبی تبدیل شوند تا فرایند آموزش با کیفیت بهتری انجام شود.مرحله چهارم: تقسیم داده‌هایکی از مراحل مهم در مدل‌سازی ANFIS، تقسیم داده‌ها به مجموعه‌های مختلف است.معمولاً داده‌ها به سه بخش تقسیم می‌شوند:داده‌های آموزش (Training Data)داده‌های اعتبارسنجی (Validation Data)داده‌های آزمون (Testing Data)داده‌های آموزش برای یادگیری پارامترهای مدل استفاده می‌شوند. داده‌های اعتبارسنجی به بررسی عملکرد مدل در طول آموزش و تشخیص بیش‌برازش کمک می‌کنند. داده‌های آزمون نیز برای ارزیابی نهایی مدل روی داده‌هایی که در آموزش استفاده نشده‌اند، به کار می‌روند.مرحله پنجم: طراحی ساختار اولیه ANFISدر این مرحله، تعداد توابع عضویت، نوع توابع عضویت، تعداد قواعد فازی و ساختار سیستم تعیین می‌شود.انتخاب تعداد مناسب توابع عضویت اهمیت زیادی دارد؛ زیرا افزایش تعداد آن‌ها می‌تواند باعث افزایش تعداد قواعد و پارامترهای مدل شود.برای مثال، اگر سه متغیر ورودی داشته باشیم و برای هرکدام سه تابع عضویت تعریف کنیم، در ساختار شبکه‌ای کامل ممکن است تعداد قواعد به ۲۷ قاعده برسد.بنابراین، انتخاب ساختار مدل باید با توجه به تعداد متغیرها و حجم داده‌ها انجام شود.مرحله ششم: آموزش مدلدر این مرحله، داده‌های آموزشی به سیستم وارد می‌شوند و الگوریتم یادگیری ANFIS پارامترهای مدل را تنظیم می‌کند.تعداد تکرارهای آموزش، نرخ یادگیری و معیار توقف از جمله تنظیماتی هستند که باید با توجه به شرایط مسئله انتخاب شوند.مرحله هفتم: ارزیابی عملکرد مدلپس از آموزش، عملکرد مدل باید با استفاده از شاخص‌های آماری مناسب ارزیابی شود.مهم‌ترین شاخص‌های مورد استفاده عبارت‌اند از:ضریب تعیین (R²): نشان می‌دهد مدل چه میزان از تغییرات متغیر وابسته را توضیح می‌دهد.میانگین مربعات خطا (MSE): میانگین مربعات اختلاف میان مقادیر واقعی و پیش‌بینی‌شده را محاسبه می‌کند.ریشه میانگین مربعات خطا (RMSE): جذر MSE است و خطای پیش‌بینی را در واحد متغیر خروجی نشان می‌دهد.میانگین قدرمطلق خطا (MAE): میانگین قدرمطلق اختلاف میان مقادیر واقعی و پیش‌بینی‌شده را اندازه‌گیری می‌کند.هرچه مقادیر MSE، RMSE و MAE کمتر باشند، خطای پیش‌بینی مدل پایین‌تر است. در تفسیر R² نیز باید به نوع مسئله و نحوه محاسبه آن توجه کرد.نکته مهم اینکه ارزیابی نهایی باید بر اساس داده‌های آزمون مستقل انجام شود، نه صرفاً داده‌هایی که مدل با آن‌ها آموزش دیده است.۷. نرم‌افزارهای مورد استفاده برای اجرای ANFISبرای پیاده‌سازی سیستم استنتاج فازی عصبی، نرم‌افزارها و محیط‌های برنامه‌نویسی مختلفی وجود دارند.MATLABیکی از شناخته‌شده‌ترین محیط‌ها برای اجرای ANFIS، نرم‌افزار MATLAB است.در MATLAB می‌توان با استفاده از ابزارهای مرتبط با منطق فازی، ساختار سیستم استنتاج فازی عصبی را طراحی کرد، داده‌ها را وارد نمود، توابع عضویت را تعریف کرد، مدل را آموزش داد و عملکرد آن را ارزیابی کرد.این نرم‌افزار به دلیل امکانات مناسب برای محاسبات مهندسی و مدل‌سازی، در بسیاری از پژوهش‌های دانشگاهی مورد استفاده قرار می‌گیرد.Pythonزبان برنامه‌نویسی Python نیز امکانات گسترده‌ای برای توسعه مدل‌های هوشمند دارد.با استفاده از کتابخانه‌های محاسباتی و ابزارهای یادگیری ماشین می‌توان ساختارهای فازی و مدل‌های ترکیبی را پیاده‌سازی کرد. البته برای اجرای ANFIS باید از پیاده‌سازی یا کتابخانه‌ای استفاده کرد که مشخصاً از این معماری پشتیبانی کند؛ زیرا همه کتابخانه‌های یادگیری ماشین به‌صورت پیش‌فرض ANFIS را ارائه نمی‌کنند.سایر ابزارهابسته به نوع پژوهش، می‌توان از محیط‌های محاسباتی دیگر نیز برای پیاده‌سازی مدل‌های فازی عصبی استفاده کرد. انتخاب نرم‌افزار باید بر اساس نوع داده‌ها، امکانات موردنیاز و روش ارزیابی مدل انجام شود.۸. مهم‌ترین کاربردهای ANFIS در پژوهش و صنعتسیستم ANFIS به دلیل توانایی در مدل‌سازی روابط غیرخطی و یادگیری از داده‌ها، در حوزه‌های متنوعی کاربرد دارد.۱. مدیریت و مهندسی صنایعدر مهندسی صنایع می‌توان از ANFIS برای پیش‌بینی بهره‌وری، تخمین زمان تولید، پیش‌بینی خرابی تجهیزات، ارزیابی عملکرد سیستم‌های تولیدی و کنترل کیفیت استفاده کرد.برای مثال، یک واحد تولیدی می‌تواند با استفاده از اطلاعات مربوط به دمای تجهیزات، ساعات کارکرد، میزان بار عملیاتی و سوابق خرابی، مدلی برای تخمین احتمال یا شدت خرابی توسعه دهد.۲. مدیریت زنجیره تأمیندر حوزه زنجیره تأمین، ANFIS می‌تواند برای پیش‌بینی تقاضا، تخمین هزینه‌های حمل‌ونقل، ارزیابی عملکرد تأمین‌کنندگان و مدل‌سازی عدم قطعیت در فرایندهای تأمین و توزیع به کار رود.۳. اقتصاد و مدیریت مالیپیش‌بینی قیمت‌ها، تحلیل رفتار بازار، تخمین ریسک و مدل‌سازی شاخص‌های اقتصادی از دیگر زمینه‌های استفاده از سیستم‌های فازی عصبی هستند.۴. انرژی و محیط‌زیستدر این حوزه می‌توان از ANFIS برای پیش‌بینی مصرف انرژی، تخمین تولید انرژی خورشیدی، پیش‌بینی کیفیت هوا و مدل‌سازی عوامل مؤثر بر آلودگی محیط‌زیست استفاده کرد.۵. پزشکی و سلامتپیش‌بینی برخی شاخص‌های سلامت، پشتیبانی از تصمیم‌گیری پزشکی و مدل‌سازی روابط پیچیده میان متغیرهای بالینی از جمله زمینه‌های تحقیقاتی این روش هستند. البته استفاده بالینی از چنین مدل‌هایی به اعتبارسنجی مستقل و ارزیابی تخصصی نیاز دارد.۶. گردشگری و بازاریابیپیش‌بینی تقاضای گردشگری، تحلیل رفتار مشتریان، تخمین رضایت مشتری و مدل‌سازی تأثیر عوامل مختلف بر تصمیم خرید نیز از جمله موضوعاتی هستند که می‌توانند با استفاده از روش ANFIS مطالعه شوند.۹. مزایا و محدودیت‌های روش ANFISمانند هر روش محاسباتی دیگری، ANFIS نیز نقاط قوت و محدودیت‌های خاص خود را دارد.مزایای ANFISقابلیت یادگیری از داده‌ها: سیستم می‌تواند پارامترهای خود را بر اساس داده‌های آموزشی تنظیم کند.مدل‌سازی روابط غیرخطی: برای مسائلی که ارتباط میان متغیرها پیچیده است، قابلیت مناسبی دارد.ترکیب منطق فازی و شبکه عصبی: از قابلیت مدل‌سازی عدم قطعیت و یادگیری داده‌محور بهره می‌برد.استفاده از قواعد فازی: ساختار قواعد می‌تواند در درک روابط مدل و تفسیر رفتار آن کمک‌کننده باشد.قابلیت پیش‌بینی: برای تخمین مقادیر جدید بر اساس الگوهای یادگرفته‌شده کاربرد دارد.محدودیت‌های ANFISافزایش پیچیدگی مدل: با افزایش تعداد متغیرهای ورودی و توابع عضویت، تعداد قواعد و پارامترها می‌تواند به‌سرعت افزایش یابد.وابستگی به کیفیت داده‌ها: داده‌های نامناسب یا دارای خطا می‌توانند عملکرد مدل را کاهش دهند.احتمال بیش‌برازش (Overfitting): اگر مدل بیش از حد پیچیده باشد، ممکن است داده‌های آموزشی را به‌خوبی یاد بگیرد، اما در پیش‌بینی داده‌های جدید عملکرد ضعیفی داشته باشد.نیاز به تنظیم پارامترها: انتخاب تعداد و نوع توابع عضویت و سایر پارامترهای مدل نیازمند دقت و آزمون است.محدودیت در مقیاس‌پذیری: در مسائل دارای تعداد زیادی متغیر ورودی، طراحی و آموزش مدل می‌تواند دشوار شود.در نتیجه، استفاده از ANFIS به‌تنهایی تضمین‌کننده پیش‌بینی دقیق نیست. انتخاب ساختار مناسب، کیفیت داده‌ها و ارزیابی مستقل مدل اهمیت زیادی دارند.۱۰. تفاوت ANFIS با شبکه عصبی مصنوعی و سیستم فازییکی از پرسش‌های رایج پژوهشگران این است که ANFIS چه تفاوتی با شبکه عصبی مصنوعی و سیستم استنتاج فازی دارد؟برای پاسخ به این سؤال، بهتر است قابلیت‌های این سه رویکرد را مقایسه کنیم.شبکه عصبی مصنوعی (ANN):شبکه عصبی مصنوعی عمدتاً بر یادگیری الگوها و روابط از طریق داده‌ها تمرکز دارد. این روش در بسیاری از مسائل پیش‌بینی و طبقه‌بندی عملکرد مناسبی دارد، اما تفسیر ساختار داخلی آن ممکن است دشوار باشد.سیستم استنتاج فازی (FIS):سیستم فازی بر اساس قواعد If-Then و توابع عضویت عمل می‌کند. این سیستم برای مدل‌سازی دانش انسانی و شرایط مبهم مناسب است، اما در تنظیم پارامترها ممکن است به دانش متخصص یا روش‌های بهینه‌سازی نیاز داشته باشد. برای توضیحات بیشتر این مدل آموزش FIS را مشاهده کنید.سیستم استنتاج فازی عصبی (ANFIS):ANFIS از ساختار قواعد فازی استفاده می‌کند و با الگوریتم یادگیری، پارامترهای مدل را تنظیم می‌کند. به همین دلیل، می‌توان آن را رویکردی ترکیبی دانست که قابلیت یادگیری داده‌محور و مدل‌سازی فازی را در کنار یکدیگر قرار می‌دهد.به‌طور خلاصه، اگر مسئله صرفاً به یادگیری الگو از داده‌ها مربوط باشد، شبکه عصبی می‌تواند گزینه مناسبی باشد. اگر هدف، نمایش دانش به کمک قواعد فازی باشد، سیستم فازی کاربرد دارد. اما اگر به ترکیب این دو قابلیت نیاز داشته باشیم، ANFIS می‌تواند گزینه مناسبی برای بررسی باشد.البته هیچ‌کدام از این روش‌ها در تمام مسائل برتری مطلق ندارند و انتخاب نهایی باید بر اساس داده‌ها، هدف پژوهش و نتایج ارزیابی انجام شود.۱۱. آیا ANFIS برای پایان‌نامه و مقاله علمی مناسب است؟بله. ANFIS می‌تواند در پایان‌نامه‌های کارشناسی ارشد، رساله‌های دکتری و مقالات علمی به‌عنوان یک روش مدل‌سازی و پیش‌بینی مورد استفاده قرار گیرد.برای مثال، دانشجوی مدیریت صنعتی می‌تواند از این روش برای پیش‌بینی عملکرد تولید، بهره‌وری منابع، مصرف انرژی یا ریسک زنجیره تأمین استفاده کند.همچنین در رشته‌های مهندسی، اقتصاد، مدیریت فناوری، مدیریت منابع انسانی و علوم داده، موضوعات متنوعی برای استفاده از ANFIS وجود دارد.با این حال، انتخاب این روش باید بر اساس ماهیت سؤال پژوهش انجام شود. اگر هدف اصلی پژوهش، آزمون فرضیه‌های علّی و بررسی معناداری روابط میان سازه‌های پنهان باشد، روش‌هایی مانند SEM یا PLS-SEM ممکن است مناسب‌تر باشند. در مقابل، اگر هدف پیش‌بینی یک متغیر خروجی بر اساس مجموعه‌ای از ورودی‌ها باشد، ANFIS می‌تواند گزینه قابل بررسی باشد.در پژوهش‌های کاربردی نیز بهتر است عملکرد ANFIS با مدل‌های رقیب مانند ANN، مدل‌های رگرسیونی یا سایر روش‌های پیش‌بینی مقایسه شود تا مشخص شود آیا ترکیب منطق فازی و شبکه عصبی واقعاً به بهبود عملکرد منجر شده است یا خیر.۱۲. جمع‌بندی؛ چرا شناخت سیستم ANFIS اهمیت دارد؟سیستم استنتاج فازی عصبی تطبیقی یا ANFIS یکی از روش‌های ترکیبی در حوزه هوش مصنوعی است که با استفاده از منطق فازی و شبکه‌های عصبی مصنوعی، امکان یادگیری و مدل‌سازی روابط پیچیده میان متغیرها را فراهم می‌کند.این روش به‌ویژه زمانی کاربرد دارد که با داده‌های دارای عدم قطعیت، روابط غیرخطی و مسئله پیش‌بینی مواجه باشیم.شناخت ساختار پنج‌لایه ANFIS، نحوه تعریف توابع عضویت، قواعد فازی، الگوریتم یادگیری ترکیبی و شاخص‌های ارزیابی عملکرد، برای پیاده‌سازی صحیح این روش ضروری است.نکته مهم این است که کیفیت خروجی ANFIS تنها به انتخاب الگوریتم وابسته نیست؛ بلکه کیفیت داده‌ها، طراحی ساختار اولیه، تنظیم پارامترها و اعتبارسنجی مدل نیز نقش تعیین‌کننده‌ای دارند.اگر قصد دارید در پایان‌نامه یا پروژه پژوهشی خود از روش‌های هوشمند برای پیش‌بینی و مدل‌سازی استفاده کنید، آشنایی با ANFIS می‌تواند ابزار مناسبی برای توسعه مدل‌های داده‌محور در اختیار شما قرار دهد.مطالعه بیشتر؛ آشنایی با روش‌های ترکیبی ANFISاگر به موضوع سیستم استنتاج فازی عصبی (ANFIS) و کاربردهای آن در پژوهش‌های علمی علاقه‌مند هستید، مطالعه روش‌های ترکیبی این رویکرد با سایر تکنیک‌های تحلیل داده می‌تواند دید گسترده‌تری درباره قابلیت‌های آن در مدل‌سازی و پیش‌بینی در اختیار شما قرار دهد.در وب‌سایت صنایع بیست (Sanaye20.ir) دو مطلب آموزشی مرتبط با این موضوع منتشر شده است که پیشنهاد می‌کنیم برای آشنایی بیشتر مطالعه کنید:ترکیب ANFIS با PLS: آشنایی با رویکرد تلفیقی سیستم استنتاج فازی عصبی و روش حداقل مربعات جزئی و کاربردهای آن در مدل‌سازی روابط و تحلیل داده‌ها.مطالعه مقاله ترکیب ANFIS و PLSترکیب ANFIS با یادگیری ماشین: بررسی رویکردهای ترکیبی ANFIS و الگوریتم‌های یادگیری ماشین و ظرفیت آن‌ها در توسعه مدل‌های هوشمند و بهبود فرایند پیش‌بینی.مطالعه مقاله ترکیب ANFIS و یادگیری ماشینمنابع علمی برای مطالعه بیشتر۱. Jang, J. S. R. (1993). ANFIS: Adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665–685. https://doi.org/10.1109/21.256541۲. Jang, J. S. R., Sun, C. T., & Mizutani, E. (1997). Neuro-fuzzy and soft computing: A computational approach to learning and machine intelligence. Prentice Hall.۳. Takagi, T., & Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics, SMC-15(1), 116–132. https://doi.org/10.1109/TSMC.1985.6313399

داده‌سازی در اسمارت PLS؛ چگونه یک دیتاست مناسب در PLS-SEM بسازیم؟

sanaye20.ir — Sun, 09 Aug 2026 11:36:56 +0330

اگر با مدل‌سازی معادلات ساختاری و به‌خصوص SmartPLS کار کرده باشید، احتمالاً با یک سؤال مهم روبه‌رو شده‌اید: برای اجرای مدل، از کجا باید داده داشته باشیم؟در یک پژوهش واقعی، پاسخ مشخص است: پرسشنامه طراحی می‌شود، جامعه آماری تعیین می‌شود، نمونه‌گیری انجام می‌گیرد و داده‌های واقعی جمع‌آوری می‌شوند. اما همیشه هدف ما انجام یک پژوهش واقعی نیست. گاهی می‌خواهیم SmartPLS را یاد بگیریم، یک مدل را قبل از جمع‌آوری داده‌ها آزمایش کنیم، روش تحلیل را تمرین کنیم، عملکرد یک الگوریتم را بررسی کنیم یا یک مثال آموزشی قابل اجرا داشته باشیم.در این شرایط، داده مصنوعی یا شبیه‌سازی‌شده می‌تواند بسیار کاربردی باشد.نکته مهم این است که داده مصنوعی با «داده جعلی برای ارائه به‌عنوان داده واقعی» تفاوت دارد. داده مصنوعی برای آموزش و آزمون روش‌ها تولید می‌شود و نباید در یک مقاله یا پایان‌نامه به‌عنوان پاسخ‌های واقعی افراد معرفی شود.در این مطلب، یک مسیر عملی برای ساخت داده مناسب تحلیل PLS-SEM در SmartPLS را بررسی می‌کنیم.داده‌سازی در SmartPLS دقیقاً یعنی چه؟خود SmartPLS ابزار اصلی تولید داده پرسشنامه‌ای نیست. SmartPLS بیشتر برای مدل‌سازی و تحلیل روابط بین سازه‌های پنهان استفاده می‌شود.بنابراین وقتی از «داده‌سازی برای SmartPLS» صحبت می‌کنیم، معمولاً منظورمان این است که ابتدا یک دیتاست مصنوعی ایجاد کنیم و سپس آن را وارد SmartPLS کنیم.برای مثال، فرض کنید مدل پژوهش به شکل زیر است:تصویر برند ← اعتماد به برند ← قصد خریددر این مدل سه سازه داریم:تصویر برنداعتماد به برندقصد خریدهر سازه نیز می‌تواند با چند گویه پرسشنامه اندازه‌گیری شود.مثلاً:سازه | تعداد گویهتصویر برند | 5اعتماد به برند | 4قصد خرید | 4در نتیجه دیتاست ما ممکن است شامل 13 ستون مربوط به گویه‌ها و مثلاً 200 پاسخ‌دهنده باشد.تفاوت داده واقعی، داده مصنوعی و داده جعلیاین بخش اهمیت زیادی دارد؛ چون «داده‌سازی» در پژوهش ممکن است معانی متفاوتی داشته باشد.1. داده واقعیداده‌ای است که از پاسخ‌دهندگان واقعی، اسناد واقعی، سازمان‌ها، سنسورها یا منابع معتبر جمع‌آوری شده است.مثلاً 250 نفر پرسشنامه‌ای را تکمیل کرده‌اند و پاسخ‌های آن‌ها در فایل Excel ثبت شده است.2. داده مصنوعیداده‌ای است که با استفاده از روش‌های آماری یا الگوریتم‌های کامپیوتری تولید شده، اما برای اهدافی مانند آموزش، شبیه‌سازی، آزمون روش یا نمایش یک مثال استفاده می‌شود.مثلاً برای آموزش SmartPLS یک دیتاست 300 نفری با مقیاس لیکرت 1 تا 5 تولید کنیم.3. داده جعلی در پژوهشاگر داده مصنوعی تولید شود و سپس در پایان‌نامه یا مقاله به‌گونه‌ای گزارش شود که گویی از افراد واقعی جمع‌آوری شده، این دیگر یک شبیه‌سازی آموزشی نیست و از نظر روش‌شناسی پژوهش قابل قبول نیست.بنابراین می‌توان از داده مصنوعی برای تمرین تحلیل استفاده کرد، اما نباید آن را به‌عنوان داده واقعی پژوهش گزارش کرد.برای ساخت داده SmartPLS چه چیزهایی باید مشخص باشد؟قبل از تولید داده، بهتر است مدل را مشخص کنیم.حداقل باید این موارد را بدانیم:تعداد سازه‌های پژوهشنام سازه‌هاتعداد گویه‌های هر سازهنوع مقیاس اندازه‌گیریتعداد نمونهروابط بین سازه‌هانوع مدل اندازه‌گیریهدف از تولید دادهبرای مثال:حجم نمونه: 250 نفرمقیاس: لیکرت 1 تا 5سازه اول: کیفیت خدمات، 5 گویهسازه دوم: رضایت مشتری، 4 گویهسازه سوم: وفاداری مشتری، 4 گویهو فرض کنیم مدل ساختاری چنین باشد:کیفیت خدمات → رضایت مشتری → وفاداری مشتریاکنون می‌توانیم داده‌ای تولید کنیم که با ساختار موردنظر سازگار باشد.چرا تولید اعداد تصادفی ساده کافی نیست؟یکی از اشتباهات رایج این است که برای هر سلول Excel یک عدد تصادفی بین 1 تا 5 تولید کنیم.مثلاً:ممکن است این داده از نظر ظاهری شبیه پرسشنامه باشد، اما الزاماً برای یک مدل اندازه‌گیری مناسب نیست.چرا؟چون در یک پرسشنامه واقعی، گویه‌هایی که یک سازه مشترک را اندازه‌گیری می‌کنند، معمولاً باید نوعی همبستگی و اشتراک واریانس داشته باشند.مثلاً اگر پنج سؤال مختلف همگی «کیفیت خدمات» را اندازه‌گیری کنند، انتظار نداریم پاسخ آن‌ها کاملاً مستقل از یکدیگر باشند.بنابراین داده‌سازی مناسب باید تا حدی ساختار آماری موردنظر مدل را بازتولید کند.یک روش منطقی برای داده‌سازییکی از روش‌های قابل استفاده این است که ابتدا برای هر سازه یک نمره نهفته ایجاد کنیم و سپس گویه‌های مربوط به آن سازه را بر اساس آن نمره تولید کنیم.فرض کنید سازه «رضایت مشتری» یک متغیر نهفته دارد.ابتدا می‌توانیم برای هر پاسخ‌دهنده یک نمره پایه برای رضایت ایجاد کنیم.سپس چند گویه مرتبط با آن تولید کنیم:SAT1SAT2SAT3SAT4این گویه‌ها باید تا حدی تحت تأثیر همان سازه نهفته باشند، در حالی که مقدار مشخصی خطای تصادفی نیز داشته باشند.به صورت مفهومی:گویه = سازه نهفته + خطای اندازه‌گیریاین رویکرد از تولید مستقل و کاملاً تصادفی اعداد برای هر سؤال منطقی‌تر است.چگونه روابط بین سازه‌ها را در داده مصنوعی ایجاد کنیم؟فرض کنیم مدل ما این است:کیفیت خدمات ← رضایت مشتری ← وفاداری مشتریاگر قرار باشد داده مصنوعی برای این مدل تولید کنیم، باید رابطه بین سازه‌ها نیز در داده وجود داشته باشد.مثلاً می‌توانیم فرض کنیم:کیفیت خدمات بر رضایت مشتری اثر دارد.رضایت مشتری بر وفاداری اثر دارد.کیفیت خدمات نیز ممکن است مستقیماً بر وفاداری اثر داشته باشد.در یک مدل شبیه‌سازی‌شده، این روابط را می‌توان با ترکیب متغیرهای نهفته و خطا ایجاد کرد.به صورت مفهومی:رضایت = اثر کیفیت خدمات + خطاو:وفاداری = اثر رضایت + اثر کیفیت خدمات + خطادر این حالت وقتی داده وارد SmartPLS شود، انتظار داریم مدل ساختاری نیز بتواند بخشی از این روابط را شناسایی کند.مقیاس لیکرت در داده‌سازیدر بسیاری از پژوهش‌های علوم مدیریت، داده‌های پرسشنامه‌ای با مقیاس لیکرت تولید می‌شوند.برای مثال:1 = کاملاً مخالفم2 = مخالفم3 = نظری ندارم4 = موافقم5 = کاملاً موافقمدر نتیجه داده نهایی باید در محدوده 1 تا 5 قرار بگیرد.اما یک نکته مهم وجود دارد:اگر ابتدا داده پیوسته تولید کنیم و بعد آن را به نزدیک‌ترین عدد صحیح بین 1 تا 5 تبدیل کنیم، ممکن است توزیع پاسخ‌ها نامناسب شود.برای مثال، ممکن است تقریباً همه پاسخ‌ها در گزینه‌های 4 و 5 قرار بگیرند.بنابراین هنگام شبیه‌سازی باید توزیع پاسخ‌ها نیز کنترل شود.آیا داده مصنوعی باید نرمال باشد؟لزومی ندارد.یکی از دلایلی که داده مصنوعی برای آموزش PLS-SEM جالب است، این است که می‌توانیم سناریوهای مختلفی ایجاد کنیم.مثلاً:داده تقریباً نرمالداده چولهداده با پراکندگی زیادداده با همبستگی بالا بین گویه‌هاداده با روابط ضعیف بین سازه‌هاداده با روابط قوی بین سازه‌هادر PLS-SEM، نرمال بودن چندمتغیره داده‌ها مانند رویکردهای مبتنی بر کوواریانس یک پیش‌فرض مرکزی محسوب نمی‌شود. با این حال، این موضوع به معنی بی‌اهمیت بودن کیفیت داده‌ها نیست.داده مصنوعی ضعیف می‌تواند نتایج غیرواقعی یا گمراه‌کننده ایجاد کند.داده‌سازی برای بررسی پایایییکی از کاربردهای مهم داده مصنوعی، تمرین ارزیابی مدل اندازه‌گیری است.فرض کنید سازه «اعتماد به برند» چهار گویه دارد:TR1TR2TR3TR4پس از وارد کردن داده در SmartPLS می‌توان شاخص‌هایی مانند:Cronbach's AlphaComposite Reliabilityrho_AAverage Variance Extracted (AVE)را بررسی کرد.در یک مدل بازتابی، اگر گویه‌ها واقعاً یک مفهوم مشترک را اندازه‌گیری کنند، معمولاً انتظار داریم همبستگی مناسبی بین آن‌ها وجود داشته باشد.البته نباید صرفاً برای رسیدن به اعداد «خوب» داده تولید کنیم و سپس نتیجه را به پژوهش واقعی تعمیم دهیم.هدف داده مصنوعی در اینجا تمرین تحلیل و درک رفتار مدل است.داده‌سازی برای بررسی روایی واگرایکی دیگر از کاربردهای جالب شبیه‌سازی، بررسی روایی واگراست.فرض کنید سه سازه داریم:کیفیت خدماترضایت مشتریوفاداری مشتریاگر برای هر سه سازه دقیقاً یک الگوی عددی تولید کنیم، احتمالاً تمایز بین آن‌ها از بین می‌رود.بنابراین هنگام داده‌سازی باید بین سازه‌ها همبستگی وجود داشته باشد، اما این همبستگی نباید الزاماً آن‌قدر زیاد باشد که همه سازه‌ها عملاً یک مفهوم را اندازه‌گیری کنند.در SmartPLS می‌توان برای ارزیابی این موضوع از شاخص‌هایی مانند HTMT استفاده کرد.داده‌سازی برای مدل‌های میانجیداده مصنوعی می‌تواند برای آموزش تحلیل میانجی نیز بسیار مفید باشد.فرض کنید مدل زیر را داریم:کیفیت خدمات ← رضایت مشتری ← وفاداری مشتریدر این مدل، رضایت مشتری نقش متغیر میانجی دارد.برای اینکه داده شبیه یک سناریوی میانجی باشد، باید روابط بین متغیرها به‌گونه‌ای تولید شوند که مسیرهای مربوطه قابل بررسی باشند.بعد از ورود داده به SmartPLS می‌توان مسیرهای:کیفیت خدمات ← رضایترضایت ←وفاداریکیفیت خدمات ← وفاداریرا بررسی کرد و سپس با Bootstrapping اثر غیرمستقیم را آزمود.داده‌سازی برای مدل تعدیل‌گریفرض کنید می‌خواهیم بررسی کنیم آیا «تجربه مشتری» رابطه بین کیفیت خدمات و وفاداری را تعدیل می‌کند یا خیر.در این حالت صرفاً تولید سه متغیر کافی نیست.داده باید به شکلی شبیه‌سازی شود که شدت رابطه بین متغیر مستقل و وابسته در سطوح مختلف متغیر تعدیل‌گر متفاوت باشد.مثلاً:کیفیت خدمات × تجربه مشتری ← وفاداریاین موضوع باعث می‌شود داده مصنوعی برای تمرین مدل‌های Moderation در SmartPLS نیز کاربرد داشته باشد.داده‌سازی برای سازه‌های مرتبه دوممدل‌های مرتبه دوم کمی پیچیده‌تر هستند.فرض کنید سازه «کیفیت خدمات» از سه بعد تشکیل شده است:قابلیت اطمینانپاسخگوییتضمیندر این حالت نمی‌توان صرفاً چند ستون با نام‌های مختلف تولید کرد و آن‌ها را یک سازه مرتبه دوم نامید.ابتدا باید ساختار ابعاد پایین‌تر مشخص شود و سپس رابطه آن‌ها با سازه سطح بالاتر تعریف شود.برای مثال:کیفیت خدمات↙︎ ↓ ↘︎قابلیت اطمینان | پاسخگویی | تضمینداده مصنوعی می‌تواند برای تمرین روش‌های مختلف مدل‌سازی سازه‌های مرتبه دوم در SmartPLS بسیار مفید باشد.آیا می‌توان داده مصنوعی را مستقیماً وارد SmartPLS کرد؟بله.اگر دیتاست ساختار مناسبی داشته باشد، می‌توان آن را در قالب‌هایی مانند Excel یا CSV آماده کرد و وارد SmartPLS کرد.نکته مهم این است که نام ستون‌ها باید منظم باشد.برای مثال:BR1BR2BR3BR4TR1TR2TR3TR4PI1PI2PI3PI4در این مثال:BR = Brand ImageTR = TrustPI = Purchase Intentionهر ردیف نیز نماینده یک مشاهده یا پاسخ‌دهنده در دیتاست است.بعد از ورود داده به SmartPLS چه کاری انجام دهیم؟اشتباه است که بلافاصله سراغ نتیجه آزمون فرضیه‌ها برویم.تحلیل PLS-SEM را بهتر است مرحله‌به‌مرحله انجام دهیم.مرحله اول: مدل اندازه‌گیریابتدا باید بررسی کنیم گویه‌ها سازه‌های موردنظر را به شکل مناسبی اندازه‌گیری می‌کنند یا خیر.بسته به نوع سازه، شاخص‌های مختلفی بررسی می‌شوند؛ از جمله:Outer LoadingsCronbach's AlphaComposite Reliabilityrho_AAVEHTMTمرحله دوم: مدل ساختاریپس از ارزیابی مدل اندازه‌گیری، می‌توان سراغ روابط بین سازه‌ها رفت.در این مرحله شاخص‌هایی مانند موارد زیر اهمیت پیدا می‌کنند:Path CoefficientsR²f²Q²VIFt-valuep-valueConfidence Intervalsچرا نباید فقط برای رسیدن به نتایج مطلوب داده تولید کنیم؟این مهم‌ترین نکته در داده‌سازی است.فرض کنید پژوهشگر می‌خواهد فرضیه‌اش تأیید شود. اگر داده مصنوعی را طوری بسازد که:همه بارهای عاملی بالا باشند،همه مسیرها معنادار شوند،R² بسیار بالا باشد،HTMT همیشه مطلوب باشد،آن‌گاه دیگر داده‌سازی به یک ابزار آموزشی تبدیل نمی‌شود؛ بلکه صرفاً به ساختن نتیجه دلخواه منجر شده است.در شبیه‌سازی علمی، بهتر است حتی سناریوهای نامطلوب نیز بررسی شوند.مثلاً:یک سازه پایایی ضعیفی داشته باشد.یک مسیر ساختاری معنادار نباشد.همبستگی دو سازه بیش از حد زیاد شود.یک گویه Loading پایینی داشته باشد.R² پایین باشد.این سناریوها اتفاقاً برای یادگیری SmartPLS بسیار مفید هستند؛ چون پژوهشگر یاد می‌گیرد در مواجهه با یک مدل ضعیف چه کاری باید انجام دهد.داده‌سازی خوب چه ویژگی‌هایی دارد؟یک دیتاست مصنوعی مناسب برای آموزش PLS-SEM باید دست‌کم از نظر منطقی با مدل سازگار باشد.برای مثال:از نظر اندازه نمونهتعداد مشاهده‌ها باید مشخص و قابل توجیه باشد.از نظر مقیاسمقادیر باید با مقیاس تعریف‌شده، مثلاً 1 تا 5، سازگار باشند.از نظر سازه‌هاگویه‌های مربوط به یک سازه باید ارتباط معقولی با متغیر نهفته آن داشته باشند.از نظر روابط ساختاریاگر هدف شبیه‌سازی یک مدل دارای اثر مثبت است، باید این رابطه در فرآیند تولید داده لحاظ شود.از نظر خطاداده نباید کاملاً بدون خطا تولید شود؛ زیرا چنین داده‌ای می‌تواند بیش از حد ایده‌آل باشد.از نظر توزیعباید بررسی شود که داده تولیدشده دچار توزیع غیرواقعی یا تمرکز شدید روی یک گزینه نشده باشد.بعد از داده‌سازی، با داده‌های نامناسب چه کنیم؟تولید یا جمع‌آوری داده پایان کار نیست. قبل از ورود به مرحله نهایی تحلیل در SmartPLS، باید داده‌ها از نظر کیفیت، مقادیر گمشده، پاسخ‌های نامعتبر و سایر مشکلات احتمالی بررسی شوند.اگر پس از اجرای مدل در SmartPLS با مشکلاتی مانند پایین بودن بارهای عاملی، AVE، پایایی یا برخی شاخص‌های کیفیت مدل مواجه شدید، قبل از هرگونه تغییر در داده‌ها باید علت مشکل را بررسی کنید. در آموزش عملی اصلاح داده‌های پرسشنامه و بهبود شاخص‌های کیفیت مدل PLS، این فرآیند در Excel و SmartPLS به‌صورت مرحله‌به‌مرحله آموزش داده شده است.یک نکته مهم درباره «واقعی به نظر رسیدن» داده‌هاهدف از داده‌سازی علمی این نیست که داده مصنوعی را طوری تولید کنیم که تشخیص آن از داده واقعی غیرممکن باشد.هدف اصلی، شبیه‌سازی یک سازوکار آماری مشخص است.برای مثال ممکن است بخواهیم بررسی کنیم اگر یک سازه اثر متوسطی بر سازه دیگر داشته باشد، SmartPLS چه نتایجی تولید می‌کند.در این حالت می‌توانیم چندین بار شبیه‌سازی انجام دهیم و ببینیم نتایج چقدر تغییر می‌کنند.این موضوع به حوزه‌ای به نام Monte Carlo Simulation نیز نزدیک می‌شود.یک مرحله بالاتر: تولید چندین دیتاستبه جای اینکه فقط یک دیتاست 200 نفری تولید کنیم، می‌توانیم فرآیند را بارها تکرار کنیم.مثلاً:100 دیتاست با حجم نمونه 100100 دیتاست با حجم نمونه 200100 دیتاست با حجم نمونه 300سپس بررسی کنیم که با افزایش حجم نمونه:خطای برآورد چه تغییری می‌کند؟احتمال شناسایی اثر واقعی چقدر تغییر می‌کند؟ضرایب مسیر چقدر پایدار می‌شوند؟خطای استاندارد چه تغییری دارد؟این دیگر صرفاً «داده‌سازی برای SmartPLS» نیست؛ بلکه می‌تواند به یک مطالعه شبیه‌سازی آماری تبدیل شود.داده‌سازی در چه مواردی مفید است؟داده مصنوعی می‌تواند برای موارد زیر بسیار کاربردی باشد:یادگیری SmartPLSآموزش PLS-SEMتمرین مدل‌سازی معادلات ساختاریتست یک مدل قبل از جمع‌آوری داده واقعیآموزش تحلیل میانجیآموزش تحلیل تعدیل‌گریتمرین مدل‌های مرتبه دومبررسی رفتار شاخص‌های پایایی و رواییآموزش Bootstrappingآزمایش الگوریتم‌های آماریشبیه‌سازی سناریوهای مختلفچه زمانی نباید از داده مصنوعی استفاده کنیم؟اگر هدف شما این است که یک پایان‌نامه یا مقاله تجربی را با داده واقعی انجام دهید، داده مصنوعی جایگزین جمع‌آوری داده واقعی نیست.برای مثال، اگر در روش تحقیق نوشته شده باشد:«داده‌ها از 250 نفر از مشتریان شرکت X جمع‌آوری شد.»باید واقعاً چنین داده‌ای وجود داشته باشد.نمی‌توان ابتدا داده مصنوعی تولید کرد و بعد آن را به‌عنوان پاسخ‌های مشتریان شرکت X گزارش کرد.اما می‌توان همان مدل را قبل از اجرای پژوهش با داده مصنوعی آزمایش کرد تا مشکلات احتمالی مدل، پرسشنامه یا روش تحلیل مشخص شوند.جمع‌بندیداده‌سازی برای SmartPLS را نباید صرفاً به معنای تولید تعدادی عدد بین 1 تا 5 در Excel دانست.یک داده مصنوعی مناسب باید با ساختار مدل اندازه‌گیری، روابط بین سازه‌ها، مقیاس سنجش، میزان خطا و هدف شبیه‌سازی سازگار باشد.اگر فقط اعداد تصادفی تولید کنیم، ممکن است داده‌ای داشته باشیم که ظاهراً شبیه پرسشنامه است، اما رفتار آماری مناسبی برای مدل PLS-SEM نداشته باشد.روش بهتر این است که ابتدا سازه‌های نهفته و روابط آن‌ها را تعریف کنیم، سپس گویه‌ها را بر اساس این ساختار تولید کنیم و در نهایت دیتاست را در SmartPLS تحلیل کنیم.مهم‌تر از همه، باید مرز بین شبیه‌سازی داده برای آموزش و پژوهش روش‌شناختی و ساخت داده برای ارائه به‌عنوان داده واقعی را حفظ کنیم.اگر هدف شما یادگیری SmartPLS است، داده مصنوعی می‌تواند یک محیط امن برای تمرین باشد؛ محیطی که در آن می‌توانید یک مدل را بارها اجرا کنید، خطا ایجاد کنید، نتایج را تغییر دهید و بدون دستکاری داده‌های واقعی، منطق PLS-SEM را بهتر یاد بگیرید.مسیر پیشنهادی برای شروع:طراحی مدل ← تعریف سازه‌ها ← تعیین گویه‌ها ← تولید داده مصنوعی← کنترل کیفیت داده ← ورود به SmartPLS ← ارزیابی مدل اندازه‌گیری ← ارزیابی مدل ساختاری ← تفسیر نتایجاین رویکرد باعث می‌شود SmartPLS را نه به‌عنوان مجموعه‌ای از دکمه‌ها، بلکه به‌عنوان ابزاری برای آزمون یک مدل آماری یاد بگیرید.

روش بیزی BWM؛ رویکردی بیزین برای تصمیم‌گیری چندمعیاره

sanaye20.ir — Thu, 11 Dec 2025 13:58:12 +0330

روش بهترین–بدترین (BWM) یکی از روش‌های قدرتمند در تصمیم‌گیری چندمعیاره است که با گرفتن قضاوت‌های مقایسه‌ای از تصمیم‌گیرنده، وزن معیارهای مختلف را استخراج می‌کند. نسخه کلاسیک این روش زمانی کارآمد است که تنها یک تصمیم‌گیرنده دخیل باشد، اما در بسیاری از مسائل دنیای واقعی، تصمیم‌گیری به‌صورت گروهی انجام می‌شود؛ جایی که افراد مختلف با تجربه‌ها، دانش و اولویت‌های متفاوت، نظرات متنوعی درباره اهمیت معیارها دارند.اینجاست که Bayesian BWM وارد می‌شود؛ نسخه‌ای پیشرفته‌تر که نه‌تنها وزن معیارها را محاسبه می‌کند، بلکه عدم‌قطعیت، اختلاف‌نظر و درجه اعتماد به هر وزن را نیز مدل و تحلیل می‌کند.روش BWM بیزی چیست؟Bayesian BWM در حقیقت توسعه‌ای بیزی از BWM کلاسیک است. در نسخه کلاسیک، وزن معیارها به‌صورت یک مقدار ثابت محاسبه می‌شود؛ اما در رویکرد بیزی، وزن‌ها به شکل توزیعی برآورد می‌شوند.به عبارت دیگر، این روش نمی‌گوید «وزن معیار کیفیت دقیقاً برابر ۰٫۴ است»، بلکه نشان می‌دهد «وزن کیفیت معمولاً حول ۰٫۴ قرار دارد، اما با دامنه‌ای از عدم‌قطعیت». این رویکرد باعث می‌شود نتیجه نهایی واقع‌گرایانه‌تر و تحلیل تصمیم‌گیرندگان دقیق‌تر شود.در این مدل، داده‌های ورودی BWM (مقایسه بهترین به سایر معیارها و سایر معیارها به بدترین) به‌عنوان مشاهداتی با ماهیت احتمالاتی تفسیر می‌شوند. سپس با استفاده از یک مدل سلسله‌مراتبی بیزی، وزن‌های گروهی استخراج می‌شود؛ به‌گونه‌ای که اختلاف‌نظر میان افراد و میزان اعتماد به هر قضاوت به‌صورت کامل در نتایج منعکس گردد.مزایای روش Bayesian BWMاستفاده از نسخه بیزین BWM نسبت به نسخه سنتی آن مزایای متعددی به همراه دارد، از جمله:۱. برآورد وزن‌ها همراه با عدم‌قطعیتبه‌جای یک وزن قطعی، وزن‌ها به‌صورت توزیع احتمالاتی ارائه می‌شوند. این کار باعث می‌شود تحلیل تصمیم‌گیرنده از «یک نقطه ثابت» به «یک بازه قابل‌اتکا» تبدیل شود.۲. مناسب برای تصمیم‌گیری گروهیBayesian BWM به‌طور طبیعی اختلاف‌نظر میان تصمیم‌گیرندگان را در مدل ثبت می‌کند. نتیجه نهایی، بیانگر دیدگاه جمعی و میزان توافق یا اختلاف افراد است.۳. حساسیت کمتر به داده‌های غیرعادیبرخلاف میانگین‌گیری، این روش به داده‌های دورافتاده حساس نیست و اثر هر فرد را به‌صورت اصولی وزن‌دهی می‌کند.۴. امکان محاسبه احتمال برتری معیارهادر خروجی مدل، می‌توان دید که مثلاً معیار کیفیت با چه احتمالی از معیار قیمت مهم‌تر است. این ویژگی برای تحلیل ریسک و تصمیم‌های حساس بسیار ارزشمند است.۵. ارائه رتبه‌بندی اعتقادی (Credal Ranking)در رتبه‌بندی بیزین، علاوه بر این‌که معیارها رتبه‌بندی می‌شوند، درجه اعتماد به این رتبه‌بندی نیز مشخص می‌شود. این یعنی تصمیم‌گیرندگان دقیقاً می‌دانند چقدر می‌توان به هر مقایسه اتکا کرد.کاربردهای روش Bayesian BWMروش Bayesian BWM در بسیاری از حوزه‌ها کاربرد دارد، به‌ویژه در مواردی که تصمیم‌گیری گروهی یا تحلیل عدم‌قطعیت اهمیت بالایی دارد. برخی کاربردهای رایج عبارت‌اند از:۱. انتخاب تأمین‌کنندگان و ارزیابی زنجیره تأمینتصمیم‌گیرندگان با دیدگاه‌های مختلف می‌توانند وزن عوامل مانند قیمت، کیفیت و زمان تحویل را با دقت بالاتر تعیین کنند.۲. مدیریت ریسک در سازمان‌هادر تحلیل ریسک، عدم‌قطعیت بخش مهمی از تصمیم‌گیری است. Bayesian BWM این عدم‌قطعیت را به‌صورت دقیق مدل می‌کند.۳. اولویت‌بندی پروژه‌هاوقتی پروژه‌های مختلف باید بر اساس مجموعه‌ای از معیارها رتبه‌بندی شوند، نسخه بیزی تحلیل دقیق‌تری از اهمیت معیارها ارائه می‌دهد.۴. ارزیابی عملکرد سازمانیمعیارهای عملکرد معمولاً چندبعدی هستند و تصمیم‌گیری در این زمینه گروهی است؛ این روش برای چنین تحلیل‌هایی بسیار مناسب است.۵. برنامه‌ریزی استراتژیکبرای انتخاب استراتژی‌های سازمانی، دانستن احتمال برتری معیارها و میزان اعتماد به آن‌ها ارزش بالایی دارد.مراحل اجرای Bayesian BWMاجرای این روش شامل چند گام کلیدی است که مشابه BWM کلاسیک است، اما تحلیل آن‌ها به‌صورت بیزی انجام می‌شود:۱. تعیین بهترین و بدترین معیارگروه تصمیم‌گیرندگان معیارهایی را که بهترین و بدترین در نظر می‌گیرند مشخص می‌کنند.۲. مقایسه بهترین معیار با سایر معیارهابرای هر معیار، میزان برتری بهترین معیار نسبت به آن مشخص می‌شود.۳. مقایسه سایر معیارها با بدترین معیاردومین بردار ورودی تشکیل می‌شود که نشان می‌دهد هر معیار نسبت به بدترین معیار چقدر برتری دارد.۴. تبدیل ورودی‌ها به چارچوب احتمالاتیورودی‌ها به‌عنوان داده‌هایی با ویژگی احتمالی مدل‌سازی می‌شوند و به مدل بیزی وارد می‌شوند.۵. اجرای مدل سلسله‌مراتبی بیزیاین مدل وزن‌های فردی تصمیم‌گیرندگان و وزن نهایی گروه را استنتاج می‌کند.۶. تحلیل خروجیخروجی شامل وزن میانگین، دامنه عدم‌قطعیت، احتمال برتری معیارها و رتبه‌بندی اعتقادی است.نرم‌افزارهای قابل استفاده برای اجرای Bayesian BWMبرای اجرای این روش، چند ابزار و محیط نرم‌افزاری قابل استفاده است:۱. MATLABنسخه رسمی و معتبر کد Bayesian BWM در محیط MATLAB منتشر شده است. این نسخه از JAGS برای استنباط بیزی استفاده می‌کند و نتایج را به صورت کامل ارائه می‌دهد.۲. Pythonبا استفاده از کتابخانه‌های مدل‌سازی بیزی، می‌توان مدل را در Python نیز اجرا کرد. محیط‌های آنلاین مانند Google Colab امکان اجرای این روش را بدون نصب نرم‌افزار فراهم می‌کنند.۳. JAGSاین ابزار نمونه‌برداری بیزی را انجام می‌دهد و در پس‌زمینه توسط MATLAB یا Python فراخوانی می‌شود. JAGS کاملاً رایگان و منبع‌باز است.۴. R و Stanبرای کاربران علاقه‌مند به مدل‌سازی بیزی پیشرفته، نسخه‌های معادل در R و Stan نیز قابل پیاده‌سازی هستند.جمع‌بندیBayesian BWM نسخه مدرن و پیشرفته روش بهترین–بدترین است که با افزودن چارچوب بیزی، امکان تحلیل واقع‌گرایانه‌تری از وزن معیارها را فراهم می‌کند. این روش به‌ویژه در تصمیم‌گیری‌های گروهی، تحلیل ریسک و مسائل چندمعیاره پیچیده، عملکردی بسیار دقیق‌تر از نسخه کلاسیک دارد.اگر به دنبال تصمیم‌گیری علمی و مبتنی بر داده هستید، Bayesian BWM یکی از بهترین انتخاب‌هاست.

منطق فازی و کاربرد آن در تصمیم گیری چند معیاره

sanaye20.ir — Wed, 23 Jul 2025 13:55:03 +0330

۱. تصمیم‌گیری چند معیاره: راهنمای انتخاب‌های هوشمندانهدر دنیای پیچیده امروز، چه در زندگی شخصی و چه در کسب و کار، اغلب با موقعیت‌هایی روبرو می‌شویم که انتخاب تنها بر اساس یک معیار واحد، دشوار و حتی ناممکن است. تصور کنید قصد خرید یک خودرو را دارید؛ آیا تنها قیمت برایتان مهم است؟ قطعاً خیر. مصرف سوخت، ایمنی، ظاهر، گارانتی و حتی رنگ خودرو نیز می‌توانند معیارهای مهمی باشند. اینجاست که تصمیم‌گیری چند معیاره (Multi-Criteria Decision-Making - MCDM) به کمک ما می‌آید.تصمیم‌گیری چند معیاره، مجموعه‌ای از روش‌ها و رویکردهاست که به ما امکان می‌دهد در شرایطی که چندین گزینه (آلترناتیو) وجود دارد و هر گزینه باید بر اساس چندین شاخص یا معیار (Criteria) ارزیابی شود، بهترین انتخاب را انجام دهیم. هدف اصلی MCDM، یافتن راه‌حلی منطقی و سازمان‌یافته برای مسائل پیچیده‌ای است که در آن‌ها معیارهای متناقض و گاه ناسازگار با یکدیگر وجود دارند. به عبارت دیگر، این رویکرد به شما کمک می‌کند تا "بهترین" گزینه را از میان مجموعه‌ای از گزینه‌ها، با در نظر گرفتن تمام جوانب مرتبط، پیدا کنید.فرض کنید یک شرکت می‌خواهد بهترین مکان را برای احداث کارخانه جدید انتخاب کند. معیارهایی مانند نزدیکی به مواد اولیه، دسترسی به نیروی کار ماهر، هزینه‌های زمین، زیرساخت‌ها، قوانین زیست‌محیطی و حتی سیاست‌های حمایتی دولت، همگی باید مدنظر قرار گیرند. هر یک از این معیارها وزن و اهمیت خاص خود را دارند و ممکن است با یکدیگر در تضاد باشند (مثلاً نزدیکی به مواد اولیه ممکن است با هزینه‌های بالاتر زمین همراه باشد). MCDM چارچوبی را فراهم می‌کند تا این تضادها مدیریت شده و تصمیمی آگاهانه گرفته شود.این رویکرد نه تنها به شناسایی بهترین گزینه کمک می‌کند، بلکه به درک عمیق‌تری از مسئله، شناسایی نقاط قوت و ضعف هر گزینه و ارزیابی تأثیر هر معیار بر تصمیم نهایی منجر می‌شود. در واقع، MCDM تنها یک ابزار انتخاب نیست، بلکه یک فرآیند تحلیلی است که شفافیت را در تصمیم‌گیری افزایش می‌دهد. این روش‌ها می‌توانند در طیف وسیعی از کاربردها، از انتخاب تأمین‌کننده در صنعت تا انتخاب پروژه تحقیقاتی در دانشگاه و حتی انتخاب مقصد تعطیلات در زندگی روزمره، به کار گرفته شوند. کلید موفقیت در استفاده از MCDM، شناسایی دقیق معیارها، وزن‌دهی صحیح آن‌ها و انتخاب روش مناسب برای تجزیه و تحلیل اطلاعات است.۲. مزایای استفاده از تصمیم‌گیری چند معیاره: چرا باید از آن استفاده کنیم؟استفاده از روش‌های تصمیم‌گیری چند معیاره (MCDM)، مزایای قابل توجهی را به همراه دارد که آن را به ابزاری قدرتمند برای حل مسائل پیچیده تبدیل می‌کند. این مزایا نه تنها به بهبود کیفیت تصمیمات کمک می‌کنند، بلکه شفافیت و اعتماد به نفس را در فرآیند انتخاب افزایش می‌دهند. در ادامه به برخی از مهم‌ترین فواید استفاده از MCDM می‌پردازیم:افزایش وضوح و شفافیت در فرآیند تصمیم‌گیری: یکی از بزرگترین مزایای MCDM، آوردن نظم و منطق به فرآیند انتخاب است. به جای تصمیم‌گیری بر اساس شهود محض یا تنها یک عامل، MCDM به شما کمک می‌کند تا تمام معیارها و گزینه‌ها را به صورت سیستماتیک شناسایی و ارزیابی کنید. این شفافیت، نه تنها برای خود تصمیم‌گیرنده مفید است، بلکه امکان توضیح و توجیه تصمیمات را برای دیگران نیز فراهم می‌آورد. این امر به خصوص در سازمان‌ها که نیاز به پاسخگویی وجود دارد، بسیار حیاتی است.مدیریت همزمان چندین معیار متناقض: در بسیاری از مواقع، معیارهای مختلف در یک مسئله تصمیم‌گیری با یکدیگر در تضاد هستند. مثلاً، یک محصول ممکن است کیفیت بالا و قیمت زیادی داشته باشد، در حالی که محصول دیگر قیمت پایین و کیفیت متوسطی داشته باشد. MCDM ابزارهایی را فراهم می‌کند تا این تضادها را به طور مؤثر مدیریت کرده و تعادلی منطقی بین آن‌ها برقرار کند. این به شما اجازه می‌دهد تا بهترین توازن را بر اساس اهداف خود پیدا کنید، نه اینکه صرفاً بر یک جنبه تمرکز کنید.پوشش جامع ابعاد مختلف مسئله: با استفاده از MCDM، شما مجبور می‌شوید تمام جنبه‌های مرتبط با یک تصمیم را در نظر بگیرید. این رویکرد به شما کمک می‌کند تا از دیدگاه‌های مختلف به مسئله نگاه کنید و از نادیده گرفتن عوامل مهمی که می‌توانند بر نتیجه نهایی تأثیر بگذارند، جلوگیری کنید. این جامعیت، ریسک تصمیمات اشتباه را به شدت کاهش می‌دهد.کاهش سوگیری و افزایش عینیت: تصمیمات انسانی اغلب تحت تأثیر سوگیری‌ها، احساسات و تجربیات شخصی قرار می‌گیرند. MCDM با فراهم آوردن یک چارچوب ساختاریافته برای ارزیابی، به کاهش این سوگیری‌ها کمک کرده و عینیت را در فرآیند تصمیم‌گیری افزایش می‌دهد. این به معنای اتخاذ تصمیماتی است که بیشتر بر پایه داده‌ها و منطق استوارند تا ترجیحات فردی.انعطاف‌پذیری در وزن‌دهی معیارها: در MCDM، می‌توانید اهمیت نسبی هر معیار را تعیین کنید. این انعطاف‌پذیری به شما اجازه می‌دهد تا مدل تصمیم‌گیری را با اولویت‌ها و اهداف خاص خود یا سازمانتان هماهنگ کنید. با تغییر وزن معیارها، می‌توانید تأثیر آن‌ها را بر نتیجه نهایی مشاهده کرده و به درک عمیق‌تری از حساسیت تصمیم برسید.امکان تحلیل حساسیت و سناریوسازی: بسیاری از روش‌های MCDM قابلیت تحلیل حساسیت را دارند. این یعنی می‌توانید تغییرات کوچک در وزن معیارها یا مقادیر گزینه‌ها را بررسی کنید و ببینید که چگونه این تغییرات بر رتبه‌بندی نهایی تأثیر می‌گذارند. این قابلیت به شما کمک می‌کند تا سناریوهای مختلف را شبیه‌سازی کرده و تصمیمات خود را در برابر عدم قطعیت‌ها مقاوم‌تر کنید.پشتیبانی از تصمیمات گروهی: MCDM ابزاری عالی برای تسهیل تصمیم‌گیری در گروه‌ها و تیم‌هاست. با فراهم آوردن یک ساختار مشترک برای ارزیابی، اعضای گروه می‌توانند نظرات خود را مطرح کنند، درباره معیارها و وزن‌ها بحث کنند و در نهایت به اجماع بهتری دست یابند. این رویکرد دموکراتیک‌تر، پذیرش تصمیمات را در سازمان افزایش می‌دهد.در مجموع، MCDM فراتر از یک ابزار محاسباتی است؛ این یک فلسفه برای تفکر منظم و حل مسئله است که به افراد و سازمان‌ها قدرت می‌دهد تا با اطمینان بیشتری در مسیر پیچیدگی‌های جهان امروز گام بردارند و انتخاب‌های هوشمندانه‌تری انجام دهند.۳. تئوری فازی چیست؟ مقابله با عدم قطعیت با منطق نرمدر دنیای واقعی، بسیاری از مفاهیم و اطلاعاتی که با آن‌ها سر و کار داریم، کاملاً دقیق و روشن نیستند. به جای "صفر و یک" یا "بله و خیر" مطلق، با طیفی از "تا حدودی" یا "تقریباً" مواجهیم. مثلاً، وقتی می‌گوییم "هوا گرم است"، دقیقاً چه درجه حرارتی را مد نظر داریم؟ 25 درجه؟ 30 درجه؟ یا حتی 28.5 درجه؟ یا وقتی از "یک مشتری وفادار" صحبت می‌کنیم، چه معیارهایی او را از یک مشتری "تقریباً وفادار" متمایز می‌کند؟ اینجا تئوری فازی (Fuzzy Logic) وارد عمل می‌شود.تئوری فازی که توسط پروفسور لطفی زاده در دهه ۱۹۶۰ معرفی شد، به طور خاص برای مدل‌سازی و مدیریت عدم قطعیت و ابهام در داده‌ها و اطلاعات طراحی شده است. برخلاف منطق کلاسیک که تنها دو ارزش "درست" (۱) یا "غلط" (۰) را می‌پذیرد، منطق فازی به مفاهیم اجازه می‌دهد که درجه‌ای از عضویت در یک مجموعه را داشته باشند. به عبارت دیگر، یک شیء می‌تواند به طور جزئی به یک مجموعه تعلق داشته باشد.برای مثال، در منطق کلاسیک، یک فرد یا "بلند" است یا "کوتاه". اما در منطق فازی، یک فرد می‌تواند "تا حدودی بلند" یا "تا حدودی کوتاه" باشد. این درجه عضویت معمولاً با عددی بین ۰ و ۱ نشان داده می‌شود؛ جایی که ۰ به معنای عدم عضویت کامل و ۱ به معنای عضویت کامل است. عدد ۰.۷۵ به معنای عضویت قوی اما نه کامل است. این انعطاف‌پذیری، منطق فازی را به ابزاری قدرتمند برای کار با زبان انسانی و مفاهیم کیفی تبدیل می‌کند که ذاتاً مبهم هستند.تئوری فازی به سیستم‌ها اجازه می‌دهد تا مانند انسان‌ها "فکر" کنند یا تصمیم بگیرند، یعنی با اطلاعات مبهم و تقریبی کار کنند. این ویژگی باعث شده است که منطق فازی در طیف وسیعی از کاربردها، از کنترل لوازم خانگی (مثل ماشین لباسشویی و تهویه مطبوع) و کنترل فرآیندهای صنعتی تا سیستم‌های تشخیص الگو، هوش مصنوعی و به خصوص تصمیم‌گیری، مورد استفاده قرار گیرد.اهمیت تئوری فازی در چیست؟در بسیاری از مسائل دنیای واقعی، اطلاعاتی که در اختیار داریم، دقیق و عددی نیستند. نظر یک خبره، ارزیابی کیفی یک وضعیت یا حتی معیارهایی که نمی‌توان آن‌ها را به راحتی با اعداد ثابت بیان کرد، همگی حاوی ابهام هستند. منطق فازی این امکان را فراهم می‌کند که این نوع اطلاعات را به صورت ساختاریافته در مدل‌های ریاضی وارد کنیم و از آن‌ها برای نتیجه‌گیری و تصمیم‌گیری استفاده کنیم. این به ما کمک می‌کند تا سیستم‌هایی بسازیم که می‌توانند با عدم قطعیت‌هایی که در محیط‌های واقعی وجود دارند، به خوبی کنار بیایند و عملکردی هوشمندانه و منعطف داشته باشند. به طور خلاصه، تئوری فازی پلی است بین زبان مبهم انسانی و دقت مورد نیاز برای محاسبات و سیستم‌های هوشمند.۴. کاربرد فازی در تصمیم‌گیری چند معیاره: هوشمندی در انتخاب‌های مبهمتصمیم‌گیری‌های دنیای واقعی به ندرت در محیطی کاملاً مشخص و عاری از ابهام اتفاق می‌افتند. اغلب، معیارهای ارزیابی کاملاً عددی نیستند، نظرات خبرگان با قطعیت کامل بیان نمی‌شوند، و اطلاعات موجود ناقص یا مبهم هستند. اینجا کاربرد تئوری فازی در تصمیم‌گیری چند معیاره (Fuzzy MCDM) اهمیت ویژه‌ای پیدا می‌کند.همانطور که قبلاً اشاره شد، تصمیم‌گیری چند معیاره (MCDM) به ما کمک می‌کند تا بهترین گزینه را از میان چندین گزینه و بر اساس معیارهای مختلف انتخاب کنیم. اما چه اتفاقی می‌افتد وقتی این معیارها یا ارزیابی‌های ما کاملاً دقیق و واضح نیستند؟ مثلاً، به جای اینکه بگوییم "هزینه این پروژه ۱۰۰ میلیون است"، ممکن است بگوییم "هزینه آن تقریباً ۱۰۰ میلیون است" یا "هزینه آن متوسط خواهد بود". اینجا منطق فازی وارد عمل می‌شود.چرا فازی کردن MCDM؟پاسخ ساده است: برای مدیریت عدم قطعیت و ابهام. روش‌های سنتی MCDM معمولاً به داده‌های دقیق و عددی نیاز دارند. اما در بسیاری از موقعیت‌ها، به‌ویژه در ارزیابی‌های کیفی (مانند کیفیت، زیبایی، رضایت مشتری، ریسک یا تأثیر اجتماعی)، خبرگان نمی‌توانند نظر خود را با یک عدد دقیق بیان کنند. آن‌ها ترجیح می‌دهند از اصطلاحات کلامی مانند "خیلی خوب"، "متوسط"، "کم" یا "زیاد" استفاده کنند.تئوری فازی این امکان را فراهم می‌کند که این اصطلاحات کلامی و ارزیابی‌های مبهم به صورت ریاضی مدل‌سازی شوند. به این صورت که هر اصطلاح کلامی (مثلاً "خیلی خوب") با یک عدد فازی (معمولاً یک مثلث یا ذوزنقه فازی) نمایش داده می‌شود. این عدد فازی، طیفی از مقادیر را با درجه‌های مختلف عضویت در بر می‌گیرد، که منعکس‌کننده عدم قطعیت ذاتی در آن مفهوم است.نحوه کاربرد فازی در MCDM:در روش‌های MCDM فازی، مراحل اصلی همانند روش‌های سنتی است، با این تفاوت که:۱. ورودی‌ها فازی می‌شوند: به جای اعداد دقیق، ارزیابی‌ها توسط خبرگان به صورت متغیرهای کلامی جمع‌آوری می‌شوند (مثلاً "اهمیت معیار A بسیار بالاست"). سپس این متغیرهای کلامی به اعداد فازی معادل خود تبدیل می‌شوند.۲. محاسبات فازی انجام می‌شود: تمام محاسبات و عملیات ریاضی (مانند جمع، ضرب، مقایسه) با استفاده از عملگرهای فازی انجام می‌گیرند. این عملگرها به گونه‌ای طراحی شده‌اند که عدم قطعیت را در طول محاسبات حفظ کنند.۳. خروجی فازی است: نتایج میانی و نهایی (مانند وزن معیارها یا رتبه گزینه‌ها) نیز به صورت اعداد فازی خواهند بود.۴. فازی‌زدایی (Defuzzification): در نهایت، برای به دست آوردن یک رتبه‌بندی نهایی و واضح از گزینه‌ها، اعداد فازی نهایی به اعداد قطعی تبدیل می‌شوند. این مرحله، نتایج فازی را قابل تفسیر و قابل استفاده برای تصمیم‌گیرنده می‌کند.مزایای اصلی MCDM فازی:مدیریت ابهام: توانایی مدل‌سازی و کار با اطلاعات غیردقیق و مبهم.بازتاب واقعیت: مدل‌سازی واقع‌بینانه‌تر مسائل دنیای واقعی که اغلب حاوی ابهام هستند.افزایش دقت مدل‌سازی: با لحاظ کردن طیف وسیعی از ارزیابی‌ها، مدل‌ها می‌توانند نتایج دقیق‌تری ارائه دهند.پذیرش نظرات خبرگان: امکان وارد کردن دانش و قضاوت‌های کیفی خبرگان به طور مؤثر در مدل.به طور خلاصه، ترکیب تئوری فازی با تصمیم‌گیری چند معیاره، ابزاری قدرتمند را برای مواجهه با پیچیدگی‌ها و عدم قطعیت‌های موجود در فرآیندهای تصمیم‌گیری فراهم می‌کند. این رویکرد به ما کمک می‌کند تا با هوشمندی بیشتری از میان گزینه‌ها انتخاب کنیم، حتی زمانی که همه چیز کاملاً واضح و روشن نیست.۵. محیط‌های فازی تعمیم‌یافته: فراتر از ابهام سادههمانطور که در بخش‌های قبلی اشاره شد، تئوری فازی ابزاری قدرتمند برای مدل‌سازی ابهام است. در تئوری فازی کلاسیک (یا نوع ۱)، هر عنصر با یک درجه عضویت مشخص می‌شود که عددی بین ۰ تا ۱ است و نشان می‌دهد یک عنصر چقدر به یک مجموعه تعلق دارد. اما در بسیاری از مواقع، ابهام فراتر از یک عدد ساده است. گاهی اوقات خودِ درجه عضویت نیز مبهم است، یا عدم قطعیت‌های دیگری نیز وجود دارند که باید در نظر گرفته شوند.اینجاست که محیط‌های فازی تعمیم‌یافته (Generalized Fuzzy Environments) مطرح می‌شوند. این محیط‌ها، چارچوب‌های پیشرفته‌تری را برای مدیریت انواع پیچیده‌تر ابهام و عدم قطعیت ارائه می‌دهند. آن‌ها به ما اجازه می‌دهند تا نه تنها "درجه عضویت" یک عنصر را مدل کنیم، بلکه مفاهیمی مانند "درجه عدم عضویت"، "درجه تردید" یا حتی "فاصله تا ایده‌آل" را نیز در نظر بگیریم. این تعمیم‌ها، قدرت مدل‌سازی را به طرز چشمگیری افزایش می‌دهند و سیستم‌های تصمیم‌گیری را قادر می‌سازند تا با اطلاعات پیچیده‌تر و نزدیک‌تر به واقعیت انسانی کار کنند.از جمله مهم‌ترین و پرکاربردترین این محیط‌های تعمیم‌یافته می‌توان به موارد زیر اشاره کرد:فازی شهودی (Intuitionistic Fuzzy Sets - IFS): این محیط، ابهام را با در نظر گرفتن "درجه عدم عضویت" و "درجه تردید" (یا عدم قطعیت) در کنار درجه عضویت مدل می‌کند.فازی فیثاغورثی (Pythagorean Fuzzy Sets - PFS): PFS یک تعمیم از IFS است که محدودیت‌های سخت‌گیرانه‌تری بر روابط بین درجات عضویت و عدم عضویت ندارد و انعطاف‌پذیری بیشتری را در مدل‌سازی ابهام فراهم می‌آورد.فازی کروی (Spherical Fuzzy Sets - SFS): SFS ابعاد جدیدی را به مدل‌سازی ابهام اضافه می‌کند و با استفاده از سه پارامتر (درجه عضویت، عدم عضویت و تردید) که مجموع مربعاتشان کوچکتر یا مساوی یک است، توانایی بیشتری در مدل‌سازی اطلاعات نامشخص دارد.فازی فرماتین (Fermatean Fuzzy Sets - FFS): این جدیدترین و تعمیم‌یافته‌ترین نوع مجموعه فازی است که محدودیت‌های PFS را نیز از میان برمی‌دارد و مجموع مکعبات درجات عضویت و عدم عضویت را کوچکتر یا مساوی یک در نظر می‌گیرد، که انعطاف‌پذیری بالایی در ابراز نظرات خبرگان فراهم می‌کند.هر یک از این محیط‌ها، با افزودن ابعاد جدید به مدل‌سازی ابهام، قدرت بیان و تحلیل سیستم‌های تصمیم‌گیری را افزایش می‌دهند. انتخاب محیط مناسب بستگی به ماهیت عدم قطعیت در مسئله، داده‌های موجود و نیاز به دقت در مدل‌سازی دارد. این تعمیم‌ها نشان می‌دهند که چگونه تئوری فازی به طور مداوم در حال تکامل است تا بتواند به بهترین شکل با پیچیدگی‌های جهان واقعی سازگار شود.۵-۱. محیط فازی شهودی: نگاهی عمیق‌تر به ابهامهمانطور که در بخش تئوری فازی اشاره شد، یک مفهوم یا شیء می‌تواند با درجه‌ای از عضویت به یک مجموعه تعلق داشته باشد. اما زندگی و تصمیم‌گیری‌های ما همیشه به این سادگی نیست. گاهی اوقات، علاوه بر اینکه مطمئن نیستیم یک شیء چقدر به یک مفهوم تعلق دارد، مطمئن نیستیم که چقدر به آن تعلق ندارد! این تردید یا عدم قطعیت ذاتی در ارزیابی، توسط محیط فازی شهودی (Intuitionistic Fuzzy Sets - IFS) به خوبی مدل می‌شود.مجموعه فازی شهودی که توسط عطا کراسمیر آتاناسف در سال ۱۹۸۶ معرفی شد، یک گام فراتر از مجموعه‌های فازی کلاسیک می‌رود. در حالی که یک مجموعه فازی تنها با یک درجه عضویت (مثلاً μ) برای هر عنصر سروکار دارد، یک مجموعه فازی شهودی هر عنصر را با سه مقدار توصیف می‌کند:۱. درجه عضویت (Membership Degree): μ نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق دارد. این مقدار عددی بین ۰ تا ۱ است.۲. درجه عدم عضویت (Non-Membership Degree): ν نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق ندارد. این مقدار نیز عددی بین ۰ تا ۱ است.۳. درجه تردید یا عدم قطعیت (Hesitation Degree / Indeterminacy Degree): π نشان می‌دهد که چقدر در مورد عضویت یا عدم عضویت عنصر در مجموعه، ابهام یا تردید وجود دارد. این مقدار نیز عددی بین ۰ تا ۱ است.رابطه مهمی که بین این سه پارامتر وجود دارد این است که مجموع درجه عضویت، درجه عدم عضویت و درجه تردید برای هر عنصر، همیشه برابر با ۱ است: μ+ν+π=1. این یعنی اگر بدانیم یک عنصر چقدر عضویت دارد و چقدر عدم عضویت، مابقی آن به عنوان تردید یا عدم قطعیت در نظر گرفته می‌شود.چرا محیط فازی شهودی اهمیت دارد؟در بسیاری از سناریوهای تصمیم‌گیری، به ویژه در ارزیابی‌های انسانی، بیان قاطع "مثبت" یا "منفی" دشوار است. مثلاً، وقتی از یک خبره می‌پرسیم "آیا پروژه A از نظر زیست‌محیطی خوب است؟"، او ممکن است بگوید "تا حدودی خوب است (مثلاً ۰.۷)" اما نتواند قاطعانه بگوید که "اصلاً خوب نیست". در اینجا، یک درجه عدم عضویت (مثلاً ۰.۱) و یک درجه تردید (مثلاً ۰.۲) نیز وجود دارد که نشان می‌دهد بخش‌هایی از ارزیابی او نامشخص است یا نیاز به اطلاعات بیشتری دارد.محیط فازی شهودی با مدل‌سازی این سه جنبه (مثبت، منفی و تردید)، یک تصویر کامل‌تر و واقع‌بینانه‌تر از ابهام را ارائه می‌دهد. این باعث می‌شود که سیستم‌های تصمیم‌گیری مبتنی بر فازی شهودی، در مواجهه با اطلاعات ناقص یا نظرات خبرگانی که خودشان نیز در مورد موضوعی تردید دارند، عملکرد بهتری داشته باشند. این رویکرد به ویژه در مسائلی که نیاز به درک عمیق‌تری از تمایلات و عدم قطعیت‌های انسانی داریم، بسیار مفید است.۵-۱-۱. انواع روش‌های تصمیم‌گیری چند معیاره در محیط فازی شهودیهنگامی که با ابهامات پیچیده‌تر از آنچه تئوری فازی کلاسیک می‌تواند مدل کند، روبرو می‌شویم (یعنی وقتی علاوه بر درجه عضویت، درجه عدم عضویت و تردید نیز وجود دارد)، استفاده از روش‌های تصمیم‌گیری چند معیاره (MCDM) در محیط فازی شهودی (Intuitionistic Fuzzy - IF) به یک ضرورت تبدیل می‌شود. این روش‌ها، ابزارهایی را برای مدیریت این اطلاعات نامطمئن و رسیدن به تصمیمات بهینه فراهم می‌کنند.هدف اصلی در این روش‌ها، این است که اطلاعات فازی شهودی را از خبرگان جمع‌آوری کرده، آن‌ها را به صورت ریاضی پردازش کنیم و در نهایت، یک رتبه‌بندی منطقی از گزینه‌های موجود ارائه دهیم. تفاوت اصلی با روش‌های MCDM کلاسیک یا حتی فازی نوع ۱، در نحوه مدیریت جفت‌های فازی شهودی (درجه عضویت، درجه عدم عضویت) و در نظر گرفتن ابهام یا تردید است.در ادامه به برخی از پرکاربردترین روش‌های MCDM که به محیط فازی شهودی تعمیم یافته‌اند، می‌پردازیم:۵-۱-۲. تاپسیس فازی شهودی (Intuitionistic Fuzzy TOPSIS)تاپسیس (TOPSIS - Technique for Order Preference by Similarity to Ideal Solution) یکی از محبوب‌ترین و پرکاربردترین روش‌های MCDM است. ایده اصلی تاپسیس، بر این پایه استوار است که بهترین گزینه، نزدیک‌ترین گزینه به راه‌حل ایده‌آل مثبت (Positive Ideal Solution - PIS) و دورترین گزینه از راه‌حل ایده‌آل منفی (Negative Ideal Solution - NIS) است.هنگامی که این روش به محیط فازی شهودی تعمیم می‌یابد، ارزیابی‌های مربوط به گزینه‌ها و معیارها، به جای اعداد قطعی، به صورت اعداد فازی شهودی بیان می‌شوند. این به معنای آن است که هر ارزیابی شامل یک درجه عضویت، یک درجه عدم عضویت و یک درجه تردید است.نحوه عملکرد کلی (بدون فرمول):در تاپسیس فازی شهودی، ابتدا یک ماتریس تصمیم فازی شهودی ایجاد می‌شود که ارزیابی هر گزینه نسبت به هر معیار را به صورت جفت‌های فازی شهودی نشان می‌دهد. سپس:استانداردسازی: این ماتریس استانداردسازی می‌شود تا ارزیابی‌ها در مقیاس‌های مختلف قابل مقایسه شوند.تعیین اوزان فازی شهودی: اوزان معیارها نیز می‌توانند به صورت فازی شهودی توسط خبرگان تعیین شوند.محاسبه راه‌حل ایده‌آل مثبت و منفی فازی شهودی: این راه‌حل‌ها بر اساس بهترین و بدترین عملکرد ممکن در هر معیار (با در نظر گرفتن ماهیت فازی شهودی) تعریف می‌شوند.محاسبه فواصل: فاصله هر گزینه از راه‌حل ایده‌آل مثبت و راه‌حل ایده‌آل منفی (با استفاده از توابع فاصله مناسب برای اعداد فازی شهودی) محاسبه می‌شود.محاسبه نزدیکی نسبی و رتبه‌بندی: بر اساس این فواصل، یک شاخص نزدیکی نسبی برای هر گزینه محاسبه می‌شود. گزینه‌ای که این شاخص بالاترین مقدار را دارد، به عنوان بهترین گزینه انتخاب می‌شود.مزایا: تاپسیس فازی شهودی قابلیت مدیریت ابهامات عمیق‌تر را دارد و نتایجی را ارائه می‌دهد که هم جنبه‌های مثبت و هم جنبه‌های منفی هر گزینه را در نظر می‌گیرند. این روش برای مسائلی که ارزیابی‌ها کیفی و نامطمئن هستند، بسیار مناسب است.۵-۱-۳. روش AHP فازی شهودی (Intuitionistic Fuzzy AHP)فرآیند تحلیل سلسله مراتبی (AHP - Analytic Hierarchy Process)، یکی دیگر از روش‌های پرطرفدار MCDM است که توسط توماس ساعتی توسعه یافته است. AHP بر پایه مقایسات زوجی بنا شده و به تصمیم‌گیرنده کمک می‌کند تا سلسله مراتبی از اهداف، معیارها و گزینه‌ها را بسازد و سپس با انجام مقایسات زوجی بین عناصر در هر سطح، وزن و اهمیت نسبی آن‌ها را تعیین کند.هنگامی که AHP به محیط فازی شهودی تعمیم می‌یابد، قضاوت‌های خبرگان در مقایسات زوجی به جای اعداد دقیق، به صورت اعداد فازی شهودی بیان می‌شوند. این به خبرگان اجازه می‌دهد که نظر خود را با درجه‌ای از عدم قطعیت بیان کنند. به عنوان مثال، به جای اینکه بگویید "معیار A دقیقاً دو برابر مهم‌تر از معیار B است"، می‌توانید بگویید "معیار A 'تا حدودی مهم‌تر' از معیار B است".نحوه عملکرد کلی (بدون فرمول):ساختار سلسله مراتبی فازی شهودی: اهداف، معیارها و گزینه‌ها در یک ساختار سلسله مراتبی سازماندهی می‌شوند.مقایسات زوجی فازی شهودی: خبرگان مقایسات زوجی بین معیارها و سپس بین گزینه‌ها نسبت به هر معیار را انجام می‌دهند، اما این بار با استفاده از عبارات کلامی فازی شهودی.تشکیل ماتریس‌های مقایسه زوجی فازی شهودی: این قضاوت‌ها به ماتریس‌های فازی شهودی تبدیل می‌شوند.محاسبه اوزان فازی شهودی: اوزان نسبی معیارها و گزینه‌ها با استفاده از تکنیک‌های خاص برای استخراج اوزان از ماتریس‌های فازی شهودی محاسبه می‌شوند. این اوزان خود نیز به صورت اعداد فازی شهودی خواهند بود.ترکیب اوزان و رتبه‌بندی نهایی: اوزان فازی شهودی معیارها و گزینه‌ها ترکیب شده و در نهایت، یک رتبه‌بندی فازی شهودی از گزینه‌ها به دست می‌آید که سپس می‌توان با استفاده از روش‌های فازی‌زدایی، به یک رتبه‌بندی قطعی تبدیل شود.مزایا: AHP فازی شهودی انعطاف‌پذیری بیشتری در بیان قضاوت‌های انسانی فراهم می‌کند و می‌تواند عدم قطعیت ذاتی در تفکر خبرگان را به خوبی مدل کند. این روش به ویژه برای مسائلی که نیاز به وزن‌دهی دقیق معیارها و ارزیابی ذهنی هستند، مناسب است.۵-۱-۴. دیمتل فازی شهودی (Intuitionistic Fuzzy DEMATEL)دیمتل (DEMATEL - Decision-Making Trial and Evaluation Laboratory) یک روش MCDM است که برای شناسایی و تحلیل روابط علت و معلولی بین عناصر یک سیستم به کار می‌رود. این روش به خصوص زمانی مفید است که بخواهیم تأثیرگذاری و تأثیرپذیری متغیرها را در یک مسئله پیچیده درک کنیم.هنگامی که دیمتل به محیط فازی شهودی تعمیم می‌یابد، ارزیابی‌های مربوط به روابط علت و معلولی بین معیارها، به جای اعداد قطعی، به صورت اعداد فازی شهودی بیان می‌شوند. این به خبرگان اجازه می‌دهد که قدرت و جهت رابطه را با در نظر گرفتن ابهام یا تردید خود بیان کنند.نحوه عملکرد کلی (بدون فرمول):جمع‌آوری نظرات فازی شهودی: خبرگان میزان تأثیرگذاری مستقیم هر معیار بر معیار دیگر را با استفاده از متغیرهای کلامی فازی شهودی (مانند "تأثیر کم"، "تأثیر زیاد" و...) بیان می‌کنند.تشکیل ماتریس روابط مستقیم فازی شهودی: این نظرات به یک ماتریس فازی شهودی تبدیل می‌شوند.محاسبه ماتریس روابط کامل فازی شهودی: با استفاده از محاسبات ماتریسی فازی شهودی، تأثیرات مستقیم و غیرمستقیم بین معیارها محاسبه می‌شود.تعیین تأثیرگذاری و تأثیرپذیری فازی شهودی: برای هر معیار، میزان تأثیرگذاری (میزان تأثیری که بر دیگر معیارها دارد) و میزان تأثیرپذیری (میزان تأثیری که از دیگر معیارها می‌پذیرد) محاسبه می‌شود.ترسیم نگاشت روابط: با استفاده از نتایج، یک نگاشت بصری از روابط علت و معلولی بین معیارها ایجاد می‌شود که به درک ساختار مسئله کمک می‌کند.مزایا: دیمتل فازی شهودی می‌تواند روابط پیچیده و مبهم را بین عناصر یک سیستم به خوبی مدل کند و به تصمیم‌گیرندگان کمک کند تا معیارهای کلیدی و تأثیرگذار را شناسایی کنند، حتی زمانی که اطلاعات کاملاً دقیق نیستند. این روش برای تجزیه و تحلیل ساختار مسائل پیچیده و شناسایی عوامل ریشه‌ای بسیار مفید است.۵-۱-۵. سایر روش‌های دیگر تصمیم‌گیری در محیط فازی شهودیعلاوه بر روش‌های پرکاربردی مانند تاپسیس، AHP و دیمتل که قابلیت تعمیم به محیط فازی شهودی را دارند، بسیاری از روش‌های دیگر تصمیم‌گیری چند معیاره (MCDM) نیز برای کار با مجموعه‌های فازی شهودی (Intuitionistic Fuzzy Sets - IFS) توسعه یافته‌اند. این تنوع نشان‌دهنده انعطاف‌پذیری و قدرت مدل‌سازی IFS در مواجهه با عدم قطعیت‌های پیچیده است. هر یک از این روش‌ها ویژگی‌ها و مزایای خاص خود را دارند که آن‌ها را برای سناریوهای مختلف تصمیم‌گیری مناسب می‌سازد.برخی از این روش‌ها عبارتند از:روش VIKOR فازی شهودی (Intuitionistic Fuzzy VIKOR):VIKOR (VIseKriterijumska Optimizacija I Kompromisno Resenje) یک روش تصمیم‌گیری بر پایه مصالحه است که هدف آن انتخاب گزینه‌ای است که نزدیک‌ترین به راه‌حل ایده‌آل و دورترین از راه‌حل ضدایده‌آل باشد، با تأکید بر حداقل کردن حداکثر پشیمانی فردی. در نسخه فازی شهودی آن، ارزیابی‌ها و وزن‌ها به صورت اعداد فازی شهودی بیان می‌شوند. این روش به ویژه برای مسائلی مناسب است که نیاز به یافتن راه‌حل‌های مصالحه‌ای در شرایطی با اطلاعات مبهم وجود دارد.روش WASPAS فازی شهودی (Intuitionistic Fuzzy WASPAS):WASPAS (Weighted Aggregated Sum Product ASsessment) یک روش ترکیبی است که از دو رویکرد مجموع وزنی و ضرب وزنی برای ارزیابی گزینه‌ها استفاده می‌کند. این روش سعی می‌کند مزایای هر دو رویکرد را با هم ترکیب کند تا نتایج قابل اعتماد و پایداری ارائه دهد. هنگامی که WASPAS به محیط فازی شهودی تعمیم می‌یابد، می‌تواند عدم قطعیت‌های موجود در ارزیابی‌ها را به خوبی مدیریت کند و رتبه‌بندی دقیق‌تری از گزینه‌ها در شرایط مبهم ارائه دهد.روش COPRAS فازی شهودی (Intuitionistic Fuzzy COPRAS):COPRAS (Complex Proportional Assessment) یک روش MCDM است که گزینه‌ها را بر اساس اهمیت نسبی مجموع معیارهای سودمند و غیرسودمند ارزیابی می‌کند. این روش به ویژه برای ارزیابی عملکرد گزینه‌ها در سناریوهای مختلف مفید است. در نسخه فازی شهودی، COPRAS با استفاده از اعداد فازی شهودی برای ارزیابی‌ها، می‌تواند با اطلاعات ناقص و مبهم کنار بیاید و نتایج قابل اعتمادی ارائه دهد.روش MABAC فازی شهودی (Intuitionistic Fuzzy MABAC):MABAC (Multi-Attributive Border Approximation area Comparison) یک روش نسبتاً جدید در MCDM است که بر اساس مفهوم "ناحیه مرزی تقریبی" برای هر معیار عمل می‌کند. این ناحیه مرزی به عنوان یک مرجع برای ارزیابی عملکرد گزینه‌ها در نظر گرفته می‌شود. تعمیم MABAC به محیط فازی شهودی، توانایی آن را در مدیریت ابهام و عدم قطعیت افزایش می‌دهد و به تصمیم‌گیرندگان کمک می‌کند تا با دقت بیشتری در میان گزینه‌ها انتخاب کنند.روش TODIM فازی شهودی (Intuitionistic Fuzzy TODIM):TODIM (TOmada de Decisão Interativa Multicritério) یک روش مبتنی بر روانشناسی تصمیم‌گیری است که بر اساس نظریه چشم‌انداز (Prospect Theory) عمل می‌کند. این روش به طور خاص به مفهوم "سود" و "زیان" در تصمیم‌گیری توجه دارد و تمایل تصمیم‌گیرنده به ریسک‌پذیری یا ریسک‌گریزی را در نظر می‌گیرد. نسخه فازی شهودی TODIM می‌تواند ابهامات موجود در ارزیابی‌های سود و زیان را مدل کند و به تصمیم‌گیرندگان کمک کند تا تصمیماتی واقع‌بینانه‌تر در شرایط عدم قطعیت اتخاذ کنند.انتخاب روش مناسب از میان این تنوع، بستگی به ماهیت مسئله، نوع داده‌های موجود، تعداد خبرگان و پیچیدگی عدم قطعیت‌ها دارد. هر کدام از این روش‌ها با رویکرد خاص خود، به مدیریت ابهامات فازی شهودی در فرآیند تصمیم‌گیری کمک می‌کنند و نهایتاً به انتخابی هوشمندانه‌تر و با اطمینان بیشتر منجر می‌شوند.۶-۱. محیط فازی فیثاغورثی: گامی فراتر در مدل‌سازی ابهامهمانطور که در محیط فازی شهودی دیدیم، ما می‌توانیم درجه عضویت، عدم عضویت و تردید را برای هر عنصر مدل کنیم، با این شرط که مجموع این سه مقدار برابر با یک باشد. این یک پیشرفت بزرگ بود، اما گاهی اوقات، حتی این شرط نیز می‌تواند کمی محدودکننده باشد. در برخی سناریوها، ممکن است خبره نتواند به راحتی یک توزیع کامل (جمع برابر با یک) را برای عضویت، عدم عضویت و تردید ارائه دهد. اینجا محیط فازی فیثاغورثی (Pythagorean Fuzzy Sets - PFS) وارد عمل می‌شود.مجموعه فازی فیثاغورثی که توسط یئگر و آتاناسف در سال ۲۰۱۳ معرفی شد، یک تعمیم از مجموعه‌های فازی شهودی است. در محیط فازی فیثاغورثی، هر عنصر نیز با دو مقدار (مانند فازی شهودی) توصیف می‌شود:۱. درجه عضویت (Membership Degree): μ نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق دارد (عددی بین ۰ تا ۱).۲. درجه عدم عضویت (Non-Membership Degree): ν نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق ندارد (عددی بین ۰ تا ۱).تفاوت اصلی و مهم با فازی شهودی در شرط محدودکننده است. در فازی فیثاغورثی، به جای اینکه مجموع μ+ν برابر یا کوچکتر از یک باشد، مجموع مربع‌های درجه عضویت و درجه عدم عضویت باید کوچکتر یا مساوی یک باشد: μ2+ν2≤1.چرا این تغییر مهم است؟این تغییر به ظاهر کوچک، انعطاف‌پذیری بسیار بیشتری را در مدل‌سازی ابهام فراهم می‌کند. فرض کنید یک خبره می‌خواهد نظرش را در مورد یک معیار بیان کند. او ممکن است بگوید "به احتمال ۰.۸ این معیار مهم است" و "به احتمال ۰.۶ این معیار مهم نیست". در محیط فازی شهودی، اگر 0.8+0.6=1.4>1 باشد، این قضاوت قابل قبول نیست. اما در محیط فازی فیثاغورثی، اگر 0.82+0.62=0.64+0.36=1≤1 باشد، این قضاوت کاملاً معتبر است.این افزایش انعطاف‌پذیری به خبرگان اجازه می‌دهد تا نظرات خود را با دقت و واقع‌گرایی بیشتری بیان کنند، به خصوص در مواقعی که اطمینان آن‌ها از یک جنبه (عضویت) با عدم اطمینان آن‌ها از جنبه دیگر (عدم عضویت) ارتباط خطی مستقیمی ندارد. به عبارت دیگر، PFS می‌تواند طیف وسیع‌تری از عدم قطعیت‌های انسانی را پوشش دهد و برای مسائلی که نیاز به مدل‌سازی دقیق‌تر و منعطف‌تر قضاوت‌های کیفی داریم، مناسب‌تر است. این موضوع باعث شده است که محیط فازی فیثاغورثی به سرعت در زمینه‌های مختلف تصمیم‌گیری چند معیاره محبوبیت پیدا کند.۶-۱-۱. انواع روش‌های تصمیم‌گیری چند معیاره در محیط فازی فیثاغورثیبا توجه به قابلیت‌های برجسته محیط فازی فیثاغورثی (Pythagorean Fuzzy Sets - PFS) در مدل‌سازی دقیق‌تر ابهام، بسیاری از روش‌های سنتی تصمیم‌گیری چند معیاره (MCDM) به این محیط نیز تعمیم یافته‌اند. این تعمیم‌ها به تصمیم‌گیرندگان اجازه می‌دهند تا با اطلاعات پیچیده‌تر و قضاوت‌های انسانی که ممکن است در چارچوب فازی شهودی نگنجند، به شکلی مؤثرتر کار کنند.هدف این روش‌ها، استفاده از جفت‌های فازی فیثاغورثی (درجه عضویت، درجه عدم عضویت با شرط μ2+ν2≤1) برای ارزیابی گزینه‌ها و معیارهاست. سپس با استفاده از عملگرهای خاص فازی فیثاغورثی، محاسبات لازم انجام شده و در نهایت، یک رتبه‌بندی از گزینه‌ها ارائه می‌شود.در ادامه به بررسی برخی از مهم‌ترین روش‌های MCDM که در محیط فازی فیثاغورثی به کار می‌روند، می‌پردازیم:۶-۱-۲. تاپسیس فازی فیثاغورثی (Pythagorean Fuzzy TOPSIS)تاپسیس (TOPSIS)، همانند نسخه‌های کلاسیک و فازی شهودی خود، در محیط فازی فیثاغورثی نیز کاربرد گسترده‌ای یافته است. ایده اصلی نزدیک‌ترین بودن به راه‌حل ایده‌آل مثبت و دورترین بودن از راه‌حل ایده‌آل منفی، در این چارچوب نیز حفظ می‌شود.نحوه عملکرد کلی (بدون فرمول):در تاپسیس فازی فیثاغورثی، مراحل کلی مشابه تاپسیس فازی شهودی است، با این تفاوت که:ارزیابی‌ها با اعداد فازی فیثاغورثی: ارزیابی‌های مربوط به عملکرد گزینه‌ها نسبت به معیارها و همچنین اوزان معیارها، به صورت اعداد فازی فیثاغورثی (شامل درجه عضویت و عدم عضویت با شرط فیثاغورثی) جمع‌آوری می‌شوند.عملیات و فاصله‌سنجی فیثاغورثی: تمام عملیات استانداردسازی، تجمیع و به‌خصوص محاسبه فواصل از راه‌حل‌های ایده‌آل مثبت و منفی، با استفاده از توابع و عملگرهای ریاضی مناسب برای اعداد فازی فیثاغورثی انجام می‌شود. این توابع فاصله، ابعاد عضویت و عدم عضویت فیثاغورثی را به طور کامل در نظر می‌گیرند.رتبه‌بندی نهایی: بر اساس فواصل محاسبه شده، یک شاخص نزدیکی نسبی فیثاغورثی محاسبه و گزینه‌ها بر این اساس رتبه‌بندی می‌شوند.مزایا: تاپسیس فازی فیثاغورثی به دلیل انعطاف‌پذیری بالاتر PFS، می‌تواند اطلاعات مبهم‌تر و قضاوت‌های متناقض‌تری را از خبرگان بپذیرد. این روش برای مسائلی که ابهام در ارزیابی‌ها زیاد است و رابطه بین درجه عضویت و عدم عضویت به صورت خطی نیست، بسیار مناسب است و نتایج قابل اعتمادتری ارائه می‌دهد.۶-۱-۳. روش AHP فازی فیثاغورثی (Pythagorean Fuzzy AHP)HP (Analytic Hierarchy Process) نیز به طور مؤثری به محیط فازی فیثاغورثی تعمیم یافته است. این تعمیم، قابلیت AHP را در مدیریت عدم قطعیت در مقایسات زوجی افزایش می‌دهد.نحوه عملکرد کلی (بدون فرمول):ساختار سلسله مراتبی: همانند AHP کلاسیک، سلسله مراتبی از هدف، معیارها و گزینه‌ها ایجاد می‌شود.مقایسات زوجی فازی فیثاغورثی: خبرگان مقایسات زوجی را بین عناصر (معیارها، و سپس گزینه‌ها نسبت به هر معیار) انجام می‌دهند. این قضاوت‌ها به صورت اعداد فازی فیثاغورثی بیان می‌شوند، که به آن‌ها اجازه می‌دهد تا نظر خود را با انعطاف‌پذیری بیشتری در مورد برتری نسبی یک عنصر بر دیگری بیان کنند.تشکیل ماتریس‌های فیثاغورثی: این قضاوت‌ها در ماتریس‌های مقایسه زوجی فازی فیثاغورثی سازماندهی می‌شوند.محاسبه اوزان فیثاغورثی: اوزان نسبی معیارها و گزینه‌ها با استفاده از روش‌های خاص استخراج اوزان از ماتریس‌های فازی فیثاغورثی محاسبه می‌شوند.تلفیق و رتبه‌بندی: اوزان فیثاغورثی ترکیب شده و در نهایت، رتبه‌بندی نهایی گزینه‌ها به دست می‌آید که می‌تواند برای اتخاذ تصمیم نهایی فازی‌زدایی شود.مزایا: AHP فازی فیثاغورثی قابلیت مدل‌سازی طیف وسیع‌تری از قضاوت‌های انسانی را فراهم می‌کند، به خصوص زمانی که خبرگان در مورد برتری نسبی عناصر، کاملاً مطمئن نیستند یا اطلاعات متناقضی دارند. این روش به ویژه برای مسائلی با ماهیت ذهنی بالا و نیاز به درک عمیق‌تر از اولویت‌های انسانی مفید است.۶-۱-۴. دیمتل فازی فیثاغورثی (Pythagorean Fuzzy DEMATEL)یمتل (DEMATEL) که برای تحلیل روابط علت و معلولی بین عوامل به کار می‌رود، در محیط فازی فیثاغورثی نیز توسعه یافته است. این تعمیم به ما کمک می‌کند تا روابط پیچیده بین معیارها را در شرایطی که ارزیابی‌ها مبهم و غیرقطعی هستند، بهتر درک کنیم.نحوه عملکرد کلی (بدون فرمول):جمع‌آوری نظرات فازی فیثاغورثی: خبرگان میزان تأثیر مستقیم هر معیار بر معیار دیگر را با استفاده از اعداد فازی فیثاغورثی بیان می‌کنند. این امکان را به آن‌ها می‌دهد که قدرت و جهت رابطه را با ابهام کمتری نسبت به فازی شهودی (در مواردی که شرایط PFS مناسب‌تر است) بیان کنند.تشکیل ماتریس اولیه فیثاغورثی: این نظرات در یک ماتریس اولیه فازی فیثاغورثی جمع‌آوری می‌شوند.محاسبه ماتریس نرمال‌سازی شده و کلی فیثاغورثی: با استفاده از محاسبات و عملگرهای ماتریسی فازی فیثاغورثی، تأثیرات مستقیم و غیرمستقیم بین معیارها محاسبه می‌شود تا ماتریس روابط کامل به دست آید.تعیین شاخص‌های تأثیرگذاری و تأثیرپذیری: برای هر معیار، میزان تأثیرگذاری (D) و تأثیرپذیری (R) بر اساس مجموع سطرها و ستون‌های ماتریس کلی فازی فیثاغورثی محاسبه می‌شود.ترسیم نقشه روابط: با استفاده از این شاخص‌ها، می‌توان یک نمودار نگاشتی از روابط علت و معلولی بین معیارها رسم کرد که به شناسایی معیارهای کلیدی و تعیین‌کننده در سیستم کمک می‌کند.مزایا: دیمتل فازی فیثاغورثی توانایی بالایی در آشکارسازی روابط پنهان و پیچیده بین معیارها در شرایط ابهام دارد. انعطاف‌پذیری PFS در مدل‌سازی قضاوت‌های انسانی باعث می‌شود که این روش برای تحلیل ساختار مسائل پیچیده که در آن علت و معلول‌ها به صورت قطعی مشخص نیستند، بسیار کارآمد باشد.۶-۱-۵. سایر روش‌های دیگر تصمیم‌گیری در محیط فازی فیثاغورثیمحیط فازی فیثاغورثی (Pythagorean Fuzzy Sets - PFS)، با انعطاف‌پذیری بیشتر خود در مدل‌سازی عدم قطعیت نسبت به فازی شهودی، توجه بسیاری از محققان و تصمیم‌گیرندگان را به خود جلب کرده است. به همین دلیل، علاوه بر روش‌های پرکاربرد تاپسیس، AHP و دیمتل، بسیاری از روش‌های دیگر تصمیم‌گیری چند معیاره (MCDM) نیز به این محیط تعمیم یافته‌اند تا بتوانند با قضاوت‌های مبهم و گاه متناقض انسانی بهتر کنار بیایند.این روش‌ها با بهره‌گیری از خواص خاص اعداد فازی فیثاغورثی، امکان تحلیل‌های دقیق‌تر و نتایج معتبرتری را در مواجهه با ابهام فراهم می‌کنند. در ادامه به برخی از این روش‌ها اشاره می‌کنیم:روش VIKOR فازی فیثاغورثی (Pythagorean Fuzzy VIKOR):همانند نسخه فازی شهودی، VIKOR فازی فیثاغورثی نیز به دنبال یافتن راه‌حل‌های مصالحه‌ای است که نزدیک‌ترین به راه‌حل ایده‌آل و دورترین از راه‌حل ضدایده‌آل باشد. با استفاده از اعداد فازی فیثاغورثی برای بیان ارزیابی‌ها و اوزان، این روش می‌تواند دامنه وسیع‌تری از ابهامات را پوشش دهد و برای مسائلی که نیاز به مصالحه و به حداقل رساندن پشیمانی در شرایط عدم قطعیت وجود دارد، بسیار مؤثر است.روش WASPAS فازی فیثاغورثی (Pythagorean Fuzzy WASPAS):WASPAS فازی فیثاغورثی، با ترکیب رویکردهای مجموع وزنی و ضرب وزنی در محیط PFS، قادر است به ارزیابی دقیق‌تر گزینه‌ها بپردازد. این روش به ویژه برای مسائلی که نیاز به دقت بالا در رتبه‌بندی گزینه‌ها و مدیریت بهینه ابهامات وجود دارد، کاربرد دارد. استفاده از PFS در این روش، امکان بیان قضاوت‌های دقیق‌تر و واقع‌بینانه‌تر را فراهم می‌کند.روش COPRAS فازی فیثاغورثی (Pythagorean Fuzzy COPRAS):COPRAS فازی فیثاغورثی، با ارزیابی گزینه‌ها بر اساس اهمیت نسبی مجموع معیارهای سودمند و غیرسودمند در چارچوب PFS، می‌تواند عملکرد گزینه‌ها را در محیط‌های مبهم و پیچیده بسنجد. این روش با مدل‌سازی ابهامات با استفاده از اعداد فیثاغورثی، به تصمیم‌گیرندگان کمک می‌کند تا در مورد کارایی گزینه‌ها در شرایط نامشخص، بینش بهتری پیدا کنند.روش MABAC فازی فیثاغورثی (Pythagorean Fuzzy MABAC):MABAC فازی فیثاغورثی، مفهوم ناحیه مرزی تقریبی را به محیط PFS گسترش می‌دهد. این روش به تصمیم‌گیرنده اجازه می‌دهد تا با استفاده از اعداد فازی فیثاغورثی، عملکرد هر گزینه را نسبت به این ناحیه مرزی ارزیابی کند. این تعمیم باعث افزایش دقت و قابلیت اعتماد نتایج در محیط‌هایی با اطلاعات نامطمئن می‌شود.روش TODIM فازی فیثاغورثی (Pythagorean Fuzzy TODIM):TODIM فازی فیثاغورثی، نظریه چشم‌انداز را با قابلیت‌های مدل‌سازی ابهام PFS ترکیب می‌کند. این روش به خصوص برای سناریوهای تصمیم‌گیری که در آن‌ها عوامل روانی و رفتاری (مانند سود و زیان ادراک شده) نقش مهمی ایفا می‌کنند، مفید است. استفاده از PFS در TODIM امکان مدل‌سازی دقیق‌تر ریسک‌پذیری و ریسک‌گریزی تصمیم‌گیرنده را در شرایط عدم قطعیت فراهم می‌آورد.انتخاب روش مناسب از میان این طیف گسترده، بستگی به خصوصیات منحصر به فرد مسئله تصمیم‌گیری، نوع و میزان ابهام در داده‌ها، و ترجیحات و قابلیت‌های تصمیم‌گیرندگان دارد. استفاده از هر یک از این روش‌ها در محیط فازی فیثاغورثی، به افزایش دقت، انعطاف‌پذیری و واقع‌گرایی مدل‌های تصمیم‌گیری در مواجهه با پیچیدگی‌های دنیای واقعی کمک شایانی می‌کند.۷-۱. محیط فازی کروی: نگاهی سه‌بعدی به عدم قطعیتدر ادامه تکامل تئوری فازی برای مدیریت ابهامات پیچیده‌تر، محیط فازی کروی (Spherical Fuzzy Sets - SFS) به عنوان یک چارچوب قدرتمندتر معرفی شد. همانطور که در فازی شهودی سه پارامتر (عضویت، عدم عضویت، تردید) با مجموع ۱ را داشتیم و در فازی فیثاغورثی مجموع مربعات عضویت و عدم عضویت کوچکتر از ۱ بود، محیط فازی کروی یک گام فراتر می‌رود و یک رویکرد جامع‌تر و سه‌بعدی را ارائه می‌دهد.مجموعه فازی کروی که توسط کوتلوگو (Kutlu Gündoğdu) و کاهرامان (Kahraman) در سال ۲۰۱۹ معرفی شد، هر عنصر را با سه مقدار توصیف می‌کند:۱. درجه عضویت (Membership Degree): μ نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق دارد (عددی بین ۰ تا ۱).2. درجه عدم عضویت (Non-Membership Degree): ν نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق ندارد (عددی بین ۰ تا ۱).3. درجه تردید یا عدم قطعیت (Hesitation Degree / Indeterminacy Degree): π نشان می‌دهد که چقدر در مورد عضویت یا عدم عضویت عنصر در مجموعه، ابهام یا تردید وجود دارد (عددی بین ۰ تا ۱).تفاوت اساسی و کلیدی SFS با IFS و PFS در شرط محدودکننده است. در فازی کروی، مجموع مربع‌های درجه عضویت، درجه عدم عضویت و درجه تردید باید کوچکتر یا مساوی یک باشد: μ2+ν2+π2≤1.چرا محیط فازی کروی مهم است؟این شرط جدید، انعطاف‌پذیری فوق‌العاده‌ای را در مدل‌سازی قضاوت‌های خبرگان و مدیریت عدم قطعیت فراهم می‌کند.جامعیت بیشتر: SFS به طور همزمان سه جنبه اصلی (عضویت، عدم عضویت و تردید) را به شیوه‌ای متفاوت و انعطاف‌پذیرتر از IFS مدل می‌کند. این یعنی شما می‌توانید هر سه جنبه را به صورت مستقل از هم (تا حدی) بیان کنید، به جای اینکه یکی از آن‌ها به طور خودکار از دیگری نتیجه شود (مانند π=1−μ−ν در IFS).پوشش قضاوت‌های پیچیده‌تر: در مواقعی که خبرگان نمی‌توانند به راحتی تردید خود را به صورت "باقیمانده" بعد از تعیین عضویت و عدم عضویت بیان کنند، SFS فضای بیشتری برای ابراز نظر آن‌ها فراهم می‌کند. به عنوان مثال، یک خبره ممکن است بگوید "به احتمال 0.9 این معیار مهم است، 0.2 مهم نیست، و 0.5 در این مورد تردید دارم." در IFS این قضاوت قابل بیان نیست (0.9+0.2+0.5=1.6>1)، اما در SFS این قضاوت می‌تواند معتبر باشد اگر 0.92+0.22+0.52=0.81+0.04+0.25=1.1≤1 برقرار باشد. (در این مثال 1.1>1 پس هنوز معتبر نیست، اما فضا برای قضاوت‌های بزرگتر از IFS فراهم است).کاربرد در شرایط واقعی‌تر: این محیط به ویژه برای مسائلی که سطح بالایی از عدم قطعیت و اطلاعات ناقص وجود دارد و خبرگان ممکن است در قضاوت‌های خود اطمینان کاملی نداشته باشند، بسیار مناسب است. SFS توانایی بیشتری در جذب نظرات متناقض یا مبهم خبرگان دارد.در واقع، محیط فازی کروی را می‌توان به عنوان یک فضای سه‌بعدی برای مدل‌سازی هر عنصر در نظر گرفت که نقاط داخل یا روی یک کره واحد، نشان‌دهنده تمامی حالت‌های ممکن برای درجات عضویت، عدم عضویت و تردید هستند. این رویکرد جدید، ابزارهای قدرتمندتری را برای مقابله با پیچیدگی‌های تصمیم‌گیری در دنیای واقعی فراهم می‌کند.۷-۱-۱. انواع روش‌های تصمیم‌گیری چند معیاره در محیط فازی کرویبا ظهور محیط فازی کروی (Spherical Fuzzy Sets - SFS)، که انعطاف‌پذیری بالاتری در مدل‌سازی عدم قطعیت با استفاده از سه پارامتر (عضویت، عدم عضویت، تردید) و شرط مربعات آن‌ها فراهم می‌آورد، نیاز به تعمیم روش‌های تصمیم‌گیری چند معیاره (MCDM) به این چارچوب احساس شد. این تعمیم‌ها به تصمیم‌گیرندگان امکان می‌دهند تا با اطلاعاتی که ابهام آن‌ها از جنس SFS است، به طور مؤثرتری کار کنند.این روش‌ها، با بهره‌گیری از عملگرها و توابع خاص برای اعداد فازی کروی، محاسبات لازم را انجام می‌دهند تا در نهایت، یک رتبه‌بندی منطقی از گزینه‌ها ارائه شود. این به معنای مدل‌سازی دقیق‌تر قضاوت‌های انسانی و مدیریت بهتر عدم قطعیت در فرآیند انتخاب است.در ادامه به برخی از مهم‌ترین روش‌های MCDM که در محیط فازی کروی به کار می‌روند، می‌پردازیم:۷-۱-۲. تاپسیس فازی کروی (Spherical Fuzzy TOPSIS)تاپسیس (TOPSIS) در محیط فازی کروی نیز، مانند نسخه‌های قبلی خود، بر پایه ایده نزدیکی به راه‌حل ایده‌آل مثبت و دوری از راه‌حل ایده‌آل منفی استوار است. تفاوت اصلی در نحوه نمایش و پردازش اطلاعات است.نحوه عملکرد کلی (بدون فرمول):ارزیابی با اعداد فازی کروی: ارزیابی‌های مربوط به عملکرد گزینه‌ها نسبت به معیارها و همچنین اوزان معیارها، به صورت اعداد فازی کروی (شامل درجه عضویت، عدم عضویت و تردید با شرط μ2+ν2+π2≤1) جمع‌آوری می‌شوند. این به خبرگان اجازه می‌دهد تا ابهام خود را با جزئیات بیشتری بیان کنند.عملیات کروی: تمام عملیات استانداردسازی، تجمیع و به‌خصوص محاسبه فواصل از راه‌حل‌های ایده‌آل (مثبت و منفی) با استفاده از توابع فاصله و عملگرهای ریاضی طراحی شده برای اعداد فازی کروی انجام می‌شود. این عملگرها توانایی مدیریت همزمان هر سه جنبه (عضویت، عدم عضویت، تردید) را دارند.رتبه‌بندی نهایی: بر اساس فواصل محاسبه شده، یک شاخص نزدیکی نسبی فازی کروی تعیین می‌شود و گزینه‌ها بر این اساس رتبه‌بندی می‌گردند. گزینه‌ای با بالاترین شاخص، به عنوان بهترین انتخاب معرفی می‌شود.مزایا: تاپسیس فازی کروی به دلیل توانایی SFS در پوشش طیف وسیع‌تری از ابهامات و قضاوت‌های انسانی، می‌تواند در مسائلی که اطلاعات بسیار نامطمئن هستند و خبرگان نیاز به بیان درجه تردید خود دارند، نتایج بسیار قابل اعتمادتری ارائه دهد. این روش برای شرایطی که عدم قطعیت دارای ابعاد چندگانه و پیچیده است، بسیار مناسب است.۷-۱-۳. روش AHP فازی کروی (Spherical Fuzzy AHP)AHP (Analytic Hierarchy Process) در محیط فازی کروی، امکان مدل‌سازی پیچیده‌تر قضاوت‌های مقایسه زوجی را فراهم می‌کند. این تعمیم باعث افزایش قدرت AHP در سناریوهایی می‌شود که بیان دقیق برتری نسبی، دشوار است.نحوه عملکرد کلی (بدون فرمول):ساختار سلسله مراتبی: ساختار سلسله مراتبی هدف، معیارها و گزینه‌ها همانند AHP کلاسیک ایجاد می‌شود.مقایسات زوجی فازی کروی: خبرگان مقایسات زوجی را بین عناصر مختلف با استفاده از اعداد فازی کروی انجام می‌دهند. این به آن‌ها اجازه می‌دهد تا نه تنها برتری نسبی را بیان کنند، بلکه درجه اطمینان و تردید خود را در آن قضاوت نیز وارد کنند.تشکیل ماتریس‌های کروی: این قضاوت‌ها به ماتریس‌های مقایسه زوجی فازی کروی تبدیل می‌شوند.محاسبه اوزان کروی: اوزان نسبی معیارها و گزینه‌ها با استفاده از تکنیک‌های خاص برای استخراج اوزان از ماتریس‌های فازی کروی محاسبه می‌شوند. این اوزان خود نیز به صورت اعداد فازی کروی خواهند بود.تلفیق و رتبه‌بندی: اوزان فازی کروی ترکیب شده و در نهایت، رتبه‌بندی نهایی گزینه‌ها به دست می‌آید که می‌تواند برای تصمیم نهایی فازی‌زدایی شود.مزایا: AHP فازی کروی برای مسائلی که نیاز به دخیل کردن نظرات چند خبره با درجات مختلف اطمینان و تردید وجود دارد، بسیار قدرتمند است. این روش به خصوص در مواجهه با ابهامات ناشی از اختلاف نظرهای خبرگان یا اطلاعات ناقص، به مدل‌سازی واقع‌بینانه‌تری منجر می‌شود.۷-۱-۴. دیمتل فازی کروی (Spherical Fuzzy DEMATEL)دیمتل (DEMATEL) در محیط فازی کروی، به ما کمک می‌کند تا روابط علت و معلولی بین معیارها را در شرایطی که ارزیابی‌ها به شدت مبهم و حاوی تردید هستند، به طور عمیق‌تری تحلیل کنیم.نحوه عملکرد کلی (بدون فرمول):جمع‌آوری نظرات فازی کروی: خبرگان میزان تأثیر مستقیم هر معیار بر معیار دیگر را با استفاده از اعداد فازی کروی بیان می‌کنند. این امکان را به آن‌ها می‌دهد که شدت و جهت رابطه را همراه با درجه اطمینان یا تردید خود مشخص کنند.تشکیل ماتریس اولیه کروی: این نظرات در یک ماتریس اولیه فازی کروی جمع‌آوری می‌شوند.محاسبه ماتریس نرمال‌سازی شده و کلی کروی: با استفاده از عملگرها و محاسبات ماتریسی فازی کروی، تأثیرات مستقیم و غیرمستقیم بین معیارها محاسبه شده و ماتریس روابط کامل به دست می‌آید.تعیین شاخص‌های تأثیرگذاری و تأثیرپذیری: برای هر معیار، میزان تأثیرگذاری و تأثیرپذیری بر اساس مجموع سطرها و ستون‌های ماتریس کلی فازی کروی محاسبه می‌شود.ترسیم نقشه روابط: با استفاده از این شاخص‌ها، می‌توان یک نمودار بصری از روابط علت و معلولی بین معیارها رسم کرد که به شناسایی معیارهای کلیدی و تعیین‌کننده در یک سیستم پیچیده و مبهم کمک می‌کند.مزایا: دیمتل فازی کروی در تحلیل شبکه‌های پیچیده علت و معلولی که ارزیابی روابط آن‌ها با عدم قطعیت بالایی همراه است، بسیار مفید است. این روش می‌تواند در شناسایی عوامل ریشه‌ای و تأثیرگذار در سیستم‌های مبهم، بینش‌های ارزشمندی را ارائه دهد.۷-۱-۵. سایر روش‌های دیگر تصمیم‌گیری در محیط فازی کرویمحیط فازی کروی (Spherical Fuzzy Sets - SFS)، به دلیل قابلیت منحصر به فرد خود در مدل‌سازی ابهام از طریق سه پارامتر (عضویت، عدم عضویت و تردید) و رابطه مربعی آن‌ها، به سرعت مورد توجه قرار گرفته است. این ظرفیت بالا در مدل‌سازی، منجر به تعمیم بسیاری از روش‌های تصمیم‌گیری چند معیاره (MCDM) به این چارچوب شده است. این تعمیم‌ها، ابزارهایی قدرتمند را برای مقابله با عدم قطعیت‌های پیچیده‌تر در فرآیندهای تصمیم‌گیری فراهم می‌کنند.در ادامه به برخی از روش‌های MCDM که در محیط فازی کروی توسعه یافته‌اند، اشاره می‌کنیم:روش VIKOR فازی کروی (Spherical Fuzzy VIKOR):نسخه فازی کروی VIKOR، با هدف یافتن راه‌حل‌های مصالحه‌ای در شرایطی با ابهام بسیار بالا، از اعداد فازی کروی برای ارزیابی‌ها و اوزان استفاده می‌کند. این روش به تصمیم‌گیرندگان کمک می‌کند تا در موقعیت‌هایی که درجه تردید در قضاوت‌ها زیاد است، به بهترین گزینه مصالحه‌ای دست یابند و در عین حال، ریسک پشیمانی را به حداقل برسانند.روش WASPAS فازی کروی (Spherical Fuzzy WASPAS):WASPAS فازی کروی، با ترکیب رویکردهای مجموع وزنی و ضرب وزنی در محیط SFS، به ارزیابی جامع‌تر و دقیق‌تر گزینه‌ها می‌پردازد. این روش برای مسائلی که نیاز به دقت بالا در رتبه‌بندی و مدیریت بهینه ابهامات پیچیده وجود دارد، بسیار مؤثر است. قابلیت SFS در بیان جزئیات بیشتر در مورد ابهام، باعث می‌شود نتایج این روش قابل اعتمادتر باشند.روش COPRAS فازی کروی (Spherical Fuzzy COPRAS):COPRAS فازی کروی، با ارزیابی گزینه‌ها بر اساس اهمیت نسبی مجموع معیارهای سودمند و غیرسودمند در چارچوب SFS، می‌تواند عملکرد گزینه‌ها را در محیط‌های بسیار مبهم و پیچیده بسنجد. این روش به تصمیم‌گیرندگان کمک می‌کند تا با در نظر گرفتن ابعاد مختلف عدم قطعیت، به بینشی عمیق‌تر در مورد کارایی گزینه‌ها در شرایط نامشخص دست یابند.روش MABAC فازی کروی (Spherical Fuzzy MABAC):MABAC فازی کروی، مفهوم ناحیه مرزی تقریبی را به محیط SFS گسترش می‌دهد. این روش با استفاده از اعداد فازی کروی برای بیان عملکرد هر گزینه نسبت به این ناحیه مرزی، دقت و قابلیت اعتماد نتایج را در محیط‌هایی با اطلاعات نامطمئن افزایش می‌دهد. این روش به ویژه برای شناسایی گزینه‌هایی که به وضوح بهتر یا بدتر از یک مرز خاص هستند، مفید است.روش ARAS فازی کروی (Spherical Fuzzy ARAS):ARAS (Additive Ratio ASsessment) یک روش MCDM است که گزینه‌ها را بر اساس اهمیت نسبی و مقایسه آن‌ها با یک گزینه ایده‌آل فرضی رتبه‌بندی می‌کند. تعمیم ARAS به محیط فازی کروی، این امکان را فراهم می‌کند که عدم قطعیت‌های موجود در ارزیابی‌ها و اوزان با دقت بیشتری مدل شوند، که منجر به رتبه‌بندی‌های پایدارتر و قابل اعتمادتر در شرایط ابهام می‌شود.این تنوع در روش‌ها، نشان‌دهنده ظرفیت بالای محیط فازی کروی در پاسخگویی به نیازهای مختلف تصمیم‌گیری است. انتخاب روش مناسب بستگی به ماهیت خاص مسئله، سطح و نوع ابهام در داده‌ها، و ترجیحات و قابلیت‌های تصمیم‌گیرندگان دارد. استفاده از این روش‌ها به افزایش robustness (قدرت و پایداری) مدل‌های تصمیم‌گیری در مواجهه با پیچیدگی‌های دنیای واقعی کمک شایانی می‌کند.۸-۱. محیط فازی فرماتین (Fermatean): نهایت انعطاف در مدل‌سازی ابهامبا پیشرفت‌های مداوم در تئوری فازی و نیاز به مدل‌سازی ابهامات بسیار پیچیده، محیط فازی فرماتین (Fermatean Fuzzy Sets - FFS) به عنوان یکی از جدیدترین و قدرتمندترین تعمیم‌ها معرفی شد. این محیط یک گام فراتر از فازی شهودی و فازی فیثاغورثی می‌رود و انعطاف‌پذیری بی‌سابقه‌ای را در مدل‌سازی قضاوت‌های انسانی و اطلاعات نامطمئن فراهم می‌آورد.مجموعه فازی فرماتین، مانند فازی شهودی و کروی، هر عنصر را با سه مقدار توصیف می‌کند:درجه عضویت (Membership Degree): μ نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق دارد (عددی بین ۰ تا ۱).درجه عدم عضویت (Non-Membership Degree): ν نشان می‌دهد که عنصر تا چه حد به مجموعه تعلق ندارد (عددی بین ۰ تا ۱).درجه تردید یا عدم قطعیت (Hesitation Degree / Indeterminacy Degree): π نشان می‌دهد که چقدر در مورد عضویت یا عدم عضویت عنصر در مجموعه، ابهام یا تردید وجود دارد (عددی بین ۰ تا ۱).تفاوت اساسی و مهم FFS در شرط محدودکننده آن است. در فازی فرماتین، مجموع توان سوم (مکعب) درجه عضویت و درجه عدم عضویت باید کوچکتر یا مساوی یک باشد: μ3+ν3≤1. (برخلاف فازی شهودی که μ+ν≤1 و فازی فیثاغورثی که μ2+ν2≤1 بود).چرا این تغییر اساسی است و محیط فازی فرماتین اهمیت دارد؟این شرط، دامنه قضاوت‌هایی که خبرگان می‌توانند بیان کنند را به شدت گسترش می‌دهد. برای درک بهتر، مثالی می‌زنیم:اگر یک خبره بگوید "درجه عضویت ۰.۹ و درجه عدم عضویت ۰.۸"، در فازی شهودی (0.9+0.8=1.7>1) و فازی فیثاغورثی (0.92+0.82=0.81+0.64=1.45>1) این قضاوت نامعتبر است.اما در فازی فرماتین: 0.93+0.83=0.729+0.512=1.241. این هنوز بزرگتر از 1 است.مثالی که معتبر باشد: فرض کنید خبره می‌گوید درجه عضویت 0.8 و درجه عدم عضویت 0.7 باشد.در فازی شهودی (0.8+0.7=1.5>1) نامعتبر.در فازی فیثاغورثی (0.82+0.72=0.64+0.49=1.13>1) نامعتبر.اما در فازی فرماتین: 0.83+0.73=0.512+0.343=0.855≤1. این قضاوت معتبر است.این یعنی FFS می‌تواند طیف بسیار وسیع‌تر و پیچیده‌تری از قضاوت‌های انسانی و عدم قطعیت‌ها را که در محیط‌های قبلی قابل مدل‌سازی نبودند، پوشش دهد. در واقع، این محیط به خبرگان اجازه می‌دهد تا نظرات خود را با اعتماد به نفس کمتری یا با تضادهای بیشتری بیان کنند، بدون اینکه مدل از کار بیفتد.کاربردها:محیط فازی فرماتین به خصوص برای مسائلی که دارای ابهامات بسیار شدید، اطلاعات ناقص یا متناقض و قضاوت‌های ذهنی با عدم اطمینان بالا هستند، ایده‌آل است. این می‌تواند شامل ارزیابی پروژه‌های بزرگ با ریسک بالا، انتخاب استراتژی‌های پیچیده در محیط‌های ناپایدار، یا حتی تشخیص‌های پزشکی باشد که در آن‌ها قطعیت پایین است. FFS با فراهم آوردن نهایت انعطاف‌پذیری در بیان عدم قطعیت، ابزاری قدرتمند برای تصمیم‌گیری در مرزهای دانش و ابهام به شمار می‌رود.۸-۱-۱. انواع روش‌های تصمیم‌گیری چند معیاره در محیط فازی فرماتین (Fermatean)با معرفی محیط فازی فرماتین (Fermatean Fuzzy Sets - FFS)، که نهایت انعطاف‌پذیری را در مدل‌سازی عدم قطعیت فراهم می‌آورد (با شرط μ3+ν3≤1), نیاز به تعمیم روش‌های تصمیم‌گیری چند معیاره (MCDM) به این چارچوب کاملاً منطقی بود. این تعمیم‌ها، ابزارهایی نوین و بسیار قدرتمند را برای مواجهه با پیچیده‌ترین و مبهم‌ترین سناریوهای تصمیم‌گیری ارائه می‌دهند، جایی که قضاوت‌های خبرگان ممکن است دارای درجات بالایی از ابهام یا حتی تناقض باشند.روش‌های MCDM در محیط فازی فرماتین، با استفاده از اپراتورها و توابع ریاضی خاص طراحی شده برای اعداد فازی فرماتین، ارزیابی‌ها را پردازش می‌کنند تا در نهایت به یک رتبه‌بندی معتبر از گزینه‌ها دست یابند. این به معنای مدل‌سازی دقیق‌تر واقعیت‌های دنیای نامطمئن و دستیابی به تصمیماتی با کیفیت بالاتر است.در ادامه به برخی از مهم‌ترین روش‌های MCDM که در محیط فازی فرماتین به کار می‌روند، می‌پردازیم:۸-۱-۲. تاپسیس فازی فرماتین (Fermatean Fuzzy TOPSIS)تاپسیس (TOPSIS) در محیط فازی فرماتین، ایده نزدیکی به راه‌حل ایده‌آل مثبت و دوری از راه‌حل ایده‌آل منفی را حفظ می‌کند، اما این بار با استفاده از ظرفیت بالای FFS در مدل‌سازی ابهام.نحوه عملکرد کلی (بدون فرمول):ارزیابی با اعداد فازی فرماتین: ارزیابی‌های عملکرد گزینه‌ها نسبت به معیارها و همچنین اوزان معیارها، با استفاده از اعداد فازی فرماتین (شامل درجه عضویت، عدم عضویت و تردید با شرط μ3+ν3≤1) جمع‌آوری می‌شوند. این به خبرگان اجازه می‌دهد تا گستره وسیع‌تری از قضاوت‌های مبهم یا متناقض را بیان کنند.عملیات فرماتین: تمام محاسبات از جمله استانداردسازی، تجمیع و محاسبه فواصل از راه‌حل‌های ایده‌آل (مثبت و منفی)، با استفاده از توابع فاصله و عملگرهای ریاضی خاص طراحی شده برای اعداد فازی فرماتین انجام می‌شود. این عملگرها قادرند ابهام را با انعطاف‌پذیری بی‌نظیری در طول محاسبات حفظ کنند.رتبه‌بندی نهایی: بر اساس فواصل محاسبه شده، یک شاخص نزدیکی نسبی فازی فرماتین تعیین می‌شود و گزینه‌ها بر اساس آن رتبه‌بندی می‌گردند. گزینه‌ای با بالاترین شاخص، به عنوان بهترین انتخاب معرفی می‌شود.مزایا: تاپسیس فازی فرماتین برای مسائلی که با ابهامات شدید، نظرات متناقض خبرگان، یا داده‌های بسیار ناقص روبرو هستند، بسیار قدرتمند است. این روش می‌تواند نتایج بسیار دقیق و قابل اعتمادی را در محیط‌هایی که سایر روش‌های فازی ممکن است با محدودیت مواجه شوند، ارائه دهد.۸-۱-۳. روش AHP فازی فرماتین (Fermatean Fuzzy AHP)AHP (Analytic Hierarchy Process) در محیط فازی فرماتین، قابلیت مدل‌سازی قضاوت‌های مقایسه زوجی را به بالاترین سطح انعطاف‌پذیری ممکن می‌رساند. این تعمیم برای مسائلی که نیاز به درک عمیق از اولویت‌های انسانی در شرایط عدم اطمینان بالا وجود دارد، ایده‌آل است.نحوه عملکرد کلی (بدون فرمول):ساختار سلسله مراتبی: ساختار سلسله مراتبی هدف، معیارها و گزینه‌ها ایجاد می‌شود.مقایسات زوجی فازی فرماتین: خبرگان مقایسات زوجی را بین عناصر (معیارها، و سپس گزینه‌ها نسبت به هر معیار) با استفاده از اعداد فازی فرماتین انجام می‌دهند. این به آن‌ها اجازه می‌دهد تا نظرات خود را حتی در شرایطی که اطمینان آن‌ها پایین است یا قضاوت‌های متناقضی دارند، به دقت بیان کنند.تشکیل ماتریس‌های فرماتین: این قضاوت‌ها در ماتریس‌های مقایسه زوجی فازی فرماتین سازماندهی می‌شوند.محاسبه اوزان فرماتین: اوزان نسبی معیارها و گزینه‌ها با استفاده از تکنیک‌های خاص برای استخراج اوزان از ماتریس‌های فازی فرماتین محاسبه می‌شوند.تلفیق و رتبه‌بندی: اوزان فازی فرماتین ترکیب شده و در نهایت، رتبه‌بندی نهایی گزینه‌ها به دست می‌آید که می‌تواند برای تصمیم نهایی فازی‌زدایی شود.مزایا: AHP فازی فرماتین برای مسائلی که با درجات بالایی از ذهنیت، عدم قطعیت و پیچیدگی در نظرات خبرگان روبرو هستند، بسیار مؤثر است. این روش به ویژه در مطالعاتی که هدف مدل‌سازی پیچیده‌ترین ابهامات در سیستم‌های انسانی است، کاربرد دارد.۸-۱-۴. دیمتل فازی فرماتین (Fermatean Fuzzy DEMATEL)دیمتل (DEMATEL) در محیط فازی فرماتین، به ما این امکان را می‌دهد که روابط علت و معلولی بین معیارها را در شرایطی با نهایت عدم قطعیت و ابهام تحلیل کنیم.نحوه عملکرد کلی (بدون فرمول):جمع‌آوری نظرات فازی فرماتین: خبرگان میزان تأثیر مستقیم هر معیار بر معیار دیگر را با استفاده از اعداد فازی فرماتین بیان می‌کنند. این امکان را به آن‌ها می‌دهد که شدت و جهت رابطه را همراه با بالاترین درجه انعطاف‌پذیری در مورد اطمینان یا تردید خود مشخص کنند.تشکیل ماتریس اولیه فرماتین: این نظرات در یک ماتریس اولیه فازی فرماتین جمع‌آوری می‌شوند.محاسبه ماتریس نرمال‌سازی شده و کلی فرماتین: با استفاده از عملگرها و محاسبات ماتریسی فازی فرماتین، تأثیرات مستقیم و غیرمستقیم بین معیارها محاسبه شده و ماتریس روابط کامل به دست می‌آید.تعیین شاخص‌های تأثیرگذاری و تأثیرپذیری: برای هر معیار، میزان تأثیرگذاری و تأثیرپذیری بر اساس مجموع سطرها و ستون‌های ماتریس کلی فازی فرماتین محاسبه می‌شود.ترسیم نقشه روابط: با استفاده از این شاخص‌ها، می‌توان یک نمودار بصری از روابط علت و معلولی بین معیارها رسم کرد که به شناسایی معیارهای کلیدی و تأثیرگذار در یک سیستم بسیار پیچیده و نامطمئن کمک می‌کند.مزایا: دیمتل فازی فرماتین در تحلیل شبکه‌های علت و معلولی که ارزیابی روابط آن‌ها با عدم قطعیت بی‌نهایت بالا و پیچیدگی‌های غیرقابل پیش‌بینی همراه است، بسیار مفید است. این روش می‌تواند در شناسایی عوامل ریشه‌ای و تأثیرگذار در سیستم‌های بسیار مبهم، بینش‌های بی‌سابقه‌ای را ارائه دهد.۸-۱-۵. سایر روش‌های دیگر تصمیم‌گیری در محیط فازی فرماتین (Fermatean)محیط فازی فرماتین (Fermatean Fuzzy Sets - FFS)، به دلیل ظرفیت فوق‌العاده خود در مدل‌سازی طیف وسیعی از ابهامات و قضاوت‌های انسانی، بستری ایده‌آل برای توسعه نسخه‌های پیشرفته‌تر از روش‌های تصمیم‌گیری چند معیاره (MCDM) فراهم کرده است. این روش‌ها با بهره‌گیری از خواص ریاضی منحصر به فرد اعداد فازی فرماتین، قادرند با چالش‌برانگیزترین سناریوهای تصمیم‌گیری که در آن‌ها عدم قطعیت بسیار بالا و پیچیده است، کنار بیایند.در ادامه به برخی از روش‌های MCDM که در محیط فازی فرماتین توسعه یافته‌اند، اشاره می‌کنیم:روش VIKOR فازی فرماتین (Fermatean Fuzzy VIKOR):نسخه فازی فرماتین VIKOR، با هدف یافتن بهترین راه‌حل مصالحه‌ای در شرایطی با بالاترین سطح ابهام و تردید، از اعداد فازی فرماتین برای بیان ارزیابی‌ها و اوزان استفاده می‌کند. این روش به تصمیم‌گیرندگان کمک می‌کند تا در موقعیت‌های بسیار نامطمئن، به راه‌حل‌های بهینه و پایدار دست یابند و در عین حال، ریسک پشیمانی را در میان گزینه‌ها به حداقل برسانند.روش WASPAS فازی فرماتین (Fermatean Fuzzy WASPAS):WASPAS فازی فرماتین، با ترکیب رویکردهای مجموع وزنی و ضرب وزنی در محیط FFS، به ارزیابی جامع‌تر و دقیق‌تر گزینه‌ها می‌پردازد. این روش برای مسائلی که نیاز به دقت فوق‌العاده در رتبه‌بندی و مدیریت بهینه ابهامات پیچیده و متناقض وجود دارد، بسیار مؤثر است. قابلیت FFS در بیان جزئیات بیشتر در مورد ابهام، باعث می‌شود نتایج این روش به واقعیت نزدیک‌تر باشند.روش COPRAS فازی فرماتین (Fermatean Fuzzy COPRAS):COPRAS فازی فرماتین، با ارزیابی گزینه‌ها بر اساس اهمیت نسبی مجموع معیارهای سودمند و غیرسودمند در چارچوب FFS، می‌تواند عملکرد گزینه‌ها را در محیط‌های بسیار مبهم و غیرقابل پیش‌بینی بسنجد. این روش به تصمیم‌گیرندگان کمک می‌کند تا با در نظر گرفتن پیچیده‌ترین ابعاد عدم قطعیت، به بینشی عمیق‌تر در مورد کارایی گزینه‌ها در شرایط نامشخص دست یابند.روش MABAC فازی فرماتین (Fermatean Fuzzy MABAC):MABAC فازی فرماتین، مفهوم ناحیه مرزی تقریبی را به محیط FFS گسترش می‌دهد. این روش با استفاده از اعداد فازی فرماتین برای بیان عملکرد هر گزینه نسبت به این ناحیه مرزی، دقت و قابلیت اعتماد نتایج را در محیط‌هایی با اطلاعات بسیار نامطمئن و قضاوت‌های پیچیده افزایش می‌دهد.روش ARAS فازی فرماتین (Fermatean Fuzzy ARAS):ARAS فازی فرماتین، با رتبه‌بندی گزینه‌ها بر اساس اهمیت نسبی و مقایسه آن‌ها با یک گزینه ایده‌آل فرضی در چارچوب FFS، این امکان را فراهم می‌کند که عدم قطعیت‌های موجود در ارزیابی‌ها و اوزان با حداکثر دقت مدل شوند. این منجر به رتبه‌بندی‌های پایدارتر و قابل اعتمادتر در شرایط ابهام می‌شود، حتی زمانی که اطلاعات بسیار متناقض هستند.این روش‌ها، در کنار هم، طیف گسترده‌ای از ابزارهای پیشرفته را برای حل مسائل تصمیم‌گیری در شرایط با بالاترین سطح عدم قطعیت و ابهام فراهم می‌کنند. انتخاب روش مناسب بستگی به خصوصیات منحصر به فرد هر مسئله، ماهیت اطلاعات موجود و نیاز به دقت و انعطاف‌پذیری در مدل‌سازی دارد. استفاده از این روش‌ها به سازمان‌ها و افراد کمک می‌کند تا در مواجهه با پیچیدگی‌های روزافزون، تصمیمات هوشمندانه‌تر و موفق‌تری اتخاذ کنند.مشاوره و تحلیل انواع پروژه های تصمیم گیری چند معیاره در محیط فازی و قطعی انجام می شود. 9181-885-0933

نرم افزار سناریو ویزارد و نرم افزار میک مک برای آینده پژوهی

sanaye20.ir — Sun, 27 Apr 2025 08:57:58 +0330

✨ گشودن دروازه‌های آینده با نرم افزار سناریو ویزارد: قطب‌نمای شما در اقیانوس عدم قطعیت و تحلیل میک مک 🗺️مقدمه‌ای بر سفری هیجان‌انگیز در زمان... نه برای دیدن، بلکه برای ساختن!آینده... کلمه‌ای که همیشه ذهن بشر را درگیر کرده است. میل به دانستن آنچه پیش روست، ریشه در اعماق وجود ما دارد. اما دنیای امروز، با تغییرات برق‌آسا و پیچیدگی فزاینده‌اش، آینده را بیش از پیش به معمایی چندوجهی تبدیل کرده است. دیگر نمی‌توان با نگاه به گذشته، مسیر فردا را دقیقاً پیش‌بینی کرد. ما در اقیانوسی از عدم قطعیت شناوریم و برای حرکت در این اقیانوس پرتلاطم، به چیزی فراتر از نقشه‌های قدیمی نیاز داریم. 🌊اینجاست که "آینده‌پژوهی" به کمک ما می‌آید. آینده‌پژوهی نه ادعای پیشگویی دارد و نه می‌خواهد یک مسیر واحد را برای آینده به ما نشان دهد. رسالت آینده‌پژوهی بسیار عمیق‌تر است: آماده کردن ما برای مواجهه با "هر آنچه ممکن است اتفاق بیفتد". این رشته به ما می‌آموزد چگونه با درک ریشه‌های تغییر، شناسایی نیروهای پیشران و ترسیم سناریوهای محتمل، برای آینده‌ای بهتر تصمیم‌گیری کنیم و حتی در شکل‌دهی به آن نقش داشته باشیم. 💪اما چگونه می‌توانیم این سفر پیچیده را آغاز کنیم؟ چگونه می‌توانیم در میان انبوه اطلاعات و متغیرها، عوامل کلیدی و تأثیرگذار را پیدا کنیم؟ اینجا جایی است که ابزارها و روش‌های قدرتمند تحلیلی وارد میدان می‌شوند. یکی از شناخته‌شده‌ترین این روش‌ها، "تحلیل میک مک" (MICMAC) است؛ ابزاری که به ما کمک می‌کند ساختار پنهان سیستم‌ها را رمزگشایی کرده و مهم‌ترین بازیگران صحنه تغییر را شناسایی کنیم. 🧬و خبر خوب اینکه، برای انجام این تحلیل‌های پیچیده و سپس گام نهادن در مسیر ساخت سناریوهای آینده، ابزارهای نرم‌افزاری قدرتمندی توسعه یافته‌اند. در میان این ابزارها، "نرم افزار سناریو ویزارد" به عنوان یک راهکار جامع و کاربرپسند خودنمایی می‌کند. این نرم‌افزار میک مک پیشرفته و ابزار سناریو سازی، دستیار هوشمند شما در این سفر اکتشافی خواهد بود. 🧙‍♂️در این مقاله جامع، قصد داریم به عمق این مفاهیم سفر کنیم. از چرایی اهمیت آینده‌پژوهی در عصر حاضر گرفته تا جزئیات روش تحلیل میک مک و نقش حیاتی نرم افزار سناریو ویزارد در تسهیل این فرآیندها. اگر به دنبال مسلح شدن به ابزارهای لازم برای ناوبری موفق در دنیای آینده هستید، تا پایان این مسیر با ما همراه باشید. 👇🌊 آینده‌پژوهی: چرا دیگر نمی‌توانیم بدون آن زندگی کنیم؟ (سفری به قلب نیاز امروز)زمانی بود که تغییرات با سرعت کمتری رخ می‌دادند. مدل‌های کسب‌وکار برای دهه‌ها پایدار بودند، فناوری‌ها به آرامی تکامل می‌یافتند و رویدادهای جهانی کمتر به هم پیوسته بودند. اما آن زمان گذشته است. امروز ما در دنیایی زندگی می‌کنیم که اغلب با کلماتی نظیر VUCA توصیف می‌شود: Volatile (ناپایدار)، Uncertain (نامطمئن)، Complex (پیچیده) و Ambiguous (مبهم). ⚡دنیای متلاطم ما: عصر تغییرات برق‌آسابه اطراف خود نگاه کنید: ظهور و سقوط ناگهانی فناوری‌ها، بحران‌های اقلیمی غیرمنتظره، پاندمی‌های جهانی، تغییرات سریع ژئوپلیتیکی، تحولات شگرف در رفتارهای مصرف‌کننده. همه این‌ها نشان از سرعتی دارند که پیش‌بینی و واکنش صرف به آن ناممکن است. سازمانی یا فردی که تنها به فکر امروز باشد، بی‌شک در طوفان فردا غرق خواهد شد. تاب‌آوری در برابر شوک‌ها و چابکی در مواجهه با تغییر، نیازمند نگاهی فراتر از افق‌های نزدیک است. آینده‌پژوهی همین نگاه است. 🤔آینده‌پژوهی چیست؟ نه پیشگویی، بلکه آمادگی و شکل‌دهیبگذارید این موضوع را یک بار برای همیشه روشن کنیم: آینده‌پژوهی گوی بلورین نیست!🔮 آینده‌پژوهی بر پایه تحلیل‌های منطقی، بررسی شواهد، شناسایی الگوها و درک پویایی‌های سیستم بنا شده است. هدف آن ساختن "سناریوهای محتمل" است؛ داستان‌هایی منطقی و خودسازگار از اینکه آینده چگونه ممکن است رقم بخورد، بر اساس ترکیبات مختلفی از عوامل پیشران و عدم قطعیت‌های کلیدی. این کار به ما اجازه می‌دهد به جای شرط‌بندی روی یک آینده واحد، برای چند آینده متفاوت آماده شویم.اهداف آینده‌پژوهی: چرا سازمان‌ها و افراد به آن روی می‌آورند؟آینده‌پژوهی اهداف متنوعی دارد که همگی در نهایت به آمادگی بیشتر و تصمیم‌گیری بهتر منتهی می‌شوند:افزایش تاب‌آوری (Resilience): توانایی جذب شوک‌ها و بازیابی سریع بعد از بحران.کشف فرصت‌های نوظهور: شناسایی پتانسیل‌های جدید در دل تغییرات که ممکن است رقبا از آن غافل باشند. 🌟مدیریت و کاهش ریسک: پیش‌بینی تهدیدات احتمالی و برنامه‌ریزی برای مواجهه با آن‌ها. 🛡️الهام‌بخشی به نوآوری: نگاه به آینده می‌تواند جرقه ایده‌های جدید برای محصولات، خدمات یا مدل‌های کسب‌وکار را بزند.💡شکل‌دهی به آینده مطلوب: آینده‌پژوهی به ما کمک می‌کند تا بفهمیم اگر بخواهیم به یک آینده بهتر برسیم، امروز باید چه کارهایی انجام دهیم. این نگاه فعالانه، ما را از جایگاه یک تماشاگر منفعل به یک بازیگر تأثیرگذار تبدیل می‌کند. 🛠️تسهیل یادگیری سازمانی: فرآیند آینده‌پژوهی تیم‌ها را وادار می‌کند تا با فرضیات ذهنی خود روبرو شوند و درک عمیق‌تری از محیط اطراف خود به دست آورند.🧠آینده‌پژوهی و پیوند ناگسستنی آن با استراتژی و تصمیم‌گیریآینده‌پژوهی تنها یک فعالیت فکری یا آکادمیک نیست؛ قلب آن تپش برای تصمیم‌گیری بهتر است. سناریوهایی که آینده‌پژوهی می‌سازد، ورودی حیاتی برای فرآیند تدوین استراتژی هستند. یک استراتژی قوی باید در سناریوهای مختلف آینده کارآمد باشد. آینده‌پژوهی به ما اجازه می‌دهد تا استراتژی‌های خود را در برابر سناریوهای مختلف "آزمایش" کنیم و میزان پایداری آن‌ها را بسنجیم. بدون آینده‌پژوهی، استراتژی شبیه به ساختن خانه‌ای بدون توجه به شرایط آب و هوایی آتی است. 📊در این سفر آینده‌پژوهی، اولین چالش بزرگ، درک این است که چه عواملی در سیستم ما بیشترین اهمیت و تأثیر را دارند. در دنیای پیچیده امروز، همه چیز به هم وابسته است و تشخیص ریشه‌ها از شاخ و برگ‌ها کار آسانی نیست. اینجا است که نیاز به ابزاری تحلیلی برای "تشریح کالبد سیستم" احساس می‌شود. و اینجاست که تحلیل میک مک وارد می‌شود. 👇🧬 تحلیل میک مک (MICMAC): رمزگشایی از ساختار پنهان سیستم‌ها (ابزار قدرتمند در دستان آینده‌پژوه)همانطور که اشاره شد، اولین گام حیاتی در بسیاری از رویکردهای آینده‌پژوهی، شناسایی "محرک‌های تغییر" است؛ آن دسته از عواملی که با تأثیرگذاری بر دیگر عوامل، بیشترین قدرت را در شکل‌دهی به آینده سیستم مورد بررسی ما دارند. درک روابط بین عوامل مختلف - چه مستقیم و چه غیرمستقیم - نیازمند یک ابزار تحلیلی ساختاریافته است. اینجا است که "تحلیل میک مک" (MICMAC)، به عنوان یکی از متداول‌ترین و مؤثرترین روش‌های تحلیل ساختاری، به کمک ما می‌آید.میک مک چیست و از کجا آمده است؟ (نگاهی به ریشه‌ها)تحلیل میک مک یک روش ساختاری است که توسط میشل گوده (Michel Godet) و تیمش در فرانسه در دهه 1970 توسعه یافت. هدف اصلی آن، تحلیل روابط متقابل بین متغیرها در یک سیستم مشخص است تا متغیرهای کلیدی و تأثیرگذار در سیستم شناسایی شوند. نام MICMAC مخفف عبارت فرانسوی "Matrice d'Impacts Croisés Multiplication Appliquée à un Classement" است که به معنای "ماتریس تأثیرات متقاطع، ضرب‌شده برای طبقه‌بندی" می‌باشد. این نام به خوبی نشان‌دهنده قلب این روش است: استفاده از ماتریس‌ها برای تحلیل تأثیرات متقابل عوامل. 🌱چرایی اهمیت تحلیل میک مک: یافتن ریشه‌های تأثیرگذارفرض کنید می‌خواهید آینده صنعت خود را بررسی کنید. لیستی از ۵۰ عامل مختلف تهیه می‌کنید که فکر می‌کنید بر این صنعت تأثیر می‌گذارند (مثلاً: قیمت نفت، نرخ بهره بانکی، مقررات دولتی، نوآوری‌های هوش مصنوعی، تغییرات جمعیتی، رقابت از سوی بازیگران جدید، نوسانات نرخ ارز و...). حالا سوال این است: کدام یک از این ۵۰ عامل واقعاً مهم‌تر از بقیه هستند؟ کدام عوامل در واقع ریشه تغییرات در دیگر عوامل‌اند و نه صرفاً نتیجه آن‌ها؟ پاسخ به این سوال کلید ساخت سناریوهای واقع‌بینانه است. تحلیل میک مک دقیقاً همین کار را برای ما انجام می‌دهد؛ با بررسی روابط تأثیرگذاری و تأثیرپذیری، عوامل کلیدی را از عوامل حاشیه‌ای تفکیک می‌کند. ✨فرآیند گام به گام تحلیل میک مک: از ایده تا نمودار (با جزئیات)اجرای تحلیل میک مک معمولاً شامل چندین گام اصلی است که نیازمند دقت و همکاری تیمی از متخصصان یا خبرگان حوزه مورد نظر است: 🚶‍♀️🚶‍♂️گام اول: تعریف متغیرها (فونداسیون تحلیل) 🏗️این مهم‌ترین و اغلب چالش‌برانگیزترین گام است. تیمی از خبرگان حوزه مورد مطالعه باید گرد هم آمده و مهم‌ترین عواملی را که فکر می‌کنند بر آینده سیستم تأثیر می‌گذارند، شناسایی و تعریف کنند. این عوامل می‌توانند در دسته‌های مختلفی قرار گیرند (PESTLE: سیاسی، اقتصادی، اجتماعی، تکنولوژیکی، قانونی، محیط زیستی). تعداد متغیرها معمولاً بین ۲۰ تا ۵۰ متغیر است. تعریف هر متغیر باید دقیق و بدون ابهام باشد. کیفیت تحلیل میک مک به شدت به کیفیت و جامعیت این لیست اولیه متغیرها بستگی دارد.گام دوم: ساخت ماتریس تأثیرات مستقیم (قلب فرآیند) ❤️پس از تعریف متغیرها، نوبت به ساخت ماتریس تأثیرات مستقیم می‌رسد. این یک جدول مربعی است که در سطرها و ستون‌های آن، لیست متغیرهای تعریف شده قرار می‌گیرند. حالا، خبرگان باید هر خانه از این ماتریس را تکمیل کنند. هر خانه نشان‌دهنده میزان تأثیرگذاری متغیر سطر بر متغیر ستون است. این تأثیرگذاری معمولاً با استفاده از یک مقیاس عددی (مثلاً ۰: بدون تأثیر، ۱: تأثیر ضعیف، ۲: تأثیر متوسط، ۳: تأثیر قوی، P: تأثیر پتانسیلی) مشخص می‌شود. این مرحله نیازمند بحث و تبادل نظر عمیق میان خبرگان است تا به اجماع در مورد شدت تأثیرگذاری‌ها برسند. این ماتریس نشان می‌دهد که هر متغیر به صورت مستقیم چقدر بر دیگر متغیرها اثر می‌گذارد.گام سوم: محاسبه تأثیرات غیرمستقیم (قدرت تحلیل میک مک) 🧠اینجاست که جادوی میک مک و نقش نرم‌افزارها آشکار می‌شود. پس از تکمیل ماتریس تأثیرات مستقیم، نرم‌افزار (یا در گذشته، محاسبات دستی طاقت‌فرسا) وارد عمل می‌شود. نرم‌افزار با استفاده از عملیات ماتریسی (مانند بالا بردن ماتریس به توان‌های مختلف)، تأثیرات غیرمستقیم را محاسبه می‌کند. به عنوان مثال، اگر متغیر A بر B تأثیر می‌گذارد و B بر C، پس A به صورت غیرمستقیم بر C تأثیر می‌گذارد. میک مک تمام این زنجیره‌های تأثیرگذاری را محاسبه می‌کند و به ما می‌گوید هر متغیر در مجموع (چه مستقیم و چه غیرمستقیم) چقدر بر کل سیستم تأثیر می‌گذارد (نیروی پیشران) و چقدر از کل سیستم تأثیر می‌پذیرد (نیروی وابستگی).گام چهارم: تحلیل نمودارها و شناسایی انواع متغیرها (کشف بینش‌ها) 💡خروجی اصلی تحلیل میک مک، یک نمودار پراکندگی است که محور افقی آن "نیروی تأثیرگذاری" (یا پیشران) و محور عمودی آن "نیروی تأثیرپذیری" (یا وابستگی) است. هر متغیر به صورت یک نقطه روی این نمودار قرار می‌گیرد. موقعیت هر متغیر در این نمودار، نقش آن را در سیستم مشخص می‌کند و به ما اجازه می‌دهد آن‌ها را به چهار دسته اصلی تقسیم کنیم:انواع متغیرها در ماتریس میک مک: بازیگران اصلی صحنه تغییر 🎭بر اساس موقعیت در نمودار میک مک، متغیرها معمولاً به چهار دسته تقسیم می‌شوند که هر کدام نقش متفاوتی در پویایی سیستم دارند:محرک‌های کلیدی (Key Drivers): متغیرهایی با تأثیرگذاری بالا و تأثیرپذیری پایین. این‌ها عواملی هستند که بیشترین قدرت را در پیش بردن سیستم و ایجاد تغییر دارند. تغییر در این متغیرها می‌تواند پیامدهای گسترده‌ای داشته باشد. شناسایی این متغیرها مهم‌ترین خروجی میک مک است و اساس سناریو سازی را تشکیل می‌دهند. (معمولاً در بالا سمت چپ نمودار قرار می‌گیرند). 🔑متغیرهای وابسته (Dependent Variables): متغیرهایی با تأثیرگذاری پایین و تأثیرپذیری بالا. این‌ها عواملی هستند که بیشتر تحت تأثیر دیگر متغیرها قرار می‌گیرند و خودشان کمتر بر سیستم تأثیر می‌گذارند. (معمولاً در پایین سمت راست نمودار). 📉متغیرهای پیوندی/اهرمی (Leverage/Relay Variables): متغیرهایی با تأثیرگذاری و تأثیرپذیری بالا. این‌ها عواملی ناپایدار هستند که هم بر دیگران تأثیر می‌گذارند و هم خودشان به شدت تحت تأثیر قرار می‌گیرند. تغییر در این متغیرها می‌تواند تأثیرگذاری و تأثیرپذیری آن‌ها را تغییر دهد و پتانسیل بی‌ثباتی در سیستم را دارند. (معمولاً در بالا سمت راست نمودار). 🔗متغیرهای مستقل/خودگردان (Autonomous Variables): متغیرهایی با تأثیرگذاری و تأثیرپذیری پایین. این‌ها عواملی هستند که ارتباط کمی با دیگر متغیرهای سیستم دارند و کمتر بر آن‌ها تأثیر می‌گذارند یا از آن‌ها تأثیر می‌پذیرند. (معمولاً در پایین سمت چپ نمودار). 🏝️محدودیت‌های رویکرد دستی در تحلیل میک مک: چرا ابزار نرم‌افزاری ضروری است؟ 🤔در تئوری، تحلیل میک مک را می‌توان به صورت دستی انجام داد، اما در عمل، این کار برای تعداد متغیرهای بیش از ۱۵-۲۰ مورد بسیار دشوار، وقت‌گیر و مستعد خطاست. محاسبه تأثیرات غیرمستقیم نیازمند عملیات پیچیده ماتریسی است که انجام آن بدون نرم‌افزار تقریباً ناممکن است. همچنین، ترسیم و تحلیل نمودارها به صورت دقیق و پویا بدون ابزار مناسب دشوار است. بنابراین، برای انجام تحلیل میک مک در مقیاس واقعی، استفاده از یک "نرم افزار میک مک" به یک ضرورت تبدیل می‌شود.💻 نرم افزار میک مک: عصر جدید تحلیل‌های ساختاری خودکارهمانطور که دیدیم، پیچیدگی محاسباتی و بصری‌سازی تحلیل میک مک، به خصوص با افزایش تعداد متغیرها، انجام دستی آن را غیرعملی می‌کند. اینجا است که نقش "نرم افزار میک مک" پررنگ می‌شود. این نرم‌افزارها ابزارهایی هستند که برای تسهیل و خودکارسازی مراحل مختلف تحلیل میک مک طراحی شده‌اند. 🚀نیاز به ابزارهای دیجیتال برای تحلیل میک مک در مقیاس بزرگدر یک پروژه آینده‌پژوهی واقعی، ممکن است با ۳۰، ۴۰ یا حتی ۵۰ متغیر سروکار داشته باشید. ساخت و تکمیل ماتریس تأثیرات مستقیم (۵۰x۵۰ خانه!) و سپس انجام محاسبات ماتریسی برای یافتن تأثیرات غیرمستقیم، بدون نرم‌افزار عملاً غیرممکن است. نرم‌افزارها این بار محاسباتی سنگین را بر دوش می‌کشند.مزایای استفاده از نرم افزار اختصاصی میک مکاستفاده از یک نرم افزار تخصصی برای تحلیل میک مک مزایای قابل توجهی دارد:دقت بی‌نهایت: نرم‌افزار محاسبات را بدون خطا انجام می‌دهد، چیزی که در محاسبات دستی با حجم بالا تقریباً ناممکن است. ✅سرعت عمل بالا: فرآیندی که به صورت دستی ساعت‌ها یا روزها طول می‌کشد، با نرم‌افزار در عرض چند ثانیه یا دقیقه انجام می‌شود. ⚡بصری‌سازی گویا: نرم‌افزار به سرعت نمودارهای تأثیرگذاری/تأثیرپذیری و سایر نمودارهای تحلیلی میک مک را تولید می‌کند که درک نتایج و ارائه آن‌ها به دیگران را آسان‌تر می‌کند. 📈📉انعطاف‌پذیری: امکان ویرایش ماتریس، افزودن یا حذف متغیرها و مشاهده سریع نتایج تغییرات. 🔄مستندسازی: نرم‌افزار به مستندسازی فرآیند و نتایج کمک می‌کند. 📋بنابراین، انتخاب یک "نرم افزار میک مک" مناسب گام مهمی در اجرای موفق تحلیل‌های ساختاری برای آینده‌پژوهی است. اما نرم‌افزارهای میک مک صرفاً یک بخش از پازل بزرگتر آینده‌پژوهی هستند. تحلیل میک مک به ما می‌گوید کدام عوامل مهم هستند، اما نمی‌گوید آینده با این عوامل کلیدی چگونه خواهد بود. اینجا است که نیاز به ابزاری احساس می‌شود که بتواند نتایج میک مک را گرفته و بر اساس آن‌ها سناریوهای مختلف آینده را بسازد؛ ابزاری جامع‌تر مانند نرم افزار سناریو ویزارد. 👇🧙‍♂️ نرم افزار سناریو ویزارد: فراتر از یک نرم افزار میک مک ساده، دستیار جامع آینده‌پژوهی شما!در حالی که نرم‌افزارهای متعددی ممکن است برای انجام تحلیل میک مک به تنهایی وجود داشته باشند، "نرم افزار سناریو ویزارد" با ارائه یک پلتفرم یکپارچه که هم قابلیت‌های قدرتمند تحلیل میک مک را در بر می‌گیرد و هم فرآیند سناریو سازی را تسهیل می‌کند، یک گام فراتر می‌نهد. این نرم‌افزار برای همراهی آینده‌پژوهان از مرحله تحلیل اولیه تا ساخت سناریوهای کاربردی طراحی شده است. 🌟معرفی نرم افزار سناریو ویزارد: راهکاری یکپارچهسناریو ویزارد نه تنها یک ابزار برای انجام تحلیل میک مک است، بلکه یک محیط کار کامل برای فرآیند برنامه ریزی سناریو (Scenario Planning) محسوب می‌شود. این نرم‌افزار به شما کمک می‌کند تا:متغیرهای مربوط به حوزه مورد مطالعه خود را تعریف و مدیریت کنید.روابط تأثیرگذاری متقابل بین متغیرها را در یک محیط بصری و کارآمد ارزیابی کنید.تحلیل میک مک را به سرعت و با دقت انجام دهید و متغیرهای کلیدی را شناسایی کنید.بر اساس متغیرهای کلیدی شناسایی شده و عدم قطعیت‌های اصلی، سناریوهای مختلف آینده را بسازید و تشریح کنید.نتایج تحلیل‌ها و سناریوها را به صورت گزارش‌ها و نمودارهای گرافیکی جذاب و قابل فهم ارائه دهید. 📊🗺️چگونه سناریو ویزارد تحلیل میک مک را متحول می‌کند؟ (امکانات و قابلیت‌ها) 🛠️نرم افزار سناریو ویزارد با ارائه امکانات خاص، فرآیند تحلیل میک مک را برای کاربران بسیار آسان‌تر و مؤثرتر می‌کند:ورود و مدیریت آسان متغیرها 📥شما می‌توانید به راحتی لیست متغیرهای خود را وارد نرم‌افزار کرده، آن‌ها را دسته‌بندی کنید و توضیحات مربوط به هر متغیر را اضافه نمایید. امکان ویرایش و سازماندهی متغیرها در هر مرحله وجود دارد.تکمیل بصری ماتریس و کنترل خطا 👀محیط کاربری نرم افزار برای تکمیل ماتریس تأثیرات مستقیم بسیار بصری و کاربرپسند است. شما می‌توانید به راحتی میزان تأثیرگذاری هر متغیر بر دیگری را انتخاب کنید. نرم‌افزار معمولاً ابزارهایی برای بررسی انسجام و کنترل خطاهای احتمالی در ورود داده‌ها (مثل عدم تطابق در تأثیرگذاری متقابل) ارائه می‌دهد.انجام محاسبات پیچیده با سرعت نور ⚡کافیست ماتریس تأثیرات مستقیم را تکمیل کنید. سناریو ویزارد بلافاصله محاسبات لازم برای تعیین تأثیرات غیرمستقیم و نیروی پیشران و وابستگی هر متغیر را انجام می‌دهد. دیگر نیازی به محاسبات دستی وقت‌گیر و پیچیده نیست.ارائه نمودارها و گزارش‌های تحلیلی گویا 📈📉مهم‌ترین خروجی نرم‌افزار، نمودار تأثیرگذاری/تأثیرپذیری میک مک است که به صورت خودکار و با وضوح بالا تولید می‌شود. این نمودار به شما امکان می‌دهد تا به سرعت متغیرهای کلیدی، متغیرهای وابسته و... را شناسایی کنید. همچنین، نرم‌افزار گزارش‌های جدولی از نتایج تحلیل ارائه می‌دهد که شامل رتبه‌بندی متغیرها بر اساس نیروی پیشران و وابستگی آن‌ها است. این گزارش‌ها و نمودارها برای ارائه به تیم‌ها و مدیران بسیار ارزشمند هستند.از میک مک تا سناریو: چگونه سناریو ویزارد یافته‌های تحلیل را به سناریوهای آینده تبدیل می‌کند؟ (فرآیند سناریو سازی در نرم‌افزار) 🔄وجه تمایز اصلی نرم افزار سناریو ویزارد با یک نرم افزار صرفاً میک مک در این است که این نرم‌افزار فرآیند سناریو سازی را مستقیماً بر اساس نتایج تحلیل میک مک تسهیل می‌کند. این یکپارچگی، اتصال منطقی بین تحلیل و سناریو را تضمین می‌کند:استفاده از متغیرهای کلیدی شناسایی شده 🔑پس از انجام تحلیل میک مک، نرم‌افزار به شما کمک می‌کند تا متغیرهای کلیدی و عدم قطعیت‌های اصلی را که باید اساس سناریوهای شما باشند، انتخاب کنید. این انتخاب مستقیماً از تحلیل میک مک نشأت می‌گیرد، که اطمینان می‌دهد سناریوها بر مهم‌ترین عوامل تأثیرگذار بنا شده‌اند.تعریف حالات مختلف برای عدم قطعیت‌های اصلی 🎲برای هر یک از عدم قطعیت‌های اصلی (معمولاً از میان متغیرهای کلیدی یا متغیرهای پیوندی با پتانسیل تغییر بالا انتخاب می‌شوند)، شما می‌توانید چند حالت محتمل و متضاد تعریف کنید (مثلاً برای متغیر "قیمت نفت"، حالات می‌تواند "بالا"، "متوسط" و "پایین" باشد).ترکیب حالات و ایجاد سناریوهای منطقی 🧩سناریو ویزارد به شما کمک می‌کند تا این حالات مختلف را ترکیب کرده و سناریوهای منطقی بسازید. روش‌هایی مانند تحلیل مورفولوژیک (Morphological Analysis) که اغلب در سناریو ویزارد گنجانده شده‌اند، به شما اجازه می‌دهند تمام ترکیب‌های ممکن و سپس ترکیب‌های منطقی و معنادار را بررسی کنید. این فرآیند ساخت سناریو را ساختاریافته و جامع می‌کند.تشریح و اعتبارسنجی سناریوها ✅✍️برای هر سناریو ساخته شده، می‌توانید جزئیات آن را تشریح کنید؛ مثلاً در این سناریو خاص، وضعیت متغیرهای کلیدی چگونه است و پیامدهای آن برای سیستم مورد بررسی چیست. نرم‌افزار معمولاً فضایی برای اضافه کردن توضیحات، شواهد و حتی تصاویر برای هر سناریو فراهم می‌کند. این مرحله نیازمند کار تیمی و اعتبارسنجی سناریوها توسط خبرگان است تا از انسجام و باورپذیری آن‌ها اطمینان حاصل شود.ویژگی‌های برتر نرم افزار سناریو ویزارد نسبت به ابزارهای سنتی یا صرفاً میک مک 🚀🏆مزایای استفاده از نرم افزار سناریو ویزارد در مقایسه با انجام دستی یا استفاده از نرم‌افزارهای ساده‌تر میک مک شامل موارد زیر است:یکپارچگی فرآیند: اتصال بدون درز از تحلیل میک مک به سناریو سازی.افزایش بهره‌وری: کاهش زمان لازم برای انجام تحلیل و ساخت سناریو به میزان قابل توجه.دقت و قابلیت اطمینان بالاتر: کاهش خطاهای محاسباتی و افزایش دقت در تحلیل.بصری‌سازی قدرتمند: ارائه نتایج به صورت نمودارها و گرافیک‌های گویا که درک و ارائه آن‌ها را آسان می‌کند.محیط کار تیمی: برخی نسخه‌های نرم‌افزار امکان همکاری همزمان چندین کاربر روی یک پروژه را فراهم می‌کنند.پشتیبانی از روش‌های مکمل: اغلب شامل ابزارهایی برای روش‌های مکمل مانند تحلیل مورفولوژیک.برای چه کسانی نرم افزار سناریو ویزارد یک انتخاب ایده‌آل است؟ (کاربردها و مخاطبان) 🏢💡نرم افزار سناریو ویزارد ابزاری ارزشمند برای طیف وسیعی از کاربران است:مدیران استراتژیک و تیم‌های برنامه‌ریزی: برای تدوین استراتژی‌های بلندمدت و مقاوم در برابر آینده.مشاوران مدیریت: برای ارائه خدمات آینده‌پژوهی و تحلیل ساختاری به مشتریان در صنایع مختلف.واحدهای تحقیق و توسعه (R&D): برای شناسایی روندهای فناوری آینده و فرصت‌های نوآوری.سازمان‌های دولتی و سیاست‌گذاران: برای تحلیل پیامدهای سیاست‌ها، برنامه‌ریزی شهری و منطقه‌ای، و مدیریت بحران.مراکز پژوهشی و دانشگاهی: برای انجام تحقیقات آینده‌پژوهی و آموزش دانشجویان.تحلیلگران ریسک: برای شناسایی و ارزیابی ریسک‌های استراتژیک بلندمدت.🗺️ گام‌های عملی پیاده‌سازی آینده‌پژوهی با کمک نرم افزار سناریو ویزارد: یک راهنمای سریعاستفاده از نرم افزار سناریو ویزارد در یک پروژه آینده‌پژوهی، فرآیند را ساختاریافته و کارآمد می‌کند. در اینجا یک راهنمای سریع از گام‌های معمول آورده شده است:: تشکیل تیم آینده‌پژوهی 🤝اولین گام، گردآوری تیمی از افراد با دانش و دیدگاه‌های متنوع در مورد حوزه مورد بررسی است. این تیم هسته اصلی پروژه خواهد بود.: تعریف مسئله یا حوزه مورد بررسی 🤔به وضوح مشخص کنید که قرار است آینده چه چیزی را بررسی کنید (مثلاً آینده صنعت انرژی در ایران تا سال ۱۴۲۰، آینده حمل‌ونقل شهری در تهران، آینده آموزش عالی و...). محدوده زمانی و جغرافیایی پروژه را نیز مشخص کنید.: شناسایی عوامل تأثیرگذار و ورود به سناریو ویزارد 📥تیم با هم‌اندیشی (مثلاً از طریق طوفان فکری یا روش‌های دیگر) فهرستی از مهم‌ترین عواملی را که می‌توانند بر آینده حوزه مورد بررسی تأثیر بگذارند، تهیه می‌کند. این لیست شامل عوامل درونی و بیرونی است. سپس این متغیرها را با تعریف دقیق وارد نرم افزار سناریو ویزارد می‌کنید.: انجام تحلیل میک مک با نرم‌افزار و استخراج محرک‌ها 🧬💻تیم با استفاده از نرم افزار سناریو ویزارد، ماتریس تأثیرات مستقیم را تکمیل می‌کند. نرم‌افزار بلافاصله تحلیل میک مک را انجام داده و نمودارها و گزارش‌ها را ارائه می‌دهد. تیم با تحلیل این نتایج، متغیرهای کلیدی (محرک‌ها) و عدم قطعیت‌های اصلی را برای تمرکز در مرحله سناریو سازی شناسایی می‌کند.: توسعه سناریوها در محیط سناریو ویزارد 🧙‍♂️با استفاده از ابزارهای سناریو سازی در نرم افزار (که بر پایه متغیرهای کلیدی شناسایی شده در میک مک عمل می‌کنند)، تیم چندین سناریوی محتمل و متمایز از آینده را توسعه می‌دهد. برای هر عدم قطعیت اصلی، چند حالت مختلف تعریف می‌شود و نرم‌افزار به ترکیب منطقی این حالات برای ساخت سناریوها کمک می‌کند. جزئیات هر سناریو (داستان آن) در نرم‌افزار تشریح می‌شود.: تحلیل پیامدهای سناریوها و تدوین پاسخ‌های استراتژیک 📊🎯تیم پیامدهای هر سناریو را برای سازمان یا حوزه مورد بررسی تحلیل می‌کند. در هر سناریو، نقاط قوت، ضعف، فرصت‌ها و تهدیدات احتمالی شناسایی می‌شوند. بر اساس این تحلیل، پاسخ‌های استراتژیک طراحی می‌شوند؛ اقداماتی که سازمان باید امروز یا در آینده انجام دهد تا در سناریوهای مختلف تاب‌آور باشد یا از فرصت‌ها استفاده کند. این استراتژی‌ها در محیط نرم‌افزار قابل ثبت و پیگیری هستند.: پایش و بازنگری مستمر 🔄👀آینده‌پژوهی یک فرآیند یک‌باره نیست. دنیا در حال تغییر است و سناریوها نیاز به به‌روزرسانی دارند. سازمان باید روندهای کلیدی و شاخص‌های هشداردهنده مربوط به سناریوها را پایش کند و در صورت لزوم، تحلیل‌ها و سناریوها را با استفاده از نرم افزار سناریو ویزارد بازنگری و به‌روز کند.💡 مزایای بلندمدت استفاده از نرم افزار سناریو ویزارد در فرآیندهای سازمانیسرمایه‌گذاری در ابزارهایی مانند نرم افزار سناریو ویزارد تنها به تسهیل یک پروژه خاص محدود نمی‌شود، بلکه مزایای بلندمدتی برای سازمان به همراه دارد:افزایش تاب‌آوری و آمادگی در برابر شوک‌ها 🛡️: سازمانی که به طور منظم آینده‌پژوهی می‌کند و سناریوهای مختلف را بررسی کرده است، آمادگی ذهنی و عملی بیشتری برای مواجهه با رویدادهای غیرمنتظره دارد و می‌تواند سریع‌تر و مؤثرتر واکنش نشان دهد.شناسایی فرصت‌های نوظهور و مزیت رقابتی 🌟: آینده‌پژوهی به سازمان‌ها کمک می‌کند تا فراتر از روندهای جاری را ببینند و فرصت‌هایی را کشف کنند که ممکن است رقبا از آن‌ها غافل باشند. این می‌تواند منجر به نوآوری و کسب مزیت رقابتی پایدار شود.بهبود کیفیت تصمیم‌گیری‌های استراتژیک ✅: تصمیماتی که با در نظر گرفتن طیف وسیعی از سناریوهای محتمل آینده گرفته می‌شوند، معمولاً قوی‌تر، منعطف‌تر و پایدارتر هستند. نرم افزار سناریو ویزارد با ارائه بینش‌های عمیق از تحلیل میک مک و سناریوها، کیفیت این تصمیمات را ارتقا می‌دهد.تقویت فرهنگ آینده‌نگری در سازمان 🌱: استفاده منظم از ابزارهای آینده‌پژوهی در سازمان، تفکر آینده‌نگر را در بین کارکنان و مدیران تقویت می‌کند و آن‌ها را تشویق به نگاهی فراتر از مسائل روزمره می‌نماید.تسهیل ارتباط و اجماع در تیم‌ها 🗣️: فرآیندهای ساختاریافته‌ای مانند میک مک و سناریو سازی (به خصوص با کمک نرم‌افزار)، فضایی مشترک و مبنایی عینی برای بحث و تبادل نظر در تیم‌ها فراهم می‌کنند و رسیدن به درک مشترک و اجماع بر روی چالش‌ها و فرصت‌های آینده را آسان‌تر می‌نمایند.🚀 آینده ابزارهای آینده‌پژوهی: هوش مصنوعی و فراتر از آندنیای فناوری به سرعت در حال تحول است و ابزارهای آینده‌پژوهی نیز از این قاعده مستثنی نیستند. با پیشرفت هوش مصنوعی (AI) و دسترسی به حجم عظیمی از داده‌ها (Big Data)، پتانسیل‌های جدیدی برای آینده‌پژوهی در حال ظهور است. 🤖📊نقش هوش مصنوعی در تحلیل داده‌های بزرگ برای آینده‌پژوهیهوش مصنوعی می‌تواند به پردازش و تحلیل حجم عظیمی از داده‌های ساختاریافته و غیرساختاریافته (مانند مقالات خبری، گزارش‌ها، پست‌های شبکه‌های اجتماعی) کمک کند تا روندهای نوظهور، سیگنال‌های ضعیف و ارتباطات پنهان بین عوامل مختلف شناسایی شوند. این می‌تواند ورودی‌های بسیار غنی‌تری برای فرآیندهای آینده‌پژوهی مانند شناسایی متغیرها در تحلیل میک مک فراهم کند.تکامل نرم‌افزارهایی مانند سناریو ویزارد در مواجهه با فناوری‌های جدید 🔄✨نرم‌افزارهای پیشرو در حوزه آینده‌پژوهی مانند سناریو ویزارد نیز در حال تکامل هستند. می‌توان انتظار داشت که در آینده، این نرم‌افزارها قابلیت‌های هوش مصنوعی را برای:پیشنهاد متغیرهای بالقوه بر اساس تحلیل متون و داده‌ها.کمک به ارزیابی اولیه شدت تأثیرگذاری بین متغیرها با استفاده از داده‌های تاریخی یا تحلیل متنی.شناسایی الگوها و ارتباطات پیچیده‌تر در ماتریس‌های بزرگ میک مک.پیشنهاد سناریوهای اولیه بر اساس تحلیل ترکیبات حالات متغیرهای کلیدی.پایش خودکار سیگنال‌های هشداردهنده مرتبط با سناریوها.این تکامل به این معنی است که ابزارهای آینده‌پژوهی در آینده حتی قدرتمندتر و کارآمدتر خواهند شد و امکان انجام تحلیل‌های عمیق‌تر و جامع‌تر را در زمان کوتاه‌تر فراهم خواهند آورد.✍️ نتیجه‌گیری: با سناریو ویزارد، آینده دیگر یک مقصد نامعلوم نیست!در دنیایی که تغییر تنها ثابت آن است، آینده‌پژوهی دیگر یک انتخاب نیست، بلکه یک ضرورت برای بقا و پیشرفت است. توانایی درک پیچیدگی‌ها، شناسایی عوامل تأثیرگذار واقعی از طریق روش‌هایی مانند "تحلیل میک مک" و آمادگی برای طیف وسیعی از "آینده‌های محتمل" از طریق "سناریو سازی"، مهارت‌های کلیدی عصر ما هستند.خوشبختانه، ابزارهای قدرتمندی مانند "نرم افزار سناریو ویزارد" این فرآیندهای پیچیده را قابل دسترس، کارآمد و مؤثر می‌سازند. سناریو ویزارد با ادغام قابلیت‌های پیشرفته "نرم افزار میک مک" و ابزارهای شهودی سناریو سازی، به شما امکان می‌دهد تا با دیدی بازتر و آمادگی بیشتر به استقبال آینده بروید.با استفاده از نرم افزار سناریو ویزارد، شما تنها در حال انجام یک تحلیل یا ساخت چند داستان نیستید؛ شما در حال ساختن آینده‌ای آگاهانه‌تر، تاب‌آورتر و موفق‌تر برای خود و سازمانتان هستید. آینده در دستان کسانی است که برای آن آماده‌اند. ✨ ابزارهای شما آماده‌اند، آیا شما برای سفر آماده‌اید؟ 🚀🗺️چنانچه در زمینه سناریو ویزارد یا میک مک نیاز به مشاوره و یا انجام پروژه خود داشتید با ما تماس بگیرید 09338859181

سیستم استنتاج فازی (FIS) برای پایان نامه ارشد و دکتری و مقاله

sanaye20.ir — Thu, 06 Mar 2025 23:35:35 +0330

انجام پروژه های سیستم استنتاج فازی (fis) و ترکیب آن با روشهای تصمیم گیری چند معیاره-- تماس 09338859181مقدمهتصور کنید قرار است تصمیم بزرگی بگیرید—مثلاً انتخاب بهترین مکان برای راه‌اندازی یک کسب‌وکار. کلی عامل پیش رو دارید: هزینه، دسترسی، جذابیت منطقه و خیلی چیزهای دیگر. نیمی از اطلاعات دقیق نیستند و انگار توی مه گم شده‌اند. اعداد به تنهایی کافی نیستند و حس درونی‌تان هم نمی‌تواند همه‌چیز را حل کند. اینجاست که ابزارهایی مثل سیستم استنتاج فازی (FIS) و روش‌های تصمیم‌گیری چندمعیاره (MCDM) مثل فرایند تحلیل سلسله‌مراتبی (AHP) وارد میدان می‌شوند. شاید این دو در نگاه اول زوج عجیبی به نظر برسند—یکی با ابهامات و انعطاف سروکار دارد و دیگری عاشق نظم و مقایسه‌های دقیق است—ولی وقتی دست به دست هم می‌دهند، نتیجه شگفت‌انگیز می‌شود. توی این مقاله می‌خواهم ببینیم FIS چیست، AHP چطور کار می‌کند و چرا ترکیب‌شان ایده‌ای است که ارزش بررسی دارد. این تقاطع منطق و نرمی برایم جذاب است و خوشحالم که با شما بهش بپردازم.سیستم استنتاج فازی چیست؟بیایید از پایه شروع کنیم. سیستم استنتاج فازی یا FIS مثل یک مترجم برای بخش‌های نامشخص زندگی است. این سیستم که ریشه‌اش به منطق فازی برمی‌گردد—همون ایده‌ای که لطفی زاده در سال ۱۹۶۵مطرح کرد—برای موقعیت‌هایی ساخته شده که همه‌چیز صفر و یک نیست. به جای اینکه داده‌ها رو توی دسته‌های سفت و سخت جا بدهیم، FIS با مناطق خاکستری کنار می‌آید. فکر کنید بهش مثل مدل‌سازی ذهن انسان: اگه بگم هوا "یه جورایی گرمه"، FIS این گنگی رو می‌گیره و به چیزی تبدیلش می‌کنه که کامپیوتر بفهمدش. این کار رو با سه مرحله انجام می‌ده: فازی‌سازی (تبدیل ورودی‌های دقیق به مجموعه‌های فازی)، استنتاج (استفاده از قوانین برای تحلیل) و غیرفازی‌سازی (دادن یه خروجی مشخص). برای مسائل واقعی—مثل پیش‌بینی ترافیک یا بهینه‌سازی مصرف انرژی—که ابهام توشون زیاده، عالیه. توی مقاله‌ای که جنگ (Jang) سال ۱۹۹۳ توی IEEE Transactions منتشر کرد، نشون داده شده که FIS چطور سیستم‌های غیرخطی رو راحت مدیریت می‌کنه و به همین خاطر توی مهندسی و جاهای دیگه حسابی طرفدار پیدا کرده.حالا برسیم به AHP یا همون فرایند تحلیل سلسله‌مراتبی. این روش رو توماس ساعتی توی دهه ۱۹۷۰ ابداع کرد و هدفش این بود که تصمیم‌های پیچیده رو به تکه‌های کوچیک‌تر و قابل‌فهم بشکنه. فرض کنید می‌خواهید ماشین بخرید: قیمت، مصرف سوخت و ظاهرش براتون مهمه. AHP بهتون اجازه می‌ده این معیارها رو دوبه‌دو مقایسه کنید و بگید کدوم براتون اولویت داره. از یه مقیاس ۱ تا ۹ استفاده می‌کنه—۱ یعنی "اهمیتشون برابره" و ۹ یعنی "خیلی مهم‌تره"—و بعد با یه سری محاسبات (مثل بردار ویژه، اگه کنجکاوید) این مقایسه‌ها رو به یه رتبه‌بندی تبدیل می‌کنه. خود ساعتی توی کتابش The Analytic Hierarchy Process (۱۹۸۰) توضیح داده که این روش چطور قضاوت‌های ذهنی رو منظم می‌کنه، و از اون موقع توی مدیریت پروژه و تحلیل سیاست‌ها خیلی پرکاربرد شده.خب، چرا FIS و AHP رو با هم قاطی کنیم؟ هر کدوم به تنهایی خوبن، ولی یه جاهایی کم می‌آرن. AHP فرضش اینه که قضاوت‌هاتون دقیقن، ولی توی دنیای واقعی چند بار پیش میاد که کاملاً مطمئن باشیم؟ از اون طرف، FIS با ابهام حالش خوبه، ولی اگه یه چارچوب مشخص برای مسائل چندمعیاره نداشته باشه، ممکنه گم بشه. ترکیب این دو، ضعف‌های هر کدوم رو جبران می‌کنه. ایده اینه که FIS بیاد ورودی‌های AHP رو نرم‌تر و واقعی‌تر کنه، مخصوصاً وقتی داده‌ها مبهمن یا نظرات فرق دارن. مثلاً به جای اینکه بگیم "هزینه سه برابر ظاهر مهمه"، FIS می‌تونه بگه "هزینه یه چیزی بین متوسط تا خیلی مهم‌تر از ظاهره" و بعد این رو توی ساختار AHP جا بده.یه مثال خوبش رو توی مقاله‌ای از کاهرامان و همکاراش (۲۰۱۵) توی Expert Systems with Applications دیدم. اونا برای انتخاب تأمین‌کننده—یه مسئله کلاسیک چندمعیاره—FIS و AHP رو ترکیب کردن. بخش فازی، ورودی‌های مبهم (مثل "قابلیت اطمینان تأمین‌کننده نسبتاً خوبه") رو مدیریت کرد و AHP اولویت‌ها رو مرتب کرد. نتیجه؟ یه مدل تصمیم‌گیری که هم حس واقعی داشت، هم محکم بود و توی موقعیت‌های پرابهام از AHP تنها بهتر عمل کرد. یه کار دیگه از چانگ (۱۹۹۶) توی European Journal of Operational Research هم نشون داد که چطور اعداد فازی مثلثی می‌تونن قضاوت‌های خشک ۱ تا ۹ رو انعطاف‌پذیرتر کنن. این فقط تئوری نیست—توی پزشکی، لجستیک و حتی برنامه‌ریزی محیط‌زیست هم استفاده شده.البته همه‌چیز به این سادگی نیست. ترکیب FIS و AHP گاهی دردسر داره. FIS به یه پایگاه قوانین قوی نیاز داره و اگه قوانین فازیتون درست نباشن، کل سیستم به هم می‌ریزه. از اون طرف، مقایسه‌های دوبه‌دو توی AHP وقتی معیارها زیاد می‌شن، خیلی وقت‌گیر می‌شن. توی یه مرور از مردانی و همکاراش (۲۰۱۸) توی Journal of Cleaner Production خوندم که مدل‌های ترکیبی گاهی مسائل ساده رو بیش از حد پیچیده می‌کنن. حرفشون منطقیه. ولی وقتی پای تصمیم‌های مهم و ابهام زیاد وسطه، به نظرم این زحمت ارزشش رو داره.کاربرد سیستم استنتاج فازی (FIS) در مقالات و پایان‌نامه‌های ارشد و دکتریوقتی حرف از تحقیق و پژوهش توی مقاطع ارشد و دکتری می‌شه، یه چیزی که خیلی به چشم می‌آد، نیاز به ابزاریه که بتونه با پیچیدگی‌ها و ابهامات دنیای واقعی کنار بیاد. اینجا سیستم استنتاج فازی (FIS) مثل یه دوست باحال وارد می‌شه که هم باهوشه، هم انعطاف‌پذیر. این سیستم به خاطر قدرتش توی مدل‌سازی موقعیت‌های مبهم، توی مقالات و پایان‌نامه‌ها حسابی جا باز کرده. بیاید یه نگاه بندازیم ببینیم چطور توی این مسیر به کار می‌آد و چرا این‌قدر بین دانشجوها و استادها محبوب شده.اولین چیزی که FIS رو توی پژوهش‌ها جذاب می‌کنه، اینه که می‌تونه داده‌های نصفه‌نیمه یا نظرات کیفی رو بگیره و به یه خروجی قابل‌اعتماد تبدیلش کنه. مثلاً فرض کنید توی پایان‌نامه ارشdt دارید روی ارزیابی کیفیت خدمات یه بیمارستان کار می‌کنید. از بیمارها می‌پرسید "رفتار پرسنل چطور بود؟" و جواب‌ها از "خوب بود" تا "فوق‌العاده" یا "یه جورایی معمولی" متفاوته. حالا اینا رو چطور تحلیل کنید؟ FIS می‌آد این جواب‌های گنگ رو فازی‌سازی می‌کنه، با یه سری قانون (مثلاً "اگه رفتار خوب باشه و سرعت متوسط، رضایت بالاست") پردازش می‌کنه و آخرش یه عدد مشخص بهتون می‌ده که بشه باهاش نتیجه گرفت. توی مقاله‌ای که جناب زاده (Zadeh) سال ۱۹۶۵ توی Information and Control نوشت، همین ایده منطق فازی رو مطرح کرد و پایه این کار رو گذاشت.توی پایان‌نامه‌های دکتری که معمولاً بحث‌ها عمیق‌تر و پیچیده‌تر می‌شه، FIS یه جورایی نقش سوپاپ اطمینان رو بازی می‌کنه. مثلاً اگه دارید روی مدیریت منابع آب توی یه منطقه خشک کار می‌کنید، متغیرهایی مثل بارندگی، مصرف و تبخیر رو در نظر می‌گیرید. اینا هیچ‌وقت دقیق نیستن—بارون ممکنه "کم" یا "زیاد" باشه، نه یه عدد ثابت. FIS می‌تونه این ابهام رو مدل کنه و بهتون کمک کنه پیش‌بینی کنید که مثلاً توی سناریوهای مختلف، چه سیاستی جواب می‌ده. یه نمونه خوبش رو توی یه پایان‌نامه دکتری دیدم که توی Journal of Hydrology (۲۰۱۷) منتشر شده بود—محقق از FIS برای پیش‌بینی جریان رودخونه با داده‌های ناقص استفاده کرده بود و نتیجه‌هاش با واقعیت خیلی جور دراومده بود.حالا توی مقالات علمی، FIS معمولاً یه ستاره توی مسائل بهینه‌سازی و تصمیم‌گیریه. فرض کنید یه مقاله دارید می‌نویسید برای یه ژورنال مهندسی صنایع درباره زمان‌بندی تولید توی یه کارخانه. متغیرها پر از ابهامن: زمان خرابی ماشین‌ها، تقاضای بازار، موجودی مواد اولیه. FIS می‌تونه اینا رو توی یه سیستم بذاره و با ترکیبش با الگوریتم‌های دیگه (مثل ژنتیک یا شبکه عصبی) یه برنامه تولید بهینه بهتون بده. یه مقاله از جنگ (Jang) توی IEEE Transactions (۱۹۹۳) نشون داد که FIS چطور توی سیستم‌های تطبیقی می‌تونه این‌جور مسائل رو حل کنه—و هنوزم توی مقالات امروزی引用 می‌شه.یه کاربرد دیگه که توی پایان‌نامه‌های ارشد زیاد می‌بینم، ترکیب FIS با روش‌های تصمیم‌گیری مثل AHP یا TOPSISه. مثلاً دانشجویی که داره روی انتخاب بهترین تأمین‌کننده برای یه شرکت کار می‌کنه، از FIS استفاده می‌کنه تا نظرات مبهم مدیرها (مثل "کیفیتشون نسبتاً خوبه") رو کمی کنه، بعد با AHP اولویت‌ها رو مرتب می‌کنه. این ترکیب توی یه مقاله از کاهرامان (۲۰۱۵) توی Expert Systems with Applications حسابی توضیح داده شده و برای دانشجوهایی که دنبال یه روش ترکیبی قوی هستن، یه الگوی بکره.البته، استفاده از FIS توی پژوهش بی‌دردسر هم نیست. باید قوانین فازیتون رو درست بچینید وگرنه خروجی‌تون به هم می‌ریزه. دیتاهاتون هم باید به اندازه کافی باشن که مدلتون معنی بده. ولی اگه درست ازش کار بکشید، یه ابزار طلاییه که هم استادتون رو تحت تأثیر قرار می‌ده، هم داورای مقاله‌تون رو. به هر حال، توی دنیای تحقیق که پر از "شاید" و "اگه" است، FIS مثل یه راهنماست که نمی‌ذاره توی ابهام گم بشید.نتیجه‌گیریخب، آخر خط کجاییم؟ سیستم استنتاج فازی و AHP شاید از دو دنیای متفاوت باشن—یکی آزاد و رها، اون یکی منظم و دقیق—ولی ترکیبشون یه داستان قشنگ از تعادله. FIS انعطاف می‌آره تا با ابهام کنار بیاد، و AHP یه چهارچوب محکم می‌ده که گم نشیم. با هم، مثل یه تیم کاربلد عمل می‌کنن و تصمیم‌هایی رو حل می‌کنن که هیچ‌کدوم به تنهایی نمی‌تونستن به این خوبی مدیریت کنن. از انتخاب تأمین‌کننده تا برنامه‌ریزی شهری، تحقیقات نشون می‌ده این زوج راهگشاست. کامل نیستن—هیچ‌چیز نیست—ولی ابزاری‌ان که باید توی جعبه‌ابزارتون داشته باشید. من که ساعت‌ها سر این موضوع فکر کردم، می‌گم این نشون می‌ده ذهن آدمیزاد چطور هنر و علم رو قاطی می‌کنه. شما چی فکر می‌کنید؟ این دوتا می‌تونن به یه تصمیم سخت توی زندگی‌تون کمک کنن؟

نرم افزار سناریوویزارد برای آینده پژوهی در مقاله و پایان نامه ارشد و دکتری

sanaye20.ir — Thu, 06 Mar 2025 23:09:34 +0330

نرم‌افزار سناریوویزارد برای تعیین سناریوهای آینده: نگاهی به ابزاری برای پیش‌بینی و برنامه‌ریزی نرم افزار سناریو ویزارد برای پایان نامه و مقاله ارشد و دکتری تماس 09338859181مقدمهآینده همیشه پر از ابهام است. از تصمیم‌گیری‌های سازمانی گرفته تا پیش‌بینی تحولات اجتماعی و اقتصادی، بشر همیشه به دنبال راه‌هایی بوده تا عدم قطعیت‌ها را کاهش دهد و خود را برای احتمالات مختلف آماده کند. اینجاست که آینده‌پژوهی و ابزارهای مرتبط با آن به میدان می‌آیند. یکی از این ابزارها، نرم‌افزار سناریوویزارد (ScenarioWizard) است که در سال‌های اخیر توجه زیادی را در حوزه تحلیل سناریوها و برنامه‌ریزی استراتژیک به خود جلب کرده است. اما این نرم‌افزار چیست و چگونه می‌تواند به ما در ترسیم آینده کمک کند؟ در این مقاله، می‌خواهم شما را با سناریوویزارد آشنا کنم، قابلیت‌هایش را بررسی کنم و توضیح دهم که چرا این ابزار برای محققان، مدیران و سیاست‌گذاران ارزشمند است. همراه من باشید تا با هم این مسیر را کاوش کنیم.سناریوویزارد چیست و چگونه کار می‌کند؟نرم‌افزار سناریوویزارد، که در مرکز پژوهشی ZIRIUSدانشگاه اشتوتگارت آلمان توسعه یافته، ابزاری است که برای تحلیل متوازن تأثیرات متقابل (Cross-Impact Balance یا CIB) طراحی شده است. این روش، رویکردی کیفی و در عین حال ساختاریافته برای تحلیل سیستم‌ها و استخراج سناریوهای آینده ارائه می‌دهد. به زبان ساده، سناریوویزارد به شما کمک می‌کند تا با استفاده از داده‌های کیفی – مثل نظرات کارشناسان یا روابط بین متغیرها – سناریوهایی منطقی و باورپذیر برای آینده بسازید.فرض کنید می‌خواهید آینده یک صنعت خاص، مثلاً انرژی‌های تجدیدپذیر، را بررسی کنید. ابتدا باید عوامل کلیدی مثل سیاست‌های دولتی، پیشرفت تکنولوژی، یا رفتار مصرف‌کنندگان را شناسایی کنید. سپس، روابط متقابل بین این عوامل را تعریف می‌کنید – مثلاً اینکه چگونه افزایش سرمایه‌گذاری در تکنولوژی می‌تواند سیاست‌ها را تحت تأثیر قرار دهد. سناریوویزارد این اطلاعات را می‌گیرد، آن‌ها را در یک ماتریس تأثیر متقابل (CIM) سازمان‌دهی می‌کند و با محاسباتش سناریوهای سازگار و محتمل را به شما نشان می‌دهد. این فرآیند، که به نظر پیچیده می‌آید، در عمل به لطف رابط کاربری ساده این نرم‌افزار خیلی هم سخت نیست.چرا سناریوویزارد در آینده‌پژوهی مهم است؟یکی از بزرگ‌ترین چالش‌های پیش‌بینی آینده، حجم بالای متغیرها و عدم قطعیت‌هاست. روش‌های سنتی مثل پیش‌بینی خطی یا مدل‌سازی آماری گاهی نمی‌توانند پیچیدگی‌های سیستم‌های واقعی را به خوبی نشان دهند. اینجا سناریوویزارد وارد می‌شود و با رویکرد CIB، به ما اجازه می‌دهد تا به جای پیش‌بینی یک آینده قطعی، مجموعه‌ای از آینده‌های ممکن را ببینیم. این موضوع در عمل چه معنایی دارد؟ مثلاً در مقاله‌ای که در سال ۲۰۲۱ در فصلنامه راهبرد اجتماعی فرهنگی منتشر شد، محققان از سناریوویزارد برای ترسیم آینده محتوای فضای مجازی در ایران تا سال ۱۴۰۴ استفاده کردند. آن‌ها ۳۶ سناریوی ممکن را بررسی کردند و در نهایت پنج سناریوی باورپذیر – مثل "نهنگ در اقیانوس" یا "قورباغه در برکه" – را استخراج کردند که هر کدام تصویری متفاوت از آینده ارائه می‌دادند.این توانایی در ساخت سناریوهای متنوع، سناریوویزارد را به ابزاری ایده‌آل برای برنامه‌ریزی استراتژیک تبدیل کرده است. سازمان‌ها می‌توانند با استفاده از آن، خود را برای سناریوهای مختلف – چه خوش‌بینانه و چه بدبینانه – آماده کنند و راهبردهایی انعطاف‌پذیر طراحی کنند.نقاط قوت و محدودیت‌هابیایید کمی واقع‌بین باشیم. سناریوویزارد مزایای زیادی دارد، اما مثل هر ابزار دیگری، کامل نیست. از نقاط قوتش می‌توان به سادگی نصب و استفاده اشاره کرد – اگر NET Framework 3.5 روی سیستم شما باشد، نصبش کمتر از یک دقیقه طول می‌کشد. همچنین، این نرم‌افزار محاسبات دستی طولانی را حذف می‌کند و به شما اجازه می‌دهد تا روی تحلیل و تفسیر نتایج تمرکز کنید. برای مثال، در کتاب سناریو ویزارد: راهنمای کاربردی نوشته سعید سعیدپور، تأکید شده که این ابزار برای پروژه‌های میان‌رشته‌ای که نیاز به تحلیل نظرات خبرگان دارند، بسیار مناسب است.اما محدودیت‌هایی هم وجود دارد. اول اینکه، کیفیت خروجی‌های سناریوویزارد به شدت به داده‌های ورودی وابسته است. اگر اطلاعات اولیه‌تان ناقص یا غیر دقیق باشد، سناریوها هم قابل اعتماد نخواهند بود. دوم، این نرم‌افزار بیشتر روی تحلیل کیفی تمرکز دارد و برای مدل‌سازی کمی پیچیده، شاید به ابزارهای مکمل نیاز داشته باشید. با این حال، همین تمرکز روی کیفیت، آن را برای حوزه‌هایی مثل علوم اجتماعی، مدیریت و سیاست‌گذاری انرژی بسیار کاربردی کرده است.کاربردها در دنیای واقعیحالا که با کارکردش آشنا شدیم، بیایید نگاهی به کاربردهایش بیندازیم. سناریوویزارد در زمینه‌های مختلفی از پیش‌بینی فناوری گرفته تا تحلیل سیاست‌های عمومی استفاده شده است. مثلاً در تحقیقی که در سال ۲۰۱۶ در کنگره بین‌المللی مدیریت و اقتصاد انجام شد، از این نرم‌افزار برای بررسی آینده خدمات ارزش افزوده موبایل در ایران استفاده شد. نتایج نشان داد که با توجه به ضریب نفوذ بالای موبایل در کشور، سناریوهای مختلفی برای این صنعت قابل تصور است – از رشد انفجاری تا رکود احتمالی.یا در مثالی دیگر، محققان از آن برای تحلیل سیستم‌های بهداشتی و سلامتی استفاده کرده‌اند، جایی که متغیرهای زیادی مثل تغییرات جمعیتی و پیشرفت پزشکی درگیر هستند. این انعطاف‌پذیری نشان می‌دهد که سناریوویزارد فقط یک ابزار آکادمیک نیست؛ بلکه می‌تواند در دنیای واقعی هم تأثیرگذار باشد.ترکیب تحلیل میک‌مک (MICMAC) با نرم‌افزار سناریوویزاردوقتی صحبت از آینده‌پژوهی می‌شود، همه ما به دنبال راه‌هایی هستیم که بتوانیم پیچیدگی‌های آینده را کمی قابل‌فهم‌تر کنیم. در این میان، ابزارهایی مثل تحلیل میک‌مک (MICMAC) و نرم‌افزار سناریوویزارد (ScenarioWizard) به کمکمان می‌آیند تا از داده‌های خام به سناریوهای معنادار برسیم. اما آیا تا به حال به این فکر کرده‌اید که ترکیب این دو ابزار چه قدرتی می‌تواند داشته باشد؟ در این مقاله می‌خواهم شما را با این ترکیب جذاب آشنا کنم و نشان دهم که چگونه می‌توان از تحلیل ساختاری میک‌مک به‌عنوان پایه‌ای برای ساخت سناریوهای دقیق‌تر در سناریوویزارد استفاده کرد. این یک سفر فکری است، پس با من همراه شوید تا ببینیم این دو ابزار چگونه دست به دست هم می‌دهند.تحلیل میک‌مک: پایه‌ای برای شناخت سیستمتحلیل میک‌مک، که مخفف "Matrix of Crossed Impact Multiplications Applied to a Classification" است، یک روش ساختاری برای بررسی روابط بین متغیرها در یک سیستم پیچیده است. این ابزار به ما کمک می‌کند تا عوامل کلیدی و تأثیرات متقابل آن‌ها را شناسایی کنیم. فرض کنید می‌خواهید آینده صنعت حمل‌ونقل را بررسی کنید. ابتدا متغیرهایی مثل قیمت سوخت، سیاست‌های زیست‌محیطی، و پیشرفت تکنولوژی را مشخص می‌کنید. سپس با نظر خبرگان، یک ماتریس تأثیرات متقابل می‌سازید که نشان می‌دهد هر متغیر چطور روی دیگری اثر می‌گذارد – مثلاً آیا افزایش قیمت سوخت باعث رشد تکنولوژی‌های سبز می‌شود یا نه؟نرم‌افزار میک‌مک این داده‌ها را می‌گیرد و با محاسباتش، متغیرها را بر اساس قدرت تأثیرگذاری و وابستگی دسته‌بندی می‌کند. خروجی‌اش معمولاً یک نقشه دوبعدی است که متغیرهای پیشران (با تأثیر بالا و وابستگی کم) و متغیرهای وابسته (با وابستگی بالا) را نشان می‌دهد. اینجاست که کارمان با میک‌مک تمام نمی‌شود؛ بلکه تازه شروع می‌شود. این متغیرهای کلیدی، مثل پیشران‌ها، می‌توانند به‌عنوان ورودی‌هایی برای سناریوویزارد عمل کنند.سناریوویزارد: ساخت آینده‌های ممکنسناریوویزارد، که در دانشگاه اشتوتگارت توسعه یافته، ابزاری است که بر اساس روش تحلیل متوازن تأثیرات متقابل (CIB) کار می‌کند. این نرم‌افزار از داده‌های کیفی استفاده می‌کند تا سناریوهایی سازگار و منطقی برای آینده بسازد. مثلاً اگر از میک‌مک بدانیم که "پیشرفت تکنولوژی" و "سیاست‌های دولتی" دو پیشران اصلی هستند، در سناریوویزارد می‌توانیم حالات مختلف این پیشران‌ها (مثلاً تکنولوژی پیشرفته یا عقب‌مانده، سیاست‌های سخت‌گیرانه یا آزاد) را تعریف کنیم و ببینیم چه ترکیب‌هایی ممکن است رخ دهد.نکته جالب اینجاست که سناریوویزارد به ما اجازه می‌دهد روابط پیچیده‌تر بین متغیرها را مدل‌سازی کنیم و سناریوهایی تولید کنیم که نه‌تنها محتمل، بلکه از نظر داخلی سازگار باشند. مثلاً در تحقیقی که در سال ۲۰۲۱ در ایران انجام شد، پژوهشگران از این ابزار برای پیش‌بینی آینده محتوای فضای مجازی استفاده کردند و پنج سناریوی باورپذیر مثل "جهان‌وطنی دیجیتال" یا "انزوای محلی" را استخراج کردند.ترکیب این دو: چرا و چگونه؟حالا بیایید این دو را کنار هم بگذاریم. میک‌مک به ما کمک می‌کند تا بفهمیم کدام متغیرها در یک سیستم بیشترین اهمیت را دارند و چگونه به هم مرتبط‌اند. اما این ابزار به‌تنهایی سناریو نمی‌سازد؛ فقط پایه را آماده می‌کند. از طرف دیگر، سناریوویزارد بدون ورودی‌های دقیق و ساختاریافته ممکن است نتایج پراکنده‌ای بدهد. ترکیب این دو مثل این است که یک معمار ابتدا نقشه ساختمان را بکشد (میک‌مک) و بعد با نرم‌افزار طراحی، جزئیات را پیاده کند (سناریوویزارد).در عمل، این فرآیند به این شکل است:1. شناسایی متغیرها و پیشران‌ها با میک‌مک: ابتدا با میک‌مک متغیرهای کلیدی و روابطشان را مشخص می‌کنید. مثلاً در آینده‌پژوهی کشاورزی، ممکن است "تغییرات اقلیمی" و "فناوری آبیاری" به‌عنوان پیشران‌ها بیرون بیایند.2. انتقال به سناریوویزارد: این پیشران‌ها را وارد سناریوویزارد می‌کنید و برای هر کدام حالات ممکن (مثلاً اقلیم خشک یا مرطوب، فناوری پیشرفته یا سنتی) را تعریف می‌کنید.3. تحلیل و تولید سناریو: سناریوویزارد با بررسی تأثیرات متقابل، سناریوهای سازگاری مثل "کشاورزی هوشمند در اقلیم خشک" یا "رکود کشاورزی در شرایط سنتی" را پیشنهاد می‌دهد.این ترکیب در پروژه‌های واقعی هم جواب داده است. مثلاً در مطالعه‌ای در سال ۲۰۱۶ درباره خدمات ارزش افزوده موبایل در ایران، ابتدا از میک‌مک برای شناسایی پیشران‌ها استفاده شد و سپس با سناریوویزارد، سناریوهایی مثل "رونق دیجیتال" یا "افت بازار" ترسیم شد.مزایا و چالش‌هااین ترکیب مزایای زیادی دارد. اول اینکه، دقت تحلیل بالا می‌رود؛ چون میک‌مک متغیرهای بی‌اهمیت را حذف می‌کند و سناریوویزارد روی موارد اصلی تمرکز می‌کند. دوم، زمان‌بر بودن محاسبات دستی را کم می‌کند و سوم، نتایجش برای تصمیم‌گیری استراتژیک واقع‌بینانه‌تر است.اما چالش‌هایی هم هست. کیفیت داده‌های اولیه خیلی مهم است – اگر نظرات خبرگان دقیق نباشد، کل کار خراب می‌شود. همچنین، کار با هر دو ابزار نیاز به مهارت دارد و ممکن است برای تازه‌کارها کمی گیج‌کننده باشد. با این حال، با کمی تمرین و استفاده از منابع آموزشی، این موانع قابل преодол است.نتیجه‌گیرینرم‌افزار سناریوویزارد مثل یک راهنمای قابل اعتماد است که ما را در جاده پرپیچ‌وخم آینده‌پژوهی همراهی می‌کند. با استفاده از روش تحلیل متوازن تأثیرات متقابل، این ابزار به ما کمک می‌کند تا از میان انبوه عدم قطعیت‌ها، سناریوهایی منطقی و کاربردی بسازیم. چه بخواهیم استراتژی یک سازمان را تدوین کنیم، چه آینده یک فناوری را پیش‌بینی کنیم، سناریوویزارد با سادگی و قدرتش می‌تواند راهگشا باشد. البته، مثل هر ابزاری، موفقیتش به این بستگی دارد که چطور از آن استفاده کنیم و داده‌هایی که به آن می‌دهیم چقدر دقیق باشند. به نظر من، جذابیت سناریوویزارد در این است که به ما یادآوری می‌کند آینده فقط یک مسیر خطی نیست؛ بلکه مجموعه‌ای از احتمالات است که با تصمیم‌های امروزمان شکل می‌گیرند. اگر به دنبال ابزاری هستید که هم علمی باشد و هم کاربردی، پیشنهاد می‌کنم نگاهی به سناریوویزارد بیندازید.ترکیب تحلیل میک‌مک با سناریوویزارد مثل این است که یک نقشه راه دقیق داشته باشید و بعد با یک ماشین هوشمند مسیر را طی کنید. میک‌مک به شما می‌گوید کجا ایستاده‌اید و چه چیزهایی مهم است، و سناریوویزارد شما را به مقصدهای ممکن می‌رساند. این رویکرد نه‌تنها در دنیای آکادمیک، بلکه برای سازمان‌ها و سیاست‌گذاران هم می‌تواند ابزاری قدرتمند باشد تا آینده را بهتر درک کنند و برایش آماده شوند. به نظرم، این ترکیب نشان می‌دهد که آینده‌پژوهی فقط حدس و گمان نیست؛ بلکه با ابزارهای مناسب، می‌توانیم آن را به یک علم دقیق‌تر تبدیل کنیم. شما چه فکر می‌کنید؟ آیا تجربه‌ای از کار با این ابزارها دارید یا پیشنهادی برای بهتر کردن این فرآیند؟ خوشحال می‌شوم نظراتتان را بشنوم!

تحلیل میک‌مک (MICMAC) پروژه و فصل 4 پایان نامه ارشد و دکتری

sanaye20.ir — Thu, 06 Mar 2025 22:13:54 +0330

انجام و تحلیل کامل پروژه های میک مک برای پایان نامه ارشد و دکتری/ 09338859181مقدمهوقتی به آینده فکر می‌کنیم، اغلب با انبوهی از سوالات روبه‌رو می‌شویم: چه اتفاقاتی ممکن است رخ دهد؟ کدام عوامل بیشترین تأثیر را بر مسیر پیش رو دارند؟ اینجاست که آینده‌پژوهی به‌عنوان یک علم و هنر وارد میدان می‌شود و ابزارهایی مثل تحلیل میک‌مک (MICMAC) به ما کمک می‌کنند تا از میان این پیچیدگی‌ها سر در بیاریم. اگر بخواهم ساده بگویم، تحلیل میک‌مک مثل یک نقشه است که روابط بین عوامل مختلف را نشان می‌دهد و به ما می‌گوید کدام‌ها کلیدی هستند و کدام‌ها شاید فقط سر و صدا ایجاد می‌کنند. نرم‌افزار میک‌مک هم دستیار هوشمندی است که این تحلیل را سریع‌تر و دقیق‌تر انجام می‌دهد. در این مقاله، می‌خواهم شما را با این روش و کاربردهایش در آینده‌پژوهی آشنا کنم، طوری که هم ساده باشد و هم عمق موضوع را درک کنید.تحلیل میک مک چیست؟ https://aparat.com/v/uprjd0j در عمل، این تحلیل با ساختن یک ماتریس شروع می‌شود. متغیرها یا عوامل کلیدی در سطرها و ستون‌ها قرار می‌گیرند و متخصصان با استفاده از مقیاس عددی (معمولاً ۰ تا ۳، که ۰ یعنی بی‌تأثیر و ۳ یعنی تأثیر زیاد) مشخص می‌کنند هر متغیر چقدر روی دیگری اثر دارد. نتیجه؟ یک ماتریس پر از اعداد که نشان می‌دهد چه چیزی تأثیرگذار است و چه چیزی تأثیرپذیر. اما این فقط شروع کار است؛ نرم‌افزار میک‌مک وارد می‌شود تا محاسبات پیچیده‌تر را انجام دهد و عوامل کلیدی را استخراج کند.نرم‌افزار میک‌مک: ابزاری برای ساده‌سازینرم‌افزار میک‌مک مثل یک ماشین‌حساب پیشرفته برای تحلیل‌های ساختاری عمل می‌کند. این ابزار رایگان، که توسط محققان فرانسوی توسعه یافته، به‌طور خاص برای آینده‌پژوهی طراحی شده است. حالا چرا به نرم‌افزار نیاز داریم؟ چون وقتی تعداد متغیرها زیاد می‌شود (مثلاً ۲۰ یا ۳۰ عامل)، محاسبه دستی تأثیرات مستقیم و غیرمستقیم تقریباً غیرممکن است. اینجاست که میک‌مک با پردازش ماتریس‌ها و تولید نمودارها کار را راحت می‌کند.روش کارش هم ساده است: اول باید متغیرها را شناسایی کنید—مثلاً از طریق مصاحبه با خبرگان یا روش دلفی—بعد این متغیرها را در نرم‌افزار وارد می‌کنید. نرم‌افزار سپس تأثیرات مستقیم و غیرمستقیم را محاسبه می‌کند و نتیجه را به‌صورت یک نمودار پراکندگی نشان می‌دهد. این نمودار چهار بخش دارد: متغیرهای تأثیرگذار (بالا سمت راست)، متغیرهای وابسته (بالا سمت چپ)، متغیرهای مستقل (پایین سمت چپ) و متغیرهای کلیدی یا پیشران (نزدیک مرکز). این پیشران‌ها همان‌هایی هستند که آینده‌پژوهان دنبالشان می‌گردند، چون بیشترین قدرت را برای شکل دادن به آینده دارند.کاربرد در آینده‌پژوهیآینده‌پژوهی درباره پیش‌بینی دقیق نیست؛ بیشتر به دنبال درک سناریوهای ممکن است. اینجا تحلیل میک‌مک می‌درخشد. مثلاً در برنامه‌ریزی شهری، فرض کنید می‌خواهید آینده حمل‌ونقل یک شهر را بررسی کنید. متغیرهایی مثل رشد جمعیت، زیرساخت‌ها، فناوری خودروهای برقی و سیاست‌های دولتی را وارد ماتریس می‌کنید. میک‌مک به شما می‌گوید کدام‌یک از این‌ها پیشران هستند—مثلاً شاید فناوری و سیاست‌ها بیشترین تأثیر را داشته باشند—و بعد می‌توانید سناریوهایی بسازید: یک آینده سبز با خودروهای برقی یا یک آینده پرترافیک با تکیه بر سوخت فسیلی.یا در سطح کلان‌تر، پروژه‌هایی مثل "آینده‌پژوهی ایران ۱۳۹۴" را در نظر بگیرید. در این مطالعه، محققان از تحلیل میک‌مک (و نسخه فازی آن) استفاده کردند تا عوامل کلیدی توسعه ایران را پیدا کنند. نتیجه نشان داد که مسائلی مثل اقتصاد، سیاست خارجی و فناوری پیشران‌های اصلی هستند. این نوع تحلیل به سیاست‌گذاران کمک می‌کند تا بفهمند کجا باید تمرکز کنند.البته میک‌مک بی‌نقص نیست. وابستگی‌اش به نظر خبرگان گاهی باعث می‌شود نتایج субъектив باشند، و اگر متغیرها درست انتخاب نشوند، ممکن است تصویر ناقصی از سیستم بدهد. اما وقتی درست استفاده شود، ابزاری قدرتمند برای سناریونویسی و تصمیم‌گیری استراتژیک است.کاربرد نرم‌افزار MICMAC در فصل چهارم پایان‌نامه‌ها و پروژه‌هاوقتی به فصل چهارم پایان‌نامه یا پروژه‌تان می‌رسید—یعنی همان بخشی که باید داده‌ها را تحلیل کنید و نتایج را ارائه بدهید—نرم‌افزار میک‌مک (MICMAC) می‌تواند یک ابزار فوق‌العاده مفید باشد، به‌خصوص اگر موضوع کارتان به تحلیل روابط پیچیده بین متغیرها، آینده‌پژوهی، یا تصمیم‌گیری استراتژیک مربوط باشد. در این بخش، می‌خواهم به‌طور دقیق توضیح بدهم که چطور می‌توانید از میک‌مک در فصل چهارم استفاده کنید، چه کاربردی دارد، و چرا برای پروژه‌های علمی جذاب است. بیایید با یک نگاه کلی شروع کنیم و بعد وارد جزئیات شویم.فصل چهارم چیست و چرا MICMAC مهم است؟فصل چهارم معمولاً قلب تحلیلی یک پایان‌نامه است. اینجا جایی است که داده‌هایتان را پردازش می‌کنید، الگوها را پیدا می‌کنید و نتایجی ارائه می‌دهید که به سوالات پژوهش پاسخ می‌دهند. اگر موضوع شما شامل سیستم‌های پیچیده باشد—مثلاً آینده صنعت گردشگری، مدیریت منابع آب، یا حتی تحلیل زنجیره تأمین—نرم‌افزار میک‌مک به شما کمک می‌کند تا روابط بین متغیرها را به شکلی ساختاری و بصری نشان بدهید. این ابزار نه‌تنها تحلیل را عمیق‌تر می‌کند، بلکه به کارتان یک حس حرفه‌ای و علمی می‌بخشد که داوران و اساتید معمولاً از آن استقبال می‌کنند.مراحل استفاده از MICMAC در فصل چهارمبرای اینکه ببینید میک‌مک چطور در فصل چهارم جا می‌افتد، بیایید مراحل استفاده‌اش را با یک مثال فرضی (مثلاً تحلیل آینده آموزش آنلاین) مرور کنیم:1. جمع‌آوری داده‌ها و شناسایی متغیرهاقبل از هر چیز، باید متغیرهای کلیدی پژوهش‌تان را مشخص کرده باشید (این معمولاً در فصل سوم، روش‌شناسی، توضیح داده می‌شود). مثلاً برای آینده آموزش آنلاین، متغیرها می‌توانند شامل "دسترسی به اینترنت"، "کیفیت محتوا"، "مهارت اساتید"، "هزینه‌ها" و "پذیرش دانشجو" باشند. این داده‌ها اغلب از طریق مصاحبه با خبرگان، پرسشنامه، یا روش دلفی جمع‌آوری می‌شوند.2. ساخت ماتریس تأثیرات مستقیم (MDI)در فصل چهارم، اولین قدم این است که روابط بین متغیرها را در یک ماتریس وارد کنید. از خبرگان می‌خواهید که تأثیر هر متغیر بر دیگری را با مقیاس ۰ تا ۳ (۰=بی‌تأثیر، ۱=ضعیف، ۲=متوسط، ۳=قوی) ارزیابی کنند. مثلاً "دسترسی به اینترنت" ممکن است تأثیر قوی (۳) روی "پذیرش دانشجو" داشته باشد. این ماتریس را در نرم‌افزار میک‌مک وارد می‌کنید.3. تحلیل در نرم‌افزار MICMACحالا نرم‌افزار دست به کار می‌شود. میک‌مک تأثیرات مستقیم و غیرمستقیم را محاسبه می‌کند و یک خروجی کلیدی به شما می‌دهد: نمودار پراکندگی متغیرها. این نمودار نشان می‌دهد که متغیرها در چهار دسته قرار می‌گیرند:- متغیرهای کلیدی (پیشران): هم تأثیرگذارند و هم وابسته (مثلاً "دسترسی به اینترنت").- متغیرهای تأثیرگذار: بیشتر اثر می‌گذارند تا اثر بپذیرند (مثلاً "سیاست‌های آموزشی").- متغیرهای وابسته: بیشتر تحت تأثیرند (مثلاً "رضایت دانشجو").- متغیرهای مستقل: تأثیر و وابستگی کمی دارند (مثلاً "تنوع دروس").4. ارائه نتایج در فصل چهارمدر این مرحله، خروجی‌های میک‌مک را به‌صورت جدول، نمودار و توضیحات متنی در فصل چهارم می‌آورید. مثلاً می‌نویسید:> "بر اساس تحلیل میک‌مک، 'دسترسی به اینترنت' و 'کیفیت محتوا' به‌عنوان پیشران‌های اصلی شناسایی شدند، زیرا هم تأثیرگذاری بالایی دارند (شاخص تأثیر = ۱۲) و هم وابستگی قابل‌توجهی به سایر عوامل (شاخص وابستگی = ۱۰)."نمودار پراکندگی را هم اضافه می‌کنید تا خواننده بتواند به‌صورت بصری نتایج را ببیند.5. تفسیر و بحثاینجا باید نتایج را معنا کنید. مثلاً توضیح بدهید که چرا "دسترسی به اینترنت" یک پیشران است و چطور می‌تواند آینده آموزش آنلاین را شکل بدهد. این بخش به خواننده نشان می‌دهد که شما نه‌تنها داده‌ها را پردازش کرده‌اید، بلکه درک عمیقی از سیستم دارید.کاربردهای خاص MICMAC در فصل چهارم1. شناسایی عوامل کلیدیاگر هدف پژوهش شما پیدا کردن عوامل اصلی یک پدیده باشد (مثلاً موانع توسعه انرژی تجدیدپذیر)، میک‌مک به شما کمک می‌کند پیشران‌ها را مشخص کنید. این برای سیاست‌گذاری یا برنامه‌ریزی استراتژیک عالی است.2. پشتیبانی از سناریوسازیدر پروژه‌های آینده‌پژوهی، می‌توانید از نتایج میک‌مک برای ساخت سناریوهای مختلف استفاده کنید. مثلاً اگر "هزینه‌ها" و "فناوری" پیشران باشند، می‌توانید سناریوهایی مثل "آموزش ارزان با فناوری پیشرفته" یا "آموزش گران با فناوری محدود" بسازید.3. مقایسه با مطالعات دیگردر پایان فصل چهارم، می‌توانید نتایج میک‌مک را با یافته‌های پژوهش‌های قبلی مقایسه کنید. مثلاً اگر مطالعه‌ای در سال ۲۰۲۰ نشان داده که "کیفیت محتوا" مهم است و تحلیل شما هم همین را تأیید می‌کند، اعتبار کارتان بالا می‌رود.4. ارائه بصری جذابنمودارهای میک‌مک (مثل نمودار پراکندگی یا نقشه تأثیرات) به فصل چهارم شما جلوه حرفه‌ای می‌دهند و درک نتایج را برای خواننده راحت‌تر می‌کنند.مزایای استفاده از MICMAC در فصل چهارم- تحلیل عمیق: برخلاف روش‌های ساده‌تر مثل آمار توصیفی، میک‌مک روابط غیرمستقیم را هم در نظر می‌گیرد.- رایگان و در دسترس: نرم‌افزار میک‌مک رایگان است و کار با آن نسبتاً ساده است، که برای دانشجویان یک امتیاز بزرگ است.- انعطاف‌پذیری: برای موضوعات مختلف از مدیریت گرفته تا علوم اجتماعی و مهندسی قابل‌استفاده است.- اعتبار علمی: این روش در مقالات معتبر و پروژه‌های بین‌المللی استفاده شده و به کارتان وزن علمی می‌دهد.محدودیت‌ها و نکات احتیاطی- وابستگی به داده‌های اولیه: اگر نظر خبرگان یا داده‌های ورودی‌تان دقیق نباشد، نتایج گمراه‌کننده می‌شود. پس در فصل سوم، روش جمع‌آوری داده را خوب توضیح بدهید.- نیاز به توضیح: چون میک‌مک خیلی رایج نیست، باید در فصل چهارم به‌خوبی روش کارش را شرح بدهید تا خواننده سردرگم نشود.- پیچیدگی محاسبات: اگر تعداد متغیرها زیاد باشد (مثلاً بالای ۲۰)، تحلیل می‌تواند وقت‌گیر شود و نیاز به دقت بیشتری دارد.یک مثال واقعیفرض کنید پایان‌نامه‌تان درباره "عوامل مؤثر بر توسعه گردشگری پایدار" است. در فصل چهارم:- متغیرها را (مثل زیرساخت‌ها، تبلیغات، محیط‌زیست) وارد میک‌مک می‌کنید.- خروجی نشان می‌دهد که "زیرساخت‌ها" و "سیاست‌های دولتی" پیشران‌اند.- نتایج را با جداول (ماتریس تأثیرات) و نمودار (پراکندگی) نشان می‌دهید و توضیح می‌دهید که چرا این عوامل برای آینده گردشگری حیاتی‌اند.ترکیب روش ISM و MICMAC برای پایان‌نامه ارشد و دکتریوقتی نوبت به نوشتن پایان‌نامه ارشد یا دکتری می‌رسد، انتخاب روش‌های تحلیلی که هم علمی باشند و هم به کارتان عمق بدهند، اهمیت زیادی دارد. ترکیب مدل‌سازی ساختاری تفسیری (ISM) و تحلیل میک‌مک (MICMAC) یکی از رویکردهای قدرتمندی است که می‌تواند در این مسیر به شما کمک کند، به‌خصوص اگر موضوع‌تان شامل سیستم‌های پیچیده، روابط بین متغیرها، یا آینده‌پژوهی باشد. در این بخش، می‌خواهم به‌طور کامل توضیح بدهم که چطور می‌توانید این دو روش را با هم ترکیب کنید، چه مراحلی دارد، و چرا برای پایان‌نامه‌های تحصیلات تکمیلی مناسب است. بیایید با یک دید کلی شروع کنیم و بعد وارد جزئیات شویم.چرا ترکیب ISM و MICMAC؟ISM و MICMAC هر کدام نقاط قوت خودشان را دارند:- ISM به شما یک ساختار سلسله‌مراتبی از متغیرها می‌دهد و نشان می‌دهد که عوامل چطور به هم وابسته‌اند و کدام‌ها پایه و اساس سیستم هستند.- MICMAC شدت تأثیرات مستقیم و غیرمستقیم را تحلیل می‌کند و متغیرهای کلیدی یا پیشران را مشخص می‌کند.وقتی این دو را با هم ترکیب می‌کنید، یک تصویر کامل از سیستم به دست می‌آورید: هم می‌فهمید که متغیرها چطور به هم وصل‌اند (ساختار) و هم متوجه می‌شوید که کدام‌ها مهم‌ترند (اهمیت). این برای پایان‌نامه‌هایی که نیاز به تحلیل عمیق و چندلایه دارند—مثل مدیریت، آینده‌پژوهی، مهندسی صنایع، یا علوم اجتماعی—بسیار ایده‌آل است.مراحل ترکیب ISM و MICMAC در پایان‌نامهبرای اینکه این ترکیب را در پایان‌نامه‌تان پیاده کنید، باید یک فرآیند گام‌به‌گام را دنبال کنید. فرض می‌کنیم موضوع پایان‌نامه‌تان "عوامل مؤثر بر توسعه انرژی‌های تجدیدپذیر" است. بیایید مراحل را با این مثال پیش ببریم:1. شناسایی متغیرها (فصل سوم: روش‌شناسی)- چه می‌کنید؟ اول باید متغیرهای کلیدی پژوهش را پیدا کنید. مثلاً: "سیاست‌های دولتی"، "فناوری"، "هزینه‌ها"، "آگاهی عمومی"، و "زیرساخت‌ها".- چطور؟ از روش‌هایی مثل مرور ادبیات، مصاحبه با خبرگان، یا تکنیک دلفی استفاده کنید. این بخش را در فصل سوم پایان‌نامه‌تان (روش‌شناسی) توضیح می‌دهید و لیست متغیرها را ارائه می‌کنید.2. ساخت ماتریس روابط برای ISM (فصل چهارم: تحلیل داده‌ها)- چه می‌کنید؟ از خبرگان می‌خواهید روابط بین متغیرها را مشخص کنند. مثلاً: آیا "سیاست‌های دولتی" روی "فناوری" اثر دارد؟ اگر بله، جهتش چیست؟- ابزار: یک ماتریس ساختاری اولیه (SSIM) می‌سازید که با نمادهایی مثل V (اثر A بر B)، A (اثر B بر A)، X (اثر دوطرفه)، و O (بی‌تأثیر) پر می‌شود.- خروجی: این ماتریس را به یک ماتریس باینری (۰ و ۱) تبدیل می‌کنید و با محاسبات ریاضی (مثل ماتریس دسترسی)، متغیرها را سطح‌بندی می‌کنید.- نتیجه در پایان‌نامه: یک نمودار ISM ترسیم می‌کنید که نشان می‌دهد مثلاً "سیاست‌های دولتی" در سطح پایه است و "آگاهی عمومی" در سطح بالاتر.3. انتقال داده‌ها به MICMAC (فصل چهارم: تحلیل عمیق‌تر)- چه می‌کنید؟ همان متغیرها و روابط را وارد نرم‌افزار میک‌مک می‌کنید، اما این بار شدت تأثیر را هم مشخص می‌کنید (۰=بی‌تأثیر، ۱=ضعیف، ۲=متوسط، ۳=قوی).- ابزار: ماتریس تأثیرات مستقیم (MDI) را در میک‌مک وارد می‌کنید. مثلاً "سیاست‌های دولتی" ممکن است تأثیر قوی (۳) روی "زیرساخت‌ها" داشته باشد.- خروجی: میک‌مک تأثیرات غیرمستقیم را محاسبه می‌کند و یک نمودار پراکندگی می‌دهد که متغیرها را به چهار دسته تقسیم می‌کند: کلیدی، تأثیرگذار، وابسته، و مستقل.- نتیجه در پایان‌نامه: مثلاً می‌نویسید: "تحلیل MICMAC نشان داد که 'سیاست‌های دولتی' و 'فناوری' به‌عنوان پیشران‌های اصلی شناخته شدند، با شاخص تأثیرگذاری ۱۵ و وابستگی ۱۲."4. تلفیق نتایج ISM و MICMAC (فصل چهارم: ارائه یکپارچه)- چه می‌کنید؟ حالا نتایج دو روش را کنار هم می‌گذارید. ISM به شما ساختار می‌دهد و MICMAC اهمیت متغیرها را مشخص می‌کند.- مثال تلفیق: نمودار ISM نشان می‌دهد که "سیاست‌های دولتی" در پایه است و روی همه‌چیز اثر دارد؛ میک‌مک تأیید می‌کند که این متغیر یک پیشران کلیدی است. پس نتیجه می‌گیرید که سیاست‌گذاری در توسعه انرژی تجدیدپذیر نقش محوری دارد.- ارائه در پایان‌نامه: یک جدول مقایسه‌ای یا نمودار ترکیبی می‌سازید و توضیح می‌دهید که چطور این دو روش مکمل هم هستند.5. بحث و تفسیر (فصل پنجم: بحث و نتیجه‌گیری)- چه می‌کنید؟ در فصل پنجم، نتایج را تفسیر می‌کنید و با مطالعات قبلی مقایسه می‌کنید. مثلاً: "یافته‌های ما با مطالعه X(2020) هم‌راستاست که سیاست را عامل اصلی توسعه انرژی می‌داند."- کاربرد عملی: پیشنهادهایی برای سیاست‌گذاران یا مدیران می‌دهید، مثل "تمرکز بر بهبود سیاست‌ها برای تقویت زیرساخت‌ها".کاربردهای عملی در پایان‌نامه ارشد و دکتری1. ساختاردهی به موضوعات پیچیدهاگر موضوع‌تان مثل "مدیریت بحران" یا "توسعه پایدار" متغیرهای زیادی دارد، ISM نظم می‌دهد و MICMACعوامل کلیدی را برجسته می‌کند.2. آینده‌پژوهیدر پایان‌نامه‌های مرتبط با آینده (مثلاً آینده حمل‌ونقل هوشمند)، ترکیب این روش‌ها به شما کمک می‌کند سناریوهای معتبری بسازید. ISM روابط را مشخص می‌کند و MICMAC پیشران‌ها را برای سناریوسازی نشان می‌دهد.3. تحلیل سیاست‌گذاریمثلاً در دکتری مدیریت دولتی، می‌توانید از این ترکیب برای بررسی عوامل مؤثر بر سیاست‌های زیست‌محیطی استفاده کنید و به سیاست‌گذاران بگویید کجا باید سرمایه‌گذاری کنند.4. اعتبار علمیاین ترکیب در مقالات معتبر (مثلاً در ژورنال‌های Scopus یا ISI) زیاد استفاده شده، پس کارتان را حرفه‌ای و قابل‌استناد می‌کند.مزایای ترکیب ISM و MICMAC برای پایان‌نامه- تحلیل جامع: ISM ساختار می‌دهد و MICMAC عمق می‌بخشد.- ارائه بصری قوی: نمودارهای سلسله‌مراتبی (ISM) و پراکندگی (MICMAC) به داوران و خوانندگان کمک می‌کند سریع نتایج را بفهمند.- انعطاف‌پذیری: برای موضوعات مختلف از علوم انسانی تا مهندسی قابل‌استفاده است.- رایگان و ساده: نرم‌افزار میک‌مک رایگان است و محاسبات ISM هم با ابزارهای ساده مثل اکسل قابل‌انجام است.چالش‌ها و راه‌حل‌ها- چالش: وابستگی به نظر خبرگاناگر داده‌های اولیه (مثل نظرات خبرگان) ضعیف باشد، نتایج گمراه‌کننده می‌شود.راه‌حل: از روش دلفی برای جمع‌آوری نظرات دقیق‌تر استفاده کنید و تعداد خبرگان را افزایش بدهید (مثلاً ۱۰-۱۵ نفر).- چالش: پیچیدگی محاسباتوقتی متغیرها زیاد باشند (مثلاً بالای ۲۰)، کار سخت می‌شود.راه‌حل: متغیرها را محدود کنید (۸-۱۲ متغیر ایده‌آل است) و از نرم‌افزار برای میک‌مک کمک بگیرید.- چالش: توضیح به داورانچون این روش‌ها در ایران خیلی رایج نیستند، ممکن است داوران ناآشنا باشند.راه‌حل: در فصل سوم، روش را با جزئیات و مثال توضیح بدهید و ارجاع به مقالات معتبر بدهید.یک مثال واقعی برای پایان‌نامهفرض کنید پایان‌نامه دکتری‌تان درباره "عوامل موفقیت استارتاپ‌ها" است:- ISM: نشان می‌دهد که "سرمایه‌گذاری" در پایه است و روی "نوآوری" و "رشد بازار" اثر دارد.- MICMAC: مشخص می‌کند که "سرمایه‌گذاری" و "تیم کارآفرین" پیشران‌های کلیدی‌اند.- نتیجه در پایان‌نامه: در فصل چهارم می‌نویسید: "ترکیب ISM و MICMAC نشان داد که سرمایه‌گذاری نه‌تنها پایه ساختاری سیستم است، بلکه به‌عنوان پیشران اصلی، بیشترین تأثیر را بر موفقیت استارتاپ‌ها دارد."نتیجه‌گیریتحلیل میک‌مک و نرم‌افزارش مثل یک جفت عینک برای دیدن آینده عمل می‌کنند—شاید همه‌چیز را شفاف نکند، اما قطعاً کمک می‌کند روابط پنهان را بهتر ببینیم. از شناسایی پیشران‌ها گرفته تا ساخت سناریوهای معقول، این ابزار به ما اجازه می‌دهد با اطمینان بیشتری به پیچیدگی‌های آینده نگاه کنیم. برای کسی که تازه وارد دنیای آینده‌پژوهی شده یا حتی یک محقق باتجربه است، میک‌مک راهی عملی و قابل‌اعتماد برای تحلیل سیستم‌های پیچیده ارائه می‌دهد. در دنیایی که هر روز غیرقابل‌پیش‌بینی‌تر می‌شود، داشتن چنین ابزاری واقعاً یک مزیت بزرگ است. شما چطور فکر می‌کنید؟ آیا آماده‌اید این روش را در پروژه بعدی‌تان امتحان کنید؟

روش ISM، ISM فازی و ISM خاکستری

sanaye20.ir — Mon, 24 Jun 2024 22:07:35 +0330

مقدمهروش‌های ISM (مدل‌سازی ساختاری تفسیری) و نسخه‌های پیشرفته آن مانند ISM فازی و ISM خاکستری، ابزارهایی قدرتمند برای تحلیل و مدل‌سازی سیستم‌های پیچیده هستند. این روش‌ها با استفاده از ماتریس‌های مجاورت و دستیابی، به تحلیل روابط و تأثیرات میان عناصر مختلف یک سیستم می‌پردازند و به این ترتیب، کمک می‌کنند تا ساختار و سلسله‌مراتب سیستم به صورت دقیق‌تری شناسایی شود.مدل‌سازی ساختاری تفسیری (ISM)مدل‌سازی ساختاری تفسیری (ISM) یک روش تحلیلی است که برای درک ساختار پیچیده سیستم‌ها به کار می‌رود. این روش با استفاده از ماتریس‌های دستیابی، به تحلیل روابط بین عناصر مختلف سیستم پرداخته و به شناسایی سلسله‌مراتب عناصر کمک می‌کند.مراحل ISMشناسایی عناصر سیستم: اولین مرحله در ISM، شناسایی عناصر اصلی سیستم است که باید تحلیل شوند.ایجاد ماتریس مجاورت: در این مرحله، روابط بین عناصر به صورت یک ماتریس مجاورت نمایش داده می‌شود.تبدیل ماتریس مجاورت به ماتریس دستیابی: این مرحله شامل تحلیل ماتریس مجاورت برای شناسایی مسیرهای دستیابی بین عناصر است.تعیین سلسله‌مراتب عناصر: با استفاده از ماتریس دستیابی، سلسله‌مراتب عناصر سیستم تعیین می‌شود.ISM فازیروش ISM فازی، نسخه‌ای پیشرفته از ISM است که به تحلیل سیستم‌های پیچیده تحت شرایط عدم قطعیت می‌پردازد. این روش از نظریه مجموعه‌های فازی برای مدیریت عدم قطعیت در روابط بین عناصر استفاده می‌کند.کاربردهای ISM فازیمدیریت زنجیره تأمین: در تحلیل عوامل مؤثر بر زنجیره تأمین و شناسایی روابط پیچیده بین آن‌ها کاربرد دارد.تصمیم‌گیری در شرایط عدم قطعیت: در مسائل تصمیم‌گیری که با داده‌های ناقص و نادقیق سروکار دارند، ISM فازی به تحلیل دقیق‌تر کمک می‌کند.ISM خاکستریروش ISM خاکستری (GSM)، نسخه دیگری از ISM است که از نظریه سیستم‌های خاکستری برای تحلیل سیستم‌های پیچیده استفاده می‌کند. این روش به تحلیل روابط تحت شرایط عدم قطعیت و داده‌های ناقص می‌پردازد.ویژگی‌های ISM خاکستریمدیریت عدم قطعیت: استفاده از نظریه سیستم‌های خاکستری برای مدیریت عدم قطعیت و تحلیل دقیق‌تر روابط بین عناصر.کاربرد در مسائل پیچیده: مناسب برای تحلیل سیستم‌های پیچیده‌ای که با داده‌های ناقص و نادقیق سروکار دارند.مقایسه ISM، ISM فازی و ISM خاکستریسطح دقت: ISM فازی و ISM خاکستری هر دو به تحلیل دقیق‌تر روابط تحت شرایط عدم قطعیت کمک می‌کنند، اما ISM فازی بیشتر بر مدیریت عدم قطعیت‌های زبانی و ISM خاکستری بر مدیریت عدم قطعیت‌های عددی تمرکز دارد.کاربردها: هر دو روش برای تحلیل سیستم‌های پیچیده در شرایط عدم قطعیت مناسب هستند، اما ISM فازی بیشتر در مدیریت زنجیره تأمین و تصمیم‌گیری‌های مدیریتی و ISM خاکستری در تحلیل داده‌های ناقص و نادقیق کاربرد دارد.نتیجه‌گیریروش‌های ISM، ISM فازی و ISM خاکستری ابزارهای قدرتمندی برای تحلیل سیستم‌های پیچیده هستند که با استفاده از آن‌ها می‌توان روابط پیچیده بین عناصر مختلف سیستم را شناسایی و تحلیل کرد. هر یک از این روش‌ها با ویژگی‌ها و کاربردهای خاص خود، به تحلیل دقیق‌تر و مدیریت بهتر سیستم‌ها کمک می‌کنند.منابعPapageorgiou, E., & Salmeron, J. L. (2012). Learning Fuzzy Grey Cognitive Maps using Nonlinear Hebbian-based approach. Int. J. Approx. Reason., 53, 54-65. https://consensus.app/papers/learning-fuzzy-grey-cognitive-maps-using-nonlinear-papageorgiou/b3453f11d7375e44ba68d1d23f865f53/?utm_source=chatgptLin, C. L., Lin, J. L., & Ko, T. (2002). Optimisation of the EDM Process Based on the Orthogonal Array with Fuzzy Logic and Grey Relational Analysis Method. The International Journal of Advanced Manufacturing Technology, 19, 271-277. https://consensus.app/papers/optimisation-process-based-orthogonal-array-fuzzy-logic-lin/61e2ac2639dd5c3bba4ede81039a88cb/?utm_source=chatgptYamaguchi, D., Li, G., Mizutani, K., Akabane, T., Nagai, M., & Kitaoka, M. (2006). A Realization Algorithm of Grey Structural Modeling with MATLAB. IEEE Conference on Cybernetics and Intelligent Systems, 1-6. https://consensus.app/papers/realization-algorithm-grey-structural-modeling-matlab-yamaguchi/cd63ef89a2405518b4d6e22943924939/?utm_source=chatgptBu, F., He, J., Li, H., & Fu, Q. (2020). Interval-valued intuitionistic fuzzy MADM method based on TOPSIS and grey correlation analysis. Mathematical biosciences and engineering: MBE, 17(5), 5584-5603. https://consensus.app/papers/intervalvalued-fuzzy-madm-method-based-topsis-bu/59f3186fe70f542087025f21b5cba1db/?utm_source=chatgptXiong, G., Li, L., & Hao, J. M. (2010). 2-Tuple Linguistic Fuzzy ISM and Its Application. In Springer, 353-362. https://consensus.app/papers/2tuple-fuzzy-application-xiong/234eb0973df45e3eb99c22f639b328e4/?utm_source=chatgptZhang, X., Jin, F., & Liu, P. (2013). A grey relational projection method for multi-attribute decision making based on intuitionistic trapezoidal fuzzy number. Applied Mathematical Modelling, 37, 3467-3477. https://consensus.app/papers/projection-method-multiattribute-decision-making-based-zhang/32506e6e2eb25beeb7785c899a2d5a79/?utm_source=chatgptSalmeron, J. L., & Papageorgiou, E. (2012). A Fuzzy Grey Cognitive Maps-based Decision Support System for radiotherapy treatment planning. Knowl. Based Syst., 30, 151-160. https://consensus.app/papers/fuzzy-grey-cognitive-mapsbased-decision-support-system-salmeron/3a0e343655d95693bf1c9a8e1ab1a4d1/?utm_source=chatgptPramod, V., & Banwet, D. K. (2013). Fuzzy ISM for Analyzing the Inhibitors of a Telecom Service Supply Chain. Int. J. Inf. Syst. Supply Chain Manag., 6, 77-98. [https://consensus.app/papers/fuzzy-analyzing-inhib

روش سکا SECA (روش جدید مقاله و پایان نامه)

sanaye20.ir — Sun, 05 May 2024 11:43:32 +0330

روشSECA: روشی نوین برای ارزیابی همزمان معیار و گزینه در تصمیمگیری چندمعیارهچنانچه نیازمند تحلیل و مشاوره با این روش هستید با ما تماس بگیرید 09338859181 چکیده انتخاب بهترین گزینه از میان گزینه‌های مختلف، با توجه به معیارهای متعدد، چالشی رایج در فرآیند تصمیم‌گیری است. روش‌های متعددی برای حل این مسأله وجود دارد که از جمله آنها می‌توان به روش "ارزیابی همزمان معیار و گزینه (SECA) اشاره کرد. این روش، که توسط دکتر مهدی کشاورز قرابایی و همکارانش در سال 2018 ارائه شده است، رویکردی نوین برای تعیین وزن معیارها و رتبه‌بندی گزینه‌ها به طور همزمان ارائه می‌دهد.در این تحقیق، به بررسی مبانی روشSECA، مراحل اجرای آن و مزایا و معایب این روش پرداخته خواهد شد. همچنین، کاربردهای SECA در حوزه‌های مختلف و مقایسه آن با سایر روش‌های تصمیم‌گیری چندمعیاره مورد بحث قرار خواهد گرفت.مقدمهدر بسیاری از مسائل واقعی، با مجموعه‌ای از گزینه‌ها و معیارهای متعدد برای ارزیابی آنها مواجه هستیم. انتخاب بهترین گزینه از میان این گزینه‌ها، با توجه به معیارهای مختلف، چالشی پیچیده است که نیازمند رویکردی سیستماتیک و علمی برای تصمیم‌گیری است. روش‌های متعددی برای حل این مسأله وجود دارد که از جمله آنها می‌توان به روش‌های تصمیم‌گیری چندمعیاره (MCDM) اشاره کرد.روش‌های MCDM مجموعه‌ای از ابزارها و تکنیک‌ها را برای تجزیه و تحلیل و رتبه‌بندی گزینه‌ها با توجه به معیارهای مختلف ارائه می‌دهند. از جمله روش‌های محبوب MCDM می‌توان به روش‌های تاپسیس، AHP و PROMETHEE اشاره کرد.روش SECA به عنوان روشی نوین در MCDM، به دنبال تعیین وزن معیارها و رتبه‌بندی گزینه‌ها به طور همزمان است. این روش از داده‌های ماتریس تصمیم‌گیری برای تعیین وزن معیارها و امتیاز نهایی هر گزینه استفاده می‌کند.مبانی روش SECAروش SECA بر پایه یک مدل برنامه‌ریزی چندهدفه غیرخطی استوار است که به دنبال حداکثر کردن عملکرد کلی گزینه‌ها و حداقل کردن انحراف وزن معیارها از نقاط مرجع است. در این روش، از دو نوع مرجع برای وزن معیارها استفاده می‌شود:مرجع‌های ذهنی: این مراجع توسط تصمیم‌گیرنده بر اساس دانش و تجربه او تعیین می‌شوند.مرجع‌های عینی: این مراجع بر اساس اطلاعات موجود در ماتریس تصمیم‌گیری محاسبه می‌شوند.مدل SECA با استفاده از الگوریتم‌های بهینه‌سازی حل می‌شود و وزن نهایی معیارها و امتیاز نهایی هر گزینه را به دست می‌دهد.مراحل اجرای روش SECAمراحل اجرای روش SECA به شرح زیر است:1. ایجاد ماتریس تصمیم‌گیری: در این مرحله، ماتریسی شامل گزینه‌ها و معیارها ایجاد می‌شود و عملکرد هر گزینه نسبت به هر معیار در این ماتریس ثبت می‌شود.2. حل مدل برنامه‌ریزی : در این مرحله، مدل برنامه‌ریزی چندهدفه SECA با استفاده از الگوریتم‌های بهینه‌سازی حل می‌شود.3. تعیین وزن نهایی معیارها: وزن نهایی معیارها از نتایج مدل برنامه‌ریزی چندهدفه به دست می‌آید.4. محاسبه امتیاز نهایی گزینه‌ها: امتیاز نهایی هر گزینه با استفاده از وزن نهایی معیارها و عملکرد آنها نسبت به هر معیار محاسبه می‌شود.5. رتبه‌بندی گزینه‌ها: بر اساس امتیاز نهایی، گزینه‌ها رتبه‌بندی می‌شوند.مزایا و معایب روش SECAمزایای روش SECA عبارتند از:سادگی و سهولت اجرا: این روش از نظر مفهومی ساده و قابل فهم است و مراحل اجرای آن به طور واضح و گام به گام مشخص شده است.نیاز کم به اطلاعات: این روش برای اجرا به اطلاعات زیادی نیاز ندارد و می‌توان از آن در مسائلی که اطلاعات کافی در مورد معیارها و گزینه‌ها وجود ندارد استفاده کرد.قابلیت انعطاف‌پذیری: این روش را می‌توان با توجه به شرایط مسأله و ترجیحات تصمیم‌گیرنده به طور انعطاف‌پذیری personalize کرد.معایبمحاسبات پیچیده: در برخی موارد که تعداد معیارها و گزینه ها زیاد باشد، حل مدل برنامه‌ریزی SECAمی‌تواند پیچیده و زمان‌بر باشد.کاربردهای روش SECAروش SECA در حوزه‌های مختلفی از جمله انتخاب محل احداث پروژه، انتخاب سبد سرمایه‌گذاری، انتخاب تأمین‌کننده، انتخاب شغل و انتخاب دانشگاه کاربرد دارد.مقایسه روش SECA با سایر روش‌های MCDMروش SECA در مقایسه با سایر روش‌های MCDM از مزایا و معایبی برخوردار است. به عنوان مثال، این روش از نظر مفهومی ساده‌تر از روش‌هایی مانند AHPاست، اما حل مدل برنامه‌ریزی چندهدفه SECAمی‌تواند پیچیده‌تر از روش‌هایی مانند تاپسیس باشد.مثال کاربرد روش SECAفرض کنید می‌خواهیم با استفاده از روش SECA، بهترین دانشگاه را برای ادامه تحصیل از بین 5 دانشگاه A، B، C، Dو E انتخاب کنیم. معیارهای انتخاب ما عبارتند از:معیار 1: معدل دیپلم (وزن ذهنی 0.3)معیار 2: نمره آزمون کارشناسی ارشد (وزن ذهنی 0.4)معیار 3: رتبه علمی دانشگاه (وزن ذهنی 0.2)معیار 4: شهریه دانشگاه (وزن ذهنی 0.1)اطلاعات مربوط به عملکرد هر دانشگاه نسبت به هر معیار در جدول زیر آمده است:| دانشگاه | معدل دیپلم | نمره آزمون | رتبه علمی | شهریه ||---|---|---|---|---|| A | 18.5 | 380 | 20 | 5000 || B | 17.8 | 350 | 45 | 4500 || C | 19.2 | 410 | 15 | 6000 || D | 18.1 | 360 | 30 | 5500 || E | 19.0 | 390 | 25 | 5200 |مراحل حل مسأله:1. ایجاد ماتریس تصمیم‌گیری: ماتریس تصمیم‌گیری شامل عملکرد هر دانشگاه نسبت به هر معیار است. این ماتریس در جدول بالا نشان داده شده است.2. حل مدل برنامه‌ریزی چندهدفه: مدل برنامه‌ریزی چندهدفه SECA با استفاده از نرم‌افزارهای مناسب حل می‌شود. در این مثال، از نرم‌افزار LINGO استفاده می‌کنیم.3. تعیین وزن نهایی معیارها: وزن نهایی معیارها از نتایج مدل برنامه‌ریزی چندهدفه به دست می‌آید. در این مثال، وزن نهایی معیارها به شرح زیر است:معیار 1: 0.42معیار 2: 0.48معیار 3: 0.08معیار 4: 0.024. محاسبه امتیاز نهایی گزینه‌ها: امتیاز نهایی هر گزینه با استفاده از وزن نهایی معیارها و عملکرد آنها نسبت به هر معیار محاسبه می‌شود. در این مثال، امتیاز نهایی گزینه‌ها به شرح زیر است:دانشگاه A: 0.73دانشگاه B: 0.68دانشگاه C: 0.77دانشگاه D: 0.71دانشگاه E: 0.745. رتبه‌بندی گزینه‌ها: بر اساس امتیاز نهایی، گزینه‌ها به ترتیب زیر رتبه‌بندی می‌شوند:1. دانشگاه C2. دانشگاه E3. دانشگاه A4. دانشگاه D5. دانشگاه Bنرم افزارهای حل SECA:روش SECA را می‌توان با استفاده از نرم‌افزارهای مختلف MCDM حل کرد. از جمله این نرم‌افزارها می‌توان به موارد زیر اشاره کرد:LINGO: این نرم‌افزار یک ابزار قدرتمند برای حل مسائل برنامه‌ریزی خطی و غیرخطی است. از LINGO می‌توان برای حل مدل برنامه‌ریزی چندهدفه SECA نیز استفاده کرد.MATLAB: MATLAB یک زبان برنامه‌نویسی قدرتمند است که از آن می‌توان برای حل مسائل مختلف ریاضی و مهندسی استفاده کرد.R: R یک زبان برنامه‌نویسی و محیط نرم‌افزاری برای آمار و گرافیک است. از Rمی‌توان برای حل مسائل MCDM مختلف از جمله SECA نیز استفاده کرد.نتیجه‌گیریروش SECA رویکردی نوین برای ارزیابی همزمان معیار و گزینه در تصمیم‌گیری چندمعیاره است. این روش از مزایای متعددی از جمله سادگی، انعطاف‌پذیری و نیاز کم به اطلاعات برخوردار است. با این حال، این روش معایبی نیز دارد که از جمله آنها می‌توان به وابستگی به نقاط مرجع و محاسبات پیچیده اشاره کرد.انتخاب روش مناسب برای حل مسأله تصمیم‌گیری چندمعیاره به عوامل مختلفی از جمله نوع مسأله، اطلاعات موجود و ترجیحات تصمیم‌گیرنده بستگی دارد. روش SECAمی‌تواند به عنوان یکی از گزینه‌های مناسب برای حل مسائلی که در آنها نیاز به تعیین همزمان وزن معیارها و رتبه‌بندی گزینه‌ها وجود دارد، مورد استفاده قرار گیرد.ارجاعاتKeshvarz Q., Mahdi, & Zare, Hossein. (2018). A new simultaneous evaluation of criteria and alternatives method for multi-criteria decision making. Journal of Multi-Criteria Decision Analysis, 25(1), 1-26. https://pubmed.ncbi.nlm.nih.gov/30038609/Greco, Salvatore, et al. (2016). Multiple criteria decision analysis: A reference handbook. Springer. https://www.springer.com/series/13834Roy, Bernard. (1985). Méthodologie multicritère: analyse et décision. Editions Hermès. https://www.researchgate.net/publication/265441342_Aide_Multicritere_a_la_Decision_Methodes_et_Cas

چه روش تصمیم گیری چند معیاره ای برای مقاله/پایان نامه خود انتخاب کنم؟

sanaye20.ir — Wed, 09 Nov 2022 14:44:34 +0330

مقدمهاگر نظر هربرت سایمون را بپذیریم که تصمیم گیری جوهر اصلی مدیریت است، باید پذیرفت که در میان تمامی مباحث مدیریت علمی، مبحث تصمیم گیری نقش اول را به عهده دارد. تصمیم گیری را می توان به دو شاخه تصمیم گیری کیفی و تصمیم گیری کمی تقسیم کرد. در مبحث کیفی، تصمیم گیری مهارتی مدیریتی شمرده می شود که فرایندی ذهنی دارد و مدیران سازمان ها ناگزیر با آن روبه رو می شوند. مسلما اخذ تصمیمات مدیران متأثر از متغیرهای قابل کنترل و غیر قابل کنترل مانند فرهنگ سازمانی، اعتقادات و ارزش ها، دانش و بینش کارکنان، ادراکات، شخصیت مدیر و کارکنان و... است. در واقع تصمیم گیری کیفی، فرایندی برای حل یک مسئله تعریف می شود که در آن مدیران و کارکنان اثربخش ترین مجموعه اقدامات و فعالیتهای خود را انجام می دهند. در این فرایند، تصمیم گیرنده روی انتخاب و گزینش بهترین گزینه یا گزینه ها از بین گزینه های رقیب در وضعیت اطمینان و عدم اطمینان تمرکز می کند. هر گاه این تصمیم گیری مبتنی بر محاسبات و وابسته به مقادیر عددی باشد، تصمیم گیری را کمی می گوییم که برای آنها | روش ها و تکنیکهای متعددی طراحی شده است. همان گونه که از عنوان کتاب برمی آید، این کتاب تنها به تصمیم گیری کمی می پردازد که هم می تواند در محافل آکادمیک و دانشگاهی به عنوان یک متن درسی استفاده شود، هم در صحنه عمل به مدیران در اخذ تصمیمات بهینه کمک کند.در ویدیوی زیر به صورت کامل به مبحث انتخاب بهترین روش برای پژوهش پرداخته شده است (چنانچه ویدیو نمایش داده نمیشود بر روی عنوان" Always for آپارات" کلیک کنید یا برای دیدن ویدیو اصلی اینجا را کلیک کنید) چنانچه نیاز به مشاوره برای انتخاب روش مناسب پایان نامه/مقاله خود هستید با ما تماس بگیرید 09338859181 https://www.aparat.com/v/gTUHA در این ویدیو به این سوال که برای پروژه یا مقاله و یا پایان نامه خود چه روش تصمیم گیری چند معیاره ای انتخاب کنم پاسخ داده می شود. در این ویدیو ابتدا روشهای تصمیم گیری چند معیاره (mcdm) به صورت کامل دسته بندی شده سپس روشهای هر دسته قید شده و ماهیت آن ها بیان می شود. سعی شده در این ویدیو روشهای جدید که پر کاربرد می باشد معرفی شوند. در این ویدیو روشهای زیر بررسی می شود: روش ahpروش ahp فازی (fuzzy ahp) روش anp خاکستری (grey ahp) روش ahp راف (rough ahp) روش anp روش anp فازی (fuzzy anp) روش سوارا (swara) روش anp راف (rough anp) روش سوارا فازی (fuzzy swara) روش سوارا روش سوارا راف روش سوارا خاکستری روش bwm فازی- قطعی و راف روش دنپ فازیروش دنپ خاکستریروش دنپ راف روش seca فازی انواع روشهای مردد و فازی شهودی روش دیمتل anp فازی و راف روش تاپسیس فازی روش ویکور فازی روش پرامتی فازی روش کوکوسو فازی روش مارکوس فازی روش واسپاس فازی روش آراس فازی پیاده سازی انواع معیارها جهت غربالگری و تایید با روشهای دلفی و دلفی فازی و همچنین cvr -مقدمهاز آغاز تاریخ تا کنون، تصمیم را می توان نتیجه و انعکاس اندیشه بشر دانست. فیلسوفان بزرگی همچون ارسطو ، افلاطون و توماس آکویناس درباره ظرفیت انسان ها برای اخذ تصمیم منطقی به صورت مبسوطی بحث کرده اند و این خصلت انسانی را وجه تمایز انسان و حیوان شمرده اند. فرهیختگانی مانند لویولا در قرن ۱۶ و بنجامین فرانکلین در قرن ۱۸، یک تصمیم را حاصل نظرات متفاوتی می دانند که بعضی به نفع آن و بعضی علیه آن رأی داده اند؛ به عبارت دیگر، تصمیم، حاصل اتفاق و تکثر نظرات است، بنابراین هر نظر را می توان ایک معیار خواند. خلاف این مشاهده طبیعی برای سال های طولانی، در بیان یک مسئله تصمیم گیری با تعریف، تنها یک معیار در نظر گرفته می شد و وجوه چندبعدی موقعیت ها را در یک معیار اندازه گیری می کرد.حتی امروزه، برای مثال متون تحقیق در عملیات برای مواجه شدن با یک مسئله تصمیم گیری، تعریف یک تابع هدف و حداقل کردن یا حداکثر کردن آن را پیشنهاد می کنند؛ بنابراین این نوع تقلیل گرایی و مواجهه غیر طبیعی تا دهه ۷۰ همچنان به راه خود ادامه می دهد، اما رویکرد ملاحظه شده از طرف لویولا و فرانکلین، از حداقل ۴۰ سال پیش، راه جدیدی برای تمرکز روی مسئله تصمیم گیری باز کرده است. این رویکرد، ریشه تحلیل تصمیم چند معیاره است.در واقع ایده تصمیم گیری چند معیاره، همبستگی نزدیکی با راهی دارد که انسانها همواره تصمیم گیری کرده اند. علی رغم تنوع رویکردها، ابزارها و تکنیکهای تصمیم گیری چند معیاره، اجزای اساسی آن بسیار ساده هستند. در واقع این اجزا مجموعه ای از اقدامات متناهی یا نامتناهی (گزینه ها، جواب ها و...)، حداقل دو معیار و حداقل یک تصمیم گیرنده است. با داشتن این عناصر اساسی به عنوان ورودی، MCDM فعالیتی است که به صورت مینایی در انتخاب، رتبه بندی (اولویت بندی) و دسته بندی اقدامات کمک می کند واضح است که هم فلاسفه درباره تصمیم گیری اندیشیده اند، هم بسیاری از جنبه های تکنیکی مهم MCDM متعلق به کار اقتصاددانان در زمینه رفاه اقتصادی، تئوری مطلوبیت و تئوری رأی گرای انتخاب اجتماعی است. ادغام نظرات و ترجیحات گروهی از رأی دهندگان در ترجیحات اجتماعی یا جمعی، کاملا مشابه ترجیح جامع یک تصمیم گیرنده از یک مجموعه معیار نامتجانس و غيرهم جهت در MCDM است.علی رغم اهمیت نظرات قابل توجه رامون لول در قرن ۱۳ و نیکولاس کوسانوس در قرن ۱۵، امروزه ریشه سیستم رأی گیری بیشتر به ژان شارل بردا (۱۷۳۳-۱۷۹۹) و کندورسه (۱۷۴۳-۱۷۹۴) نسبت داده می شود؛ ولی این لول بود که ابتدا مفهوم مقایسات زوجی را نزدیک ۵۰۰ سال پیش از کندورسه معرفی کرد. همچنین کوسانوس روش امتیازی را سه و نیم قرن قبل از بردا معرفی کرده بود. به علاوه، باید ذکر شود که نامه پلینیوس در سال ۱۰۵ قبل از میلاد نشان می دهد که او راهبرد رأی گیری سه مرحله ای را معرفی و درباره سیستم رأی گیری، خیلی قبل تر از لول و کوسانوس بحث کرده است.به هر حال، روش امتیازدهی بردا با تئوری ارزش و تئوری مطلوبیت فعلی مشابهت هایی دارد. همان گونه که روش کندورسه با رویکرد برتری" MCDM دارای مشابهت است. به همین روش، بنتهام در قرن ۱۸، محاسبات مطلوبیت گرایانه برای استخراج مطلوبیت کلی جامعه از ادغام منافع شخصی افراد یک جامعه را معرفی کرد. کار بنتهام را فرانسیس اجورث' (یک اقتصاددان مطلوبیت گرا) در قرن ۱۸، برای حداکثر کردن مطلوبیت بنگاههای رقیب ادامه داد. اجورث برای یافتن نقاط تعادل رقابت برای بنگاههای متفاوت، منحنیهای بی تفاوتی (خطوط مطلوبیت یکسان) را برای هر بنگاه پیشنهاد داد؛ آنگاه منحنی قرارداد را مطابق با منطق پاره تو یا مجموعه کارا استخراج کرد. ویلفرد پاره تو تعریفی را از مطلوبیت جوامع به دست میدهد که می توان امروزه مفهوم تسلط" را یکی از مفاهیم اساسی MCDM دانست. همچنین تئوری بازی که بورل و جان فون نویمان بنیان گذار آن هستند و نیز توسعه این تئوری، تأثیر بسیاری روی MCDM داشته است.در سال ۱۹۵۱، کوپمن مفهوم نقطه کارا را مطرح کرد و بهینه سازی در فضاهای برداری را هارولد ویلیام کان و نیز کار آلبرت ویلیام تاکر ارائه دادند و برای اولین بار در دهه ۶۰، مفاهیم اساسی MCDM مطرح شد؛ برای مثال می توان به کارهای چارتز و کوپر بر روی برنامه ریزی آرمانی و پیشنهاد روش ELECTRE از برنارد روی اشاره کرد. کوکران و زلنی در سال ۱۹۷۲، در دانشگاه کلمبیای کارولینای جنوبی، کنفرانس «تصمیم گیری چندمعیاره» را برگزار کردند که آغاز رسمی و رشد فوق العاده MCDM بود و امروزه نیز همچنان راه خود را ادامه می دهد.تصمیم گیری چیست؟دنیای اطراف ما، دنیای مشارکت و رقابت است. پیچیدگی این منطق مشارکت و رقابت، انسانها را هر لحظه به تصمیم گیری مطابق با قضاوت خود از محیط اطراف وادار می کند. اینکه گفته میشود ما موجودی منطقی هستیم شاید اغراق باشد؛ زیرا قضاوتها و تصمیم گیریهای ما به ادراکاتمان وابسته است. درک ما از دنیای اطراف به میزان تکرار و یادآوری و میزان درگیری در فعالیتها وابسته است.گاهی تصمیم گیری را معادل علم مدیریت می دانند و گفته میشود که مدیریت کردن یک سازمان چیزی جز تصمیم گیری نیست. آنچه را که ما به عنوان تصمیم گیری در این کتاب مطرح خواهیم کرد، انتخاب یا اولویت بندی یا دسته بندی چند گزینه رقیب برحسب یک یا چند شاخص خواهد بود؛ بدین معنا که هر گاه چند گزینه رقیب هم باشند و تصمیم گیرنده بخواهد یکی یا سبدی از آنها را برگزیند، یا آنها را به ترتیب اولویت مرتب یا دسته بندی کند، یک مسئله تصمیم گیری تک شاخصه یا چندشاخصه خواهیم داشت.فرایند تصمیم گیریفرایند تصمیم گیری بر مبنای فرایند کلی پردازش اطلاعات در مغز عمل می کند. این فرایند ۶ مرحله دارد.۱. بازیابی اطلاعات: به دلیل محدودیت ظرفیت ذهن، تنها اطلاعات مهم بازیابی می شوند تا بتوان آنها را پردازش کرد.۲. شناخت: محتوای اطلاعات بالا شناسایی می شود.۳. تفکر: اطلاعات شناسایی شده با دانش و مهارتهای موجود شخص در ذهن او ترکیب می شود و اندیشه درباره حل مسئله آغاز می شود. ۴. قضاوت: درباره اطلاعات ترکیبی قضاوت می شود و گزینه ها و شاخصهایی برای تصمیم گیری ارائه می گردد ۵. ارزیابی: گزینه ها دوبه دو یا به صورت جمعی برحسب یک یا چند شاخص مقایسه می شوند.۶. تصمیم: رضایتبخش ترین گزینه یا گزینه ها (سبد گزینه ها) انتخاب، یا گزینه ها اولویت بندی یا دسته بندی می شوند. نقد مهمی که به بسیاری از متون MCDM وارد است، به کار بردن عبارت «فرض کنید چنین مسئله ای وجود دارد» است. محال است که در دنیای واقعی، مسائل بدین شکل ظهور کنند. معمولاً، در ابتدای فرایند تصمیم گیری، گزینه ها، شاخص ها و خیلی از جزئیات مسئله به شکلی وجود ندارند که در کتابهای آموزشی می آیند. در اغلب اوقات، فرایند تصمیم گیری چندشاخصه در بستر یک فرایند وسیع تر قرار دارد که از تعریف یک مسئله یا موضوع آغاز، و پس از ساختاردهی مسئله، مدلسازی و به کارگیری مدل برای تفکر چالشی، در نهایت به تدوین برنامه اقدام منتهی میشود. مراحل اصلی این فرایند در شکل زیر ملاحظه میشود (2002 Belton & Stewart).می توان مراحل این فرایند را در قالب سه مرحله کلیدی «شناسایی و ساختاردهی مسئله»، «ساخت و حل مدل» و «تدوین برنامه اقدام» خلاصه کرد. مرحله اول عبارت است از تفکر عمیق، گسترش مشکل به وجود آمده، ادراک مشترک تصمیم گیرندگان یا DM و تحلیلگران تصمیم درباره پیچیدگی مسئله و گامهایی که گروه تصمیم گیرنده باید در مراحل مختلف تصمیم گیری طی کنند. فعالیتهای انجام شده در این مرحله واگرا هستند و افراد درگیر در فرایند تصمیم گیری به بسط معانی و تفکر درباره مسئله از زوایای مختلف می پردازند. مرحله دوم (ساخت و حل مدل) به تفکری همگرا نیاز دارد تا میان اطلاعاتی که در مرحله قبل با بررسی مشکل از زوایای مختلف به دست آمد، پیوند ایجاد کند و پایههای اصلی مشکل یا مسئله به وجودآمده تعیین شوند. بدین ترتیب، آشکار می شود و نحوه طی کردن ادامه فرایند تصمیم گیری، به ویژه مرحله سوم، مشخص می شود. همچنین از زاویه ای دیگر، این مرحله به تفکری واگرا نیاز دارد تا گزینه ها و شاخص ها به طور واضح تعریف شوند.مرحله سوم، پیاده سازی راه حل های به دست آمده در مرحله دوم است. شاید این مرحله به ظاهر پایان فرایند تصمیم گیری باشد؛ اما شامل مراحل کامل همین فرایند است که از ابتدا تکرار می شوند، برای مثال اگر طی گام چهارم تصمیم گرفته شود که با کدام یک از تأمین کنندگان قرارداد بسته شود یا راهبرد بستن قرارداد با تأمین کنندگان باید چگونه باشد، فرایند بستن قرارداد با تأمین کننده انتخاب شده، خود نیاز به طی کردن مراحل سه گانه و تصمیم گیری درباره نحوه پیاده سازی دارد. بنابراین در دل مرحله سوم، می توان فرایندهای تصمیم گیری جدیدی تعریف کرد.افراد زیادی در فرایند تصمیم گیری دخیل می شوند که می توان به تصمیم گیرنده، مشتری، حامی مالی و تحلیل کننده اشاره کرد. تصمیم مناسب که منافع تمام یا اکثر ذی نفعان را تأمین کند، نیازمند رفت و برگشت بین گام ها و همچنین فعالیت های درون هر گام است؛ برای مثال پس از حل مدل اولیه و تحلیل حساسیت، ممکن است نیاز باشد تا از بانکهای اطلاعاتی مؤسسات مشاوره استفاده شود یا داده های مربوط به حوزه های خاصی از فعالیت سازمان، با دقت بیشتری جمع آوری شوند.۳. طبقه بندی انواع تصمیم گیری کمی و اگر مجموعه ای از روش ها، شیوه ها، تکنیک ها، برنامه ریزی ها، سازماندهی ها، بودجه بندی ها، هماهنگی ها و... را مدیریت علمی بنامیم که امروزه در تمامی سازمان های تولیدی، خدماتی، صنعتی و تجاری به کار گرفته می شود، این مجموعه در محافل آکادمیک شامل دروسی مانند سازمان و مدیریت، مدیریت منابع انسانی، رفتار سازمانی، تحلیل های آماری، مدل های کمی و... است که تدریس و بررسی می شوند.در واقع، این مجموعه شامل دو بخش کیفی و کمی است که بخش کمی آن را علم مدیریت می گویند. گاهی علم مدیریت را علم تصمیم گیری نیز می خوانند. علم مدیریت را می توان به دو بخش مجزا تقسیم کرد که اولی را تحقیق در عملیات " (OR) و دومی را تصمیم گیری (DM) می نامیم. در یک تعریف کلی تر، تصمیم گیری خود مجموعه مفصلی است که هم به صورت تک معیاره (تک شاخصه یا تک هدفه)، هم به صورت چند معیاره (چندشاخصه یا چندهدفه) مطرح می شود. معیار را می توان اندازه اثربخشی» خواند. معیار، مبنا و اساس ارزیابی است و در قالب شاخص ها یا اهداف ظاهر می شود.هنگامی که بیش از یک راهکار، راهبرد، شق، راه حل یا عمل برای حل یک مسئله وجود داشته باشد، هر کدام از شیوه های مختلف انجام آن کار را یک گزینه" می نامند. انجام کار می تواند دلالت به مفاهیم مختلفی داشته باشد که با توجه به هدف تصمیم گیری تعیین می شود؛ برای مثال، در صورتی که هدف (مشكل) انتخاب بهترین تأمین کننده باشد، فهرستی از تأمین کنندگان محصولی خاص، گزینه ها را تشکیل می دهد. در MADM، گزینه ها رقیب یکدیگر هستند؛ یعنی در شاخص های مختلف، عملکردی نزدیک به یکدیگر دارند و ذهن انسان نمی تواند بهترین گزینه را با توجه به شاخص های موجود تشخیص دهد. البته تعیین گزینه ها به سادگی مسئله انتخاب تأمین کننده نیست؛ مثلا درباره سرمایه گذاری در بورس، تعیین سبدهایی مناسب از سهم های مختلف، به کارشناسی بیشتری نیاز دارد یا گزینه ها ممکن است راهبردهای رقیبی باشند که سازمان ها باید در یک برنامه راهبردی آن را تدوین کنند. برای تدوین راهبردها، تحلیل های چندی از جمله تحلیل معروف SWOT وجود دارد؛ بنابراین شناسایی راهبردها ممکن است در یک کار پژوهشی فعالیت سنگینی باشد که بر عهده پژوهشگر است. این شناسایی ممکن است از راههای کیفی (مانند روش دلفی) یا راه های کمی (مانند آزمون فرضیه آماری) صورت گیرد. گزینه های شناسایی شده با تکنیک های MADM ارزیابی می شوند. به طور کلی، ممکن است تکنیکها به سه شکل گزینه ها را | ارزیابی کنند: الف) انتخاب، ب) رتبه بندی وپ) دسته بندی در مسئله انتخاب، یک یا چند گزینه به عنوان گزینه های برتر (منتخب) معرفی می شوند و گزینه های دیگر منتخب نخواهند بود. در چنین مسائلی، اولویت گزینه های انتخاب شده برای تصمیم گیرنده اهمیتی ندارد و او تنها به دنبال شناسایی گزینه هایی است که عملکرد قابل قبول تری نسبت به گزینه های دیگر داشته باشند. ممکن است گزینه های برتر، در مراحل بعدی، دقیق تر آزمایش و بررسی شوند. در مسئله رتبه بندی، تصمیم گیرنده مایل است تا اولویت بندی گزینه ها را بداند و بتواند گزینه ها را به ترتیب از بهترین تا بدترین گزینه مرتب سازی کنند. اکثر تکنیکهای تصمیم گیری چندشاخصه به رتبه بندی گزینه ها می پردازند. در مسئله دسته بندی، گزینه ها به چند گروه مرتب تقسیم می شوند؛ مرتب بدین معنی است که گروهها نسبت به هم رتبه بندی شده اند و اولویت هر گروه نسبت به دیگران مشخص است، اگر چه اعضای درون گروه ها ممکن است نسبت به یکدیگر اولویت بندی شده باشند یا نسبت به هم اولویتی نداشته باشند.به طور کلی، در MADM تعداد گزینه ها محدود است و آنها را تصمیم گیرنده، کارشناسان و خبرگان تعیین می کنند؛ اما اغلب در MODM تعداد گزینه ها نامحدود است و نمی توان گزیندها را از پیش تعیین کرد، بلکه گزینه های بالقوه (رقیب) را محدودیت های مسئله شکل می دهند و مجموعه جوابهایی در منطقه موجه قرار می گیرند که در همه محدودیت ها صدق می کنند. به عبارت دیگر، تصمیم گیری چندشاخصه و تکشاخصه در فضای گسسته، و تصمیم گیری چندهدفه و تکهدفه در فضای پیوسته تعریف می شوند. گزینه ها را اغلب باA (به نشانه Alternatives یا Action) و نیز با S (به نشانه Strategy) یا با حروف کوچک انگلیسی (... ,a,b,c ) نمایش می دهند.

روش ANP فازی (آموزش و پرسشنامه)

sanaye20.ir — Wed, 15 Apr 2020 10:50:57 +0430

دوستان عزیز قبل از پرداختن به موضوع میتوانید از طریق لینک زیر آموزش ویدیویی ANP فازی را دانلود کنید همچنین در صورت داشتن مشاوره و تحلیل با ما تماس بگیرید 09338859181لینک آموزش ANP فازیروش ANP چیست؟کلمه ANP مخفف عبارت انگلیسی Analytical Network Process به معنی فرایند تحلیل شبکه ای است. فرایند تحلیل شبکه یا ANP یکی از تکنیک‌های تصمیم گیری چند معیاره است که شباهت زیادی به روش AHP دارد با این تفاوت که در این روش روابط درونی و تاثیرات درونی بین عوامل نیز در نظر گرفته می شود. هر یک از روش ها بر اساس یک سری فرضیات بنا شده شده است. برای نمونه اگر معیارها مستقل از هم باشند و مقایسات زوجی امکانپذیر باشد مدل تصمیم گیری مناسب مدل AHP است ولی اگر معیارها دارای روابط درونی باشند روش ANP بهتر است. در ویدیوی زیر توضیحاتی در مورد روش ANP داده شده است. https://www.aparat.com/v/K0LDr در شکل زیر تفاوت روش AHP و ANP آورده شده است . در این شکل بین معیارهای اصلی رابطه درونی وجود دارد البته در ANP قاعده خاصی برای روابط درونی نیست به عنوان مثال ممکن است بین گزینه ها بین گزینه ها و معیارها و... همگی رابطه درونی نیز وجود داشته باشدروش تحلیل شبکه‌ای به وسیله ساعتی در سال ۱۹۸۶ ارائه شد. روش ANP کامل شده روش AHP است. در مواردی که سطوح پایینی روی سطوح بالایی اثرگذارند و یا عناصری که در یک سطح قرار دارند مستقل از هم نیستند، دیگر نمی‌توان از روش AHP استفاده کرد. تکنیک ANP شکل کلی تری از AHP است، اما به ساختار سلسله مراتبی نیاز ندارد و در نتیجه روابط پیچیده تر بین سطوح مختلف تصمیم را به صورت شبکه ای نشان می‌دهد و تعاملات و بازخوردهای میان معیارها و آلترناتیوها را در نظر می‌گیرد.هدف روش تصمیم گیری تحلیل شبکه ای ANP ساختارمند کردن فرآیند تصمیم گیری با توجه به یک سناریو متاثر از فاکتور های چند گانه مستقل از هم می باشد. این تکنیک ، فرآیند روش تصمیم گیری تحلیل شبکه ای ANP را به عنوان یک ابزار تصمیم گیری چند معیاره به وسیله جایگزینی شبکه به جای سلسله مراتب بهبود می بخشد. یک مسئله پیچیده را می توان به چند مسئله فرعی متشکل از سطوح سلسله مراتبی به گونه ای تجزیه کرد که هر سطح در بر گیرنده مجمومه ای از معیار ها و گزینه های مربوط به هر مسئله فرعی باشد . در این رویکرد سلسله مراتبی هدف مسئله بالاترین نقطه به شمار آمده و سطوح میانی شامل فاکتور های نمایانگر سطوح بالاتر می باشند. آخرین سطح شامل گزینه ها یا فعالیت هایی است که برای رسیدن به هدف باید به آنها توجه کرد.انواع تصمیم گیریطبقه بندی تصمیم ها از نظر میزان اطمینان به نتایج حاصل از شقوق مختلف اخذ تصمیم:دراین طبقه بندی سه گروه قرار می گیرد:تصمیم گیری تحت شرایط اطمینان کامل: زمانی که تصمیم گیرنده با اطمینان کامل می داند که نتیجه یا نتایج حاصل از هر تصمیم چیست و قرار است چه کاری صورت بگیرد و چه داده هایی در دسترس است. از نظر تصمیم گیری در شرایط اطمینان کامل قرار دارد.تصمیم گیری در شرایط ریسک: وقتی تصمیم گیرنده با اطمینان کامل نمی داند که نتایج حاصل از هر تصمیم چیست ولی احتمال وقوع آنها را میداند در تحت شرایط ریسک و با مخاطره تصمیم میگیرد.تصمیم گیری در شرایط عدم اطمینان: هنگامی که تصمیم گیرنده احتمال وقوع نتایج حاصل از تصمیم ممکن را نمی داند؛ او در شرایط عدم اطمینان تصمیم گیری می کند.تعریف سیستمهای فازی و انواع آنواژه فازی در فرهنگ لغت آکسفورد به صورت مبهم، گنگ و نادقیق تعریف شده است. نظریة مجموعه های فازی، شرایط عدم اطمینان ،قادر است بسیاری از مفاهیم و متغیرها و سیستم هایی را که نادقیق هستند، صورتبندی ریاضی ببخشد و زمینه را برای استدلال، استنتاج، کنترل و تصمیم گیری در شرایط عدم اطمینان فراهم آورد.منطق فازی: نوعی از منطق بی نهایت مقداره و در حقیقت یک ابتکار برای بیان رفتار مطلوب سیستم ها با استفاده از زبان روزمره می باشد. در واقع منطآنها در یک مورد هیچ تردیدی نداشتند و آن اینکه هر پدیده ای یا"درست" است یا "نادرست" . منطق فازی، یک جهان بینی جدید است که به رغم ریشه داشتن در فرهنگ مشرق زمین با نیازهای دنیای پیچیده امروز بسیار سازگارتر از منطق ارسطویی است. منطق فازی جهان را آن طور که هست به تصویر می کشد. بدیهی است چون ذهن ما با منطق ارسطویی پرورش یافته، برای درک مفاهیم فازی در ابتدا باید کمی تامل کنیم، ولی وقتی آن را شناختیم، دیگر نمی توانیم به سادگی آن را فراموش کنیم. دنیایی که ما در آن زندگی می کنیم، دنیای مبهمات و عدم قطعیت است. مغز انسان عادت کرده است که در چنین محیطی فکر کند و تصمیم بگیرد و این قابلیت مغز که می تواند با استفاده از داده های نادقیق و کیفی به یادگیری و نتیجه گیری بپردازد، در مقابل منطق ارسطویی که لازمه آن داده های دقیق و کمی است، قابل تامل است.● تاریخچه منطق فازیزمانی که در سال ۱۹۶۵ پروفسور لطفی زاده، استاد ایرانی الاصل دانشگاه برکلی، اولین مقاله خود را در زمینه فازی تحت عنوان مجموعه های فازی (FUZZY TEST) منتشر کرد، هیچ کس باور نداشت که این جرقه ای خواهد بود که دنیای ریاضیات را به طور کلی تغییر دهد.گرچه در دهه ۱۹۷۰ و اوایل دهه ۱۹۸۰ مخالفان جدی برای نظریه فازی وجود داشت، اما امروزه هیچ کس نمیتواند ارزشهای منطق فازی و کنترلهای فازی را منکر شود. زمینه های پژوهش و تحقیق در نظریه فازی بسیار گسترده می باشد.● مجموعه های فازیاگر بخواهیم نظریه مجموعه های فازی را توضیح دهیم، باید بگوییم نظریه ای است برای اقدام در شرایط عدم اطمینان است.این نظریه قادر است بسیاری از مفاهیم و متغیرها و سیستم هایی را که نادقیق و مبهم هستند، صورتبندی ریاضی ببخشد و زمینه را برای استدلال، استنتاج، کنترل و تصمیم گیری در شرایط عدم اطمینان فراهم آورد. پر واضح است که بسیاری از تصمیمات و اقدامات ما در شرایط عدم اطمینان است و حالتهای واضح غیر مبهم بسیار نادر و کمیاب می باشند. نظریهٔ مجموعه های فازی به شاخه های مختلفی تقسیم شده است.پرفسور لطفی زاده در سال ۱۹۶۲ چیزی را بدین مضمون برای سیستم های بیولوژیک نوشت: ما اساساً به نوع جدید ریاضیات نیازمندیم؛ ریاضیات مقادیر مبهم یا فازی که توسط توزیع های احتمالات قابل توصیف نیستند. وی فعالیت خویش در نظریه فازی را در مقالهای با عنوان «مجموعه های فازی» تجسم بخشید. مباحث بسیاری در مورد مجموعه های فازی به وجود آمد و ریاضیدانان معتقد بودند نظریه احتمالات برای حل مسائلی که نظریه فازی ادعای حل بهتر آن را دارد، کفایت می کند. دههٔ ۱۹۶۰ دههٔ چالش کشیدن و انکار نظریه فازی بود و هیچ یک از مراکز تحقیقاتی، نظریه فازی را به عنوان یک زمینه تحقیق جدی نگرفتند. اما در دههٔ ۱۹۷۰، به کاربردهای عملی نظریه فازی توجه شد و دیدگاههای شک برانگیز درباره ماهیت وجودی نظریه فازی مرتفع شد.استاد لطفی زاده پس از معرفی مجموعهٔفازی در سال ۱۹۶۵، مفاهیم الگوریتم فازی را در سال ۱۹۶۸، تصمیم گیری فازی را در سال ۱۹۷۰ و ترتیب فازی را در سال ۱۹۷۱ ارائه نمود. ایشان در سال ۱۹۷۳ اساس کار کنترل فازی را بنا کرد این مبحث باعث تولد کنترل کننده های فازی برای سیستمهای واقعی بود؛ ممدانی (Mamdani) و آسیلیان (Assilian) چهارچوب اولیه ای را برای کنترل کننده فازی مشخص کردند. در سال ۱۹۷۸ هومبلاد (Holmblad) و اوسترگارد(Ostergaard) اولین کنترل کننده فازی را برای کنترل یک فرایند صنعتی به کار بردند که از این تاریخ، با کاربرد نظریه فازی در سیستمهای واقعی، دیدگاه شک برانگیز درباره ماهیت وجودی این نظریه کاملاً متزلزل شد.دههٔ ۱۹۸۰ از لحاظ نظری، پیشرفت کندی داشت؛ اما کاربرد کنترل فازی باعث دوام نظریه فازی شد. هیچ اندیشیده اید که کشور ژاپن چرا گوی سبقت را در تولید لوازم الکترونیک هوشمند از دیگر همتایانش ربوده ست؟ …مهندسان ژاپنی به سرعت دریافتند که کنترل کننده های فازی به سهولت قابل طراحی بوده و در مورد بسیاری مسائل می توان از آنها استفاده کرد. به علت اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد، می توان آن را در مورد بسیاری از سیستم هایی که به وسیلهٔ نظریه کنترل متعارف قابل پیاده سازی نیستند، به کار برد.● سیستمهای فازی چگونه سیستمهایی هستند؟ سیستم های فازی، سیستم های مبتنی بر دانشق فازی یک منطق پیوسته است که از استدلال تقریبی بشر الگو برداری کرده است. این منطق حدود چهل سال پیش در آمریکا، توسط پرفسور لطفی زاده پایه ریزی شد و برای اولین بار در سال ۱۹۷۴ در اروپا برای تنظیم دستگاه تولید بخار، در یک نیروگاه، کاربرد عملی پیدا کرد. با پیشرفت چشمگیر ژاپن در عرصه وسایل الکترونیکی، در سال ۱۹۹۰ کلمه "فازی" در آن کشور به عنوان "کلمه سال" شناخته شد.شاید بتوان با دو رنگ سیاه و سفید مثال بهتری ارائه داد. اگر در ریاضی، دو رنگ سیاه و سفید را صفر و یک تصور کنیم، منطق ریاضی، طیفی به جز این دو رنگ سفید و سیاه نمی بیند و نمی شناسد. ولی در مجموعه های نامعین منطق فازی، بین دو رنگ سیاه و سفید مجموعه ای از طیف های خاکستری هم لحاظ می شود و به این طریق فصل مشترک ساده ای بین انسان و کامپیوتر بوجود می آید. این باور به سیاه و سفیدها، (صفر و یک ها) و این نظام دو ارزشی به گذشته دور باز می گردد و حداقل به یونان قدیم و زمان ارسطو می رسد. البته قبل از ارسطو نوعی ذهنیت فلسفی وجود داشت که به ایمان دودویی با شک و تردید می نگریست. بودا در هند، پنج قرن قبل از مسیح و تقریباً دو قرن قبل از ارسطو زندگی می کرد. اولین قدم در سیستم اعتقادی او، گریز از جهان سیاه و سفید و برداشتن این حجاب دو ارزشی بود، نگریستن به جهان به همان صورتی که هست. از دید بودا جهان را باید سراسر تناقض دید، جهانی که چیزها و ناچیزها در آن وجود دارد.منطق ارسطو اساس ریاضیات کلاسیک را تشکیل می دهد. براساس اصول و مبانی این منطق، همه چیز تنها مشمول یک قاعده ثابت می شود که به موجب آن: «آن چیز درست است یا نادرست».دانشمندان نیز بر همین اساس به تحلیل دنیای خود می پرداختند. گرچه آنها همیشه مطمئن نبودند که چه چیزی درست است و چه چیزی نادرست و گرچه درباره درستی یا نادرستی یک پدیده مشخص، ممکن بود دچار تردید شوند.البته یا قواعد می باشند؛ قلب یک سیستم فازی یک پایگاه دانش است که از قواعد فازی تشکیل شده است.در اولین نگاه به اطراف خود به سادگی می توانید مجموعه ای از این دستگاه ها و لوازم را در خانه و محل کار خود بیابید. منطق فازی تعمیمی از منطق دو ارزشی متداول است و درحالیکه در منطق دودویی جایی برای واژه هایی همچون "کم"، "زیاد"،"اندکی"،"بسیار" و... که پایه های اندیشه واستدلال های معمولی انسان را تشکیل می دهند وجود ندارد، روش فازی برمبنای بکارگیری همین عبارات زبانی است.بعنوان مثال، مساله رعایت فاصله با خودروی جلویی در هنگام رانندگی را در نظر می گیریم، جهت تنظیم این فاصله هنگام مواجه شدن با خودروی روبرو "اگر جاده لغزنده باشد ، باید فاصله را زیاد می کنیم" و " اگر سرعت خوردرو کم باشد ، می توانیم فاصله را کم می کنیم" و "اگر هوا تاریک باشد ، فاصله را زیاد می کنیم" که غالبا به هنگام رانندگی امکان اندازه گیری دقیق میزان سرعت خودرو ، تاریکی جاده ، لغزندگی جاده و نظیر آن به منظور محاسبه مقادیر فاصله مطلوب وجود ندارد ، درنتیجه جهت طراحی سیستم ترمز موثر خودرو بر پایه منطق فازی، عباراتی مثل تاریکی کم یا زیاد ، سرعت کم یا زیاد ولغزندگی کم یا زیاد و... را بعنوان متغیرهای ورودی و عباراتی همچون " فاصله کم یا زیاد" را مشابه آنچه در مغز انسان برای تصمیم گیری رخ می دهد را بعنوان متغیر خروجی بکار می بندیم.بسط و گسترش منطق فازی و تئوری مجموعه های فازی بدلیل ابهام و عدم قطعیتی بوده که در مسائل پیرامون ما وجود دارد و به همین جهت در منطق فازی (علی رغم منطق دو ارزشی) گستره ای از ارزشها تعریف شده است تا ما قادر باشیم احساسات و تفکراتمان را بدون ابهام به مخاطبان خود انتقال دهیم .بدون اغراق زندگی روزمره ما آمیخته با مفهوم فازی است، یعنی بطور ناخودآگاه از عباراتی استفاده می کنیم که برای مخاطب دقیقا مشخص نیست.روش ANP فازیپیاده سازی روش فرایند تحلیل شبکه ای (ANP) در محیط فازی نیز باعث غلبه بر ابهامات و عدم قطعیت در تصمیم گیری می شود بنابراین در اولین گام باید مدل شبکه ای پژوهش تشکیل شود. این مدل می تواند روابط درونی عوامل را به هر صورتی که باشد نشان دهد برای تعیین روابط درونی و تاثیرات درونی بین معیارها می توان از روشهای مختلفی استفاده نمود از جمله روش دیمتل یا دیمتل فازی که برای بررسی تاثیرگذاری و تاثیرپذیری عوامل استفاده می شود.در ویدیوی زیر توضیحاتی در مورد روش ANP فازی و مراحل آن اورده شده است. https://www.aparat.com/v/xD3Hl در مرحله دوم باید بر اساس روابط درونی و سلسله مراتبی مدل، پرسشنامه ANP فازی طراحی شود این پرسشنامه به صورت مقایسه زوجی می باشد که بر اساس طیف 1 تا 9 ساعتی (به صورت فازی) تکمیل شود.در مرحله سوم می بایست اوزان نسبی در مقایسات زوجی محاسبه شود این اوزان را می توان از روشهای زیر محاسبه کرد:روش AHP فازی بهبود یافته (میانگین هندسی باکلی)روش AHP فازی چانگ (آنالیز توسعه چانگ)روش میخایلوف (اولویت بندی فازی)روش ترجیحات فازی لگاریتمیروش آلفاکاتدر مرحله چهارم باید سوپرماتریس های ANP تشکیل شود اولین سوپرماتریس، سوپرماتریس اولیه نام دارد که از اوزان محاسبه شده در مرحله قبل حاصل می شود سپس سوپرماتریس موزون و حدی تشکیل شده که همان وزن نهایی عوامل می باشد.چنانچه نیازمند مشاوره و یا تحلیل پروژه خود با این روشها هستید با ما تماس بگیرید: 09338859181

تکنیک COCOSO (کوکوسو) روش جدید MCDM

sanaye20.ir — Sun, 12 Apr 2020 17:24:51 +0430

مدل‌های تصمیم‌گیری چند معیاره MCDM به دو دستهٔ عمده مدل‌های تصمیم‌گیری چند هدفه MODM و مدل‌های تصمیم‌گیری چند شاخصه MADM تقسیم می‌شود. در حالت کلی مدل‌های چند هدفه به منظور طراحی و مدل‌های چند شاخصه به منظور انتخاب گزینه برتر مورد استفاده قرار می‌گیرند. تفاوت اصلی مدل‌های تصمیم‌گیری چند هدفه با مدل‌های تصمیم‌گیری چند شاخصه آن است که اولی در فضای تصمیم‌گیری پیوسته و دومی بر فضای تصمیم‌گیری گسسته تعریف می‌گردند. تصمیم‌گیری چند شاخصه یا multiple Attribute Decision making و به اختصار MADM شاخه ای از تصمیم گیری چند معیاره می باشد. این نوع از تصمیم گیری شامل مدلها و روشهایی می باشد که خود به دو دسته ی مدلهای جبرانی و مدلهای غیرجبرانی تقسیم می گردد.مدل های جبرانی جزو روشهایی هستند که میزان ضرر یا فایده یک گزینه در یک معیار توسط معیارهای دیگر میتواند جبران شود بیشتر روشهای کابردی که در مقالات و پایان نامه ها استفاده می شوند از این روش هستند یعنی ماهیت جبرانی دارند روش کوکوسو (COCOSO) که در این بخش به آن پرداخته می شود در زمره روشهای جبرانی می باشد در این تکنیک هدف نهایی رتبه بندی تعدادی گزینه بر اساس تعدادی معیار می باشد این روش شامل یکسری مراحل با محاسبات ریاضی می باشد که در نهایت امتیاز گزینه ها محاسبه می شود. این تکینک در لغت به معنی راه حل ترکیبی سازشی می باشد که در مقاله بیس آن ذکر شده است راه حل ترکیبی آن به دلیل استفاده از دو رابطه WSM و WPM می باشد همچنین بحث سازشی آن به دلیل استفاده از سه استراتژی برای یکی کردن امتیازها می باشد.مراحل پیاده سازی تکنیک COCOSOبه صورت خلاصه مراحل پیاده سازی این روش در ادامه آورده شده است:1- ایجاد ماتریس تصمیم یا تشکیل decision matrixماتریس تصمیم اولین مرحله هر روش تصمیم گیری چند معیاره است در واقع شالوده هر روش تصمیم گیری چند معیاره ماتریس تصمیم آن روش می باشد که در واقع ارزیابی گزینه های مساله بر اساس معیارها می باشد تعداد گزینه ها و معیارها محدودیت خاصی ندارد همچنین امتیازاتی که هر گزینه نسبت به هر معیار اخذ می کند نیز هم میتواند جنبه کمی باشد هم جنبه کیفی.2- نرمال سازی ماتریس تصمیمدر مرحله دوم نرمال سازی یا بی مقیاس سازی ماتریس تصمیم صورت می گیرد.3- محاسبه مقادیر WSM و WPMدر این بخش در واقع بر اساس روابطی که وجود دارد دو پارامتر اصلی این روش یعنی جمع وزن و ضربی حاصل می شود.4- تعیین امتیاز گزینه ها بر اساس استراتژی هادر این مرحله بر اساس 3 استراتژی که معرفی شده است در واقع سه نوع امتیاز برای هر گزینه حاصل می شود5- تعیین امتیاز نهاییدر این مرحله با یکی کردن امتیاز 3 استراتژی مرحله قبل، امتیاز نهایی هر گزینه حاصل می شود.از طریق لینک زیر می توانید آموزش این روش به همراه پیاده سازی در اکسل تهیه کنید.https://sanaye20.ir/cocoso/

دانلود پروژه با نرم افزار انی لاجیک (Any logic)

sanaye20.ir — Wed, 08 Apr 2020 14:46:23 +0430

دوستان عزیز برای دانلود دو پروژه با نرم افزار انی لاجیک بر روی لینک زیر کلیک کنید:https://sanaye20.ir/project-anylogic/در اویل دهه ۹۰ تمایل بسیار زیادی به رویکرد مدل‌های ریاضی و شبیه‌سازی فرایندهای موازی به وجود آمد. این رویکرد می‌توانست برای تحلیل درستی فرایندهای موازی یا توزیع به کار برده شود. تیم تحقیق و توسعه در دانشگاه سنت پترزبورگ برای تحلیل چنین شرایطی و برای کاربرد ابزار شبیه‌سازی یک نرم‌افزار جدید به نام COVERS را توسعه داد. این نرم‌افزار امکان ساخت مدل گرافیکی شبیه‌سازی از ساختار و رفتار سامانه را فراهم می‌نمود. این نرم‌افزار در یک تحقیق در شرکت HP نیز مورد استفاده قرار گرفت. در سال ۱۹۹۸ موفقیت در پروژه توسعه نرم‌افزار COVERS باعث شد تا عضو تیم سازنده نرم‌افزار تصمیم به ثبت یک شرکت تجاری بکیرند. هدف این شرکت توسعه یک نرم‌افزار شبیه‌سازی نسل جدید بود. تأکید برای توسعه نرم‌افزار بر روی موارد زیر بود: شبیه‌سازی، تحلیل کارایی، رفتار سامانه‌های احتمالی، بهینه‌سازی و متصور ساختن (Visualization) بود. نرم‌افزار در سال ۲۰۰۰ بر پایه آخرین دستاوردهای تکنولوژی اطلاعات منتشر شد. یک نرم‌افزار شئی گرا (Object Oriented)، اجزای استاندارد UML، زبان پیشرفته جاوا، GUI پیشرفته و… این نرم‌افزار AnyLogic نام‌گذاری شد. دلیل این نام‌گذاری این بود که این نرم‌افزار هر سه رویکرد مشهور در زمینه مدلسازی را پیشتیبانی می‌کرد که عبارت بودند از:مدل های پویا شبیه‌سازی گسسته پیشامدمدلسازی عامل بنیان توسط این نرم افزار می توان انواع مدل های پویایی سیستم را شبیه سازی کرد نمودار علت معلولی و مدل جریان را ترسیم کرد و سپس سناریوهایی متناسب با مدل پویایی سیستم ایجاد نمود همچنین از این نرم افزار می توان برای ایجاد مدلهای شبیه سازی گسسته نیز استفاده کرد.نرم افزار ANY LOGICنرم‌افزار AnyLogic هم دارای زبان مدلسازی به صورت گرافیکی است و هم می‌توان با استفاده از زبان Java مدل شبیه‌سازی را توسعه داد. استفاده از جاوا این امکان را به کاربران می‌دهد تا بدون حد و مرز با استفاده از کدهای جاوا مدل شبیه‌سازی سامانه مورد نظر خود را به صورت کاملاً منعطف بسازند.همچنین با استفاده از نرم‌افزار AnyLogic می‌توان مدل را به صورت Java Applet ایجاد کرد که بر روی هر مرورگر (Browser) استانداردی مانند IE, FireFox و… اجرا شود. این قابلیت این امکان را به مدلساز می‌دهد تا مدل ساخته شده از سامانه مورد نظر را به راحتی بر روی اینترنت به اشتراک بگذارد. همچنین در ارائه مدل در مکان‌هایی که نرم‌افزار نصب نیست نیز کاربرد بسیار زیادی داشته و مدلسازی به راحتی می‌تواند مدل شبیه‌سازی که به صورت Java Applet درآمده‌است را توسط مرورگرهای استاندارد نمایش دهد.وقتی برای اولین بار AnyLogic را راه اندازی می کنید ، صفحه استقبال را مشاهده می کنید. با بستن دکمه بستن x در برگه صفحه ، فضای کاری AnyLogic را مشاهده خواهید کرد:در بالای پنجره منو ، در زیر منو قرار دارد - نوار ابزار دسترسی آسان به دستورات متداول را فراهم می کند. در پایین نوار وضعیت را مشاهده می کنید.به طور پیش فرض اجزای زیر در فضای کاری نشان داده شده اند:ویرایشگر گرافیک - مکانی برای ویرایش نمودارهای گرافیکی عوامل و آزمایش ها.نمای پروژه ها - دسترسی به مدل های AnyLogic را که در فضای کار باز شده اند فراهم می کند. درخت فضای کار ناوبری آسان را در سراسر مدل ها فراهم می کند.نمای پالت - لیست عناصر مدل گروه بندی شده در دسته ها در تعدادی از استنسیل ها (پالت) را ارائه می دهد.نمای خواص - به مشاهده و اصلاح ویژگی های (های) مدل انتخاب شده در حال حاضر اجازه می دهد.می توانید با بستن برخی نماها و باز کردن موارد دیگر ، فضای کاری را سفارشی کنید (همچنین مشکلات ، جستجو ، نماهای کنسول در دسترس است). AnyLogic Professional همچنین مجموعه ای از نمایش ها را برای اشکال زدایی مدل ارائه می دهد: اشکال زدایی ، نقاط شکست ، عبارات ، متغیرها.ویرایشگر گرافیکهر نوع عامل دارای نمودار گرافیکی است که با آن همراه است. نمودار گرافیکی مکانی است که شما می توانید ساختار نوع عامل خود را تعریف کنید. این چندین نقش بازی می کند: رابط کارگزار را تعریف می کند. با استفاده از اشکال و کنترل های ارائه ، ارائه و نمادی را برای نوع عامل تعریف می کند. ویرایشگر گرافیکی ویژگی های شکل را به داده های عامل پیوند می دهد. عناصر رفتاری مانند رویدادها و کارتهای مقدماتی را تعریف می کند. اشیاء تعبیه شده و اتصال آنها را تعریف می کند. برای باز کردن ویرایشگر گرافیکی برای یک نوع آزمایش / عامل در نمای پروژه نوع و آزمایش را کلیک کنید.منطقه قابل مشاهده و مختصاتویرایشگر گرافیکی هیچ مرزی ندارد - تقریبا بوم بی نهایت در دستان شماست. با این حال ، هنگامی که شما مدل را اجرا می کنید ، پنجره ارائه با اندازه ثابت نمایش داده می شود ، به طوری که فقط بخشی از ارائه در آنجا نشان داده می شود. بنابراین ، مهم است که درک کنیم ، چه چیزی وارد این منطقه قابل مشاهده می شود.ویرایشگر گرافیک مختصات دارد. هنگامی که در ویرایشگر گرافیکی کار می کنید ، مختصات فعلی ماوس در نوار وضعیت AnyLogic نمایش داده می شود (شکل زیر را ببینید).وقتی نمودار گرافیکی را باز می کنید ، مبدا محور (0 ، 0) به طور پیش فرض در گوشه سمت چپ بالای نمودار قرار دارد. شما می توانید خطوط شبکه تاریک را نشان دهید که محورهای مختصات را نشان می دهد. فلش در انتهای محور جهت محور را نشان می دهد - جهت رشد مختصات. محور X به سمت راست هدایت می شود ، و محور Y به سمت پایین هدایت می شود (نه به بالا ، لطفا توجه خود را جلب کنید!). محور Z به سمت بیننده هدایت می شود.محورها مرزهای چپ و بالایی ناحیه قابل مشاهده نمودار را مشخص می کنند. مرزهای پایین و راست ناحیه قابل مشاهده توسط تنظیمات قاب مدل تعریف شده و بین همه عوامل و آزمایش های مدل به اشتراک گذاشته می شود. اجرا مدلبرای اجرای مدل ، شما در واقع باید یکی از آزمایش های آن را اجرا کنید. به طور پیش فرض هر مدل یک آزمایش شبیه سازی به نام شبیه سازی دارد.آزمایش شبیه سازی ساده ترین نوع آزمایش است که امکان ایجاد انیمیشن برای یک مدل و شبیه سازی آن را برای مدتی با تجسم فراهم می کند. برای اجرای مدل در نمای پروژه ، بر روی راست کلیک کنید (Mac OS: Ctrl + کلیک کنید) مدلی را که می خواهید اجرا کنید (و در صورت انجام چندین آزمایش ، آزمایش مورد نظر را از طریق فهرست بازشو انتخاب کنید) یا روی آزمایش راست کلیک کنید (آزمایشگاه Mac: Ctrl + کلیک کنید) ، تنظیماتی را که می خواهید استفاده کنید ، و از منوی بازشده Run را انتخاب کنید ، یا روش دیگر ، از منوی اصلی Model> Run را انتخاب کنید ، یا روی پیکان سمت راست دکمه Run کلیک کنید و آزمایش مورد نظر خود را از لیست کشویی انتخاب کنید.با اجرای شبیه سازی ، شما به طور خودکار مدل فعلی را به روز می کنید.برای اجرای آزمایشی که قبلاً راه اندازی شده استروی دکمه Run toolbar کلیک کنید ، یا F5 را فشار دهید.با راه اندازی مدل ، پنجره مدل را مشاهده خواهید کرد. این نمایش ارائه شده برای آزمایش شما را نشان می دهد. به طور پیش فرض ، پنجره مدل در مرورگر Chromium باز می شود. می توانید یک مرورگر متفاوت را در گفتگوی Preferences انتخاب کنید.وقتی مدل را اجرا می کنید ، ایجاد می شود اما اجرا نمی شود - منتظر است که شروع شود. هنگامی که کاربر دکمه Run را کلیک می کند ، مدل راه اندازی می شود و ارائه عامل سطح بالا این آزمایش (بصورت پیش فرض آن Main) در پنجره نشان داده می شود.

الگوریتم جستجوی هارمونی (HS) و کد متلب (MATLAB)

sanaye20.ir — Sun, 22 Mar 2020 13:10:37 +0430

هارمونی چیست؟هارمونی به معنای هماهنگی، هم صدایی و ترکیب خوش آهنگ صداهایی که به صورت همزمان و در یک لحظه شنیده می شوند، می باشد. به عبارتی دقیق تر هارمونی دانشی است برای چند بخشی (چند صدایی) کردن موسیقی بر پایه خصوصیتها و آکوردها و شایستگی وصلشان به یکدیگر.الگوریتم جستجوی هارمونیالگوریتم جست وجوی هارمونی، یک الگوریتم بهینه سازی است که در سال ۲۰۰۱ توسعه یافت. الگوریتم جست وجوی هارمونی به عنوان یک الگوریتم فر ااکتشافی موفق جهت مسیریابی در شبکه های حسگر بی سیم و در راستای افزایش طول عمر در این نوع شبکه ها است. یکی از سادهترین و جدیدترین روشهای فراابتکاری است که در فرایند جستجوی جواب شدنی بهینه در مسائل بهینه سازی، از فرایند نواختن همزمان گروه ارکستر موزیک الهام گرفته شده است. به عبارت دیگر، میان پیدا کردن یک حل بهینه در مسأله پیچیده و فرایند اجرای موزیک تشابه وجود دارد.این روش حل را ابتدا گیم در سال ۲۰۰۱ میلادی ارائه کرد. الگوریتم HS به دلیل کاربردی بودن برای مسائل بهینه سازی گسسته و پیوسته، محاسبات ریاضیاتی کم، مفهوم ساده، پارامترهای کم و اجرای آسان به یکی از پرکاربردترین الگوریتمهای بهینهسازی در سالهای اخیر در مسائل مختلف تبدیل شده است. این الگوریتم در مقایسه با سایر روشهای فراابتکاری الزامات ریاضیاتی کمتری دارد و میتوان آن را در مسائل مختلف مهندسی با تغییر در پارامترها و عملگرها تطبیق نمود. از مزیتهای دیگر این روش نسبت به روش ژنتیک این است که برای ایجاد حل جدید برخلاف روش ژنتیک که از دو بردار حل در نسل استفاده میکند، این الگوریتم از همه حلهای موجود در حافظهاش استفاده میکند. این ویژگی انعطاف الگوریتم را در جستجوی فضاهای بهتر حل افزایش میدهد. ز ویژگیهای دیگر الگوریتم جستجوی هماهنگی این است که در مدت زمان مناسبی فضاهای حل با محدوده عملکرد بهتری را شناسایی میکند. این ویژگی در صورتی که مسأله مورد مطالعه از بهینگی محلی (Optimum Local)برخوردار باشددچار مشکل میشود و در بهینگی محلی متوقف شده و نمیتواند به بهینگی سراسری (Optimum Global)برسد. دلیل این مشکل عدم کارایی مناسب الگوریتم در اجرای جستجوی محلی در مسائل بهینه سازی گسسته است.این الگوریتم از پنج گام تشکیل شده است:-۱ مقداردهی اولیه مسئله بهینه سازی و پارامترهای اولیه-۲ مقداردهی حافظه هارمونی-۳ ایجاد یک هارمونی جدید بهبودیافته-۴ به روز کردن حافظه هارمونی-۵ تکرار گام های ۳و ۴ تا زمانی که شرط پایانی ارضا شود یا تکرارها پایان پذیرد.الگوریتم جستجوی هارمونی با هدف هماهنگی و هارمونی، برای رسیدن به بهترین جواب، از موسیقی الهام گرفته شده است. تلاش برای یافتن این هارمونی و هماهنگی در موسیقی، مثل پیدا کردن شرایط بهینه در فرآیند بهینه-سازی میباشد. در واقع الگوریتم جستجوی هارمونی بهترین راهبرد برای تبدیل روندهای مورد بررسی کیفی به فرآیندهای کمی و قابل لمس بهینه سازی است. روندی به همراه بعضی از قوانین ایدهآل که نتیجه آن تبدیل قطعهای زیبا از موسیقی به یک راهحل مناسب برای حل مسائل مختلف بهینهسازی خواهد بود.شکل زیر جزئیات فرآیند بداهه نوازی موسیقی و فرآیند بهینهسازی مهندسی را نشان میدهد. در بداهه نوازی موسیقی هر نوازنده هر گام موسیقی را در یک بازه ممکن می نوازد که با همدیگر یک بردار هارمونی را تشکیل میدهند. اگر همه گامها یک هارمونی خوب و قابل قبول را بر اساس علم زیبا شناختی تولید کنند این تجربه در حافظه نوازنده ذخیره میشود و امکان ساخت یک هارمونی بهتر در زمانهای بعدی افزایش مییابد. به همین ترتیب در مسائل بهینهسازی مهندسی، هر متغیر تصمیمگیری در ابتدا یک مقدار را داخل یک دامنه مجاز به خود اختصاص میدهد که همگی با هم یک بردار پاسخ را میسازند. اگر همه متغیرهای تصمیمگیری پاسخ خوب و قابل قبول را بر اساس تابع هدف مسئله تولید کنند این تجربه در حافظه متغیر ذخیره میشود و احتمال پاسخهای بهتر افزایش پیدا میکند.مبانی الگوریتم جستجوی هارمونیبه منظور توضیح الگوریتم جستجوی هارمونی لازم است تا روند ایجاد یک قطعه موسقی ایدهآل را توسط یک موسیقیدان حرفهای بررسی کنیم. وقتی که یک موسیقی دان در حال آفرینش یک قطعه موسیقی است سه گزینه را در پیش روی خود دارد:نواختن یک نغمه و موسیقی معروف دقیقا به همان ترتیبی که در ذهن موسیقی دان است.نواختن آهنگی شبیه موسیقی معروف، با تغییر دادن جزئی آن چیزی که وجود دارد.ایجاد یک قطعه موسیقی کاملا جدید با نتهای جدید.شباهت بین کار نوازندگان در موسیقی و عملکرد روشهای بهینه یابی را می توان به صورت شکل زیر نشان داد.استفاده و کاربرد حافظه هارمونی بسیار مهم است، زیرا مشخص میکند که آیا جوابها و هارمونیهای جدید میتوانند قابل قبول باشند یا خیر. به این منظور استفاده مؤثر و کارا از HMCR این حافظه، پارامتری برای نشان دادن احتمال انتخاب از حافظه هارمونی با عنوان (احتمال پذیرش از حافظه هارمونی) ارائه می شود که با توجه به نرخ و میزان آن، مورد بررسی قرار می گیرد.دومین عملگر، تنظیم گام صدا است که دارای پارامترهای پهنای باند bw (ماکزیمم مقدار تغییر ایجاد شده در متغیر انتخاب شده) و میزان احتمال تنظیم و تغییر گام PAR میباشد. این دو پارامتر در ایجاد یک هارمونی (بردار جواب) جدید مورد استفاده قرارا می گیرند.مراحل الگوریتم جستجوی هارمونیتعریف تابع هدف و پارامترهای الگوریتم (HMCR,PAR, bw)در ابتدا برای شروع حل با این الگوریتم، تابع و پارامترهای الگوریتم مشخص میشوند. سپس به تعریف پارامترهای HMCR و PAR که دو پارامتر بین صفر و یک هستند و به ترتیب احتمال در نظرگیری متغیر از حافظه و احتمال تغییر در متغیر انتخاب شده از حافظه ماتریس به اندازهی تصادفی میباشد،می پردازیم. ایجاد ماتریس حافظه در مرحله دوم یک ماتریس حافظه هارمونی از چندین راه حل یا هارمونی تشکیل میگردد.شکل کلی این ماتریس حافظه به صورت رابطه زیر است:تولید یک راه حل یا هارمونی جدیدبرای ایجاد یک هارمونی یا راه حل جدید به چند عملگر احتیاج داریم و تک تک به ایجاد متغیرها می پردازیم.برای ایجاد مقدار برای متغیر i ام ،ابتدا یک عدد تصادفی بین صفر و یک تولید میکنیم،این عدد تصادفی با HMCR مقایسه میگردد و اگر کوچکتر از آن باشد ،یک مقدار برای متغیر i ام از ماتریس حافظه و از ستون i ام انتخاب میگردد و در غیر این صورت یک مقدار تصادفی از فضای جستجو برای متغیر i ام انتخاب میگردد . در صورتی که از ماتریس حافظه یک مقدار انتخاب شد،سپس عدد تصادفی دیگری تولید می گردد و با PAR مقایسه میشود، در صورتی که عدد تصادفی کوچکتر از PAR باشد این متغیر انتخاب شده از ماتریس حافظه به مقدار کوچکی با توجه به رابطه زیر تغییر پیدا می کند. برای تعیین مقدار تغییر بر روی متغیر انتخاب شده از حافظه ماتریس، پارامتر دیگری به نام bw تعریف می گردد که با توجه به رابطه زیرمقدار متغیر جدید بدست می آید:به روز کردن ماتریس حافظهبه همین صورت تمام متغیرهای یک جواب یا هارمونی ایجاد میشود و سپس ارزش آن هارمونی با توجه به تابع برازش محاسبه شده، و با بدترین هارمونی موجود در حافظه ماتریس مقایسه میگردد. در صورت بهتر بودن از بدترین هارمونی موجود در حافظه ماتریس، هارمونی جدید جایگزین هارمونی قبلی میشود.شرط توقفشرط توقف الگوریتم به چند صورت میتواند تعیین گردد. معمولا شرط توقف، زسیدن به مقدار بهینه مورد نظر میباشد. از دیگر شروط میتوان به تغییر نکردن بهترین هارمونی موجود در ماتریس حافظه یا رسیدن به تعداد تکزازهای مشخص اشاره کرد. با تکرار این پنج مرحله، الگوریتم به مرور به مقادیر بهینه نزدیکتر شده و جوابهای مسئله بهبود می یابد.شبه کد این الگوریتم در شکل زیر آورده شده استانتخاب تصادفیانتخاب تصادفی در الگوریتم جستجوی هارمونی به افزایش تنوع راه حلها کمک میکند. گام صدا هم نقشی مشابه را ایفا میکند,ئلی تغییرات را در ناحیه خاصی محدود میکند و با جستجوی محلی تطبیق میدهد.استفاده از روش انتخاب تصادفی میتواند ,الگوریتم را به سوی کشف راه حلهای متنوع و گوناگونتر هدایت کند و این روند میتواند ادامه یابد تا بهترین و جامع ترین بهینگی به دست آید. مباحث گفته شده را میتوان به صورت مفاهیم احتمالی نیز بیان نمود.به طورکلی احتمال اینکه مقدار برای متغیر i ام فقط به صورت تصادفی از فضای جواب انتخاب شود برابر است با:احتمال اینکه مقدار برای متغیر i ام حاصل تغییری در متغیر انتخاب شده از حافظه ماتریس باشد برابر است با:احتمال اینکه مقدار برای متغیر i ام فقط برابر متغیر انتخاب شده از حافظه ماتریس باشد برابر است با:به این ترتیب با تکرار زیاد این الگوریتم ,به مرور به مقدار بهینه نزدیک خواهیم شد.

روش BWM (بهترین بدترین) مثال و آموزش

sanaye20.ir — Thu, 12 Mar 2020 18:17:27 +0330

دوستان عزیز فیلم آموزش روش BWM به همراه پیاده سازی در لینگو تهیه شده است که در لینک زیر قرار داده شده است. چنانچه نیازمند مشاوره هستید نیز می توانید با ما تماس بگیرید 09338859181https://sanaye20.ir/product/bwm-best-worst-method/تکنیک BWMتصمیم گیری چند معیاره شاخص مهمی از تئوری تصمیم گیری است. مسائل تصمیم گیری چند معیاره (MCDM) بطور کلی بر اساس فضای حل مساله به دو دسته پیوسته و گسسته تقسیم بندی میشوند. برای مدیریت مسائل پیوسته روش های تصمیم گیری چند هدفه(MODM) استفاده شده است. از طرف دیگر مسائل گسسته با استفاده از روش های تصمیم گیری چندشاخصه(MADM) استفاده شده است.روش بهترین-بدترین (BWM) در سال ۲۰۱۵ توسط دکتر جعفر رضایی، دانشیار دانشگاه دلفت هلند، ارائه شد. اساس این روش بر پایه ماتریس مقایسات زوجی بنا شده و از این نظر شباهت هایی با روش AHP دارد. با این حال، توسعه و ارائه این روش با هدف ارتقای فرایند تصمیم گیری در مقایسه با سایر روش ها بوده است. یکی از نقاط مثبت روش بهترین-بدترین (BWM)، پایین بودن بار محاسباتی آن در مقایسه با سایر روش های تصمیم گیری است. از این رو، یادگیری این روش می تواند به پژوهشگران در حل مسائل تصمیم گیری با تعدادی زیادی شاخص کمک کند. در این آموزش مفاهیم اولیه و گام های به کارگیری روش بهترین-بدترین (BWM) تشریح شده و به منظور تفهیم هر چه دقیق تر این روش، مثال های آموزشی و کاربردی متعددی حل خواهد شد.استفاده از تکنیک های تصمیم گیری، یکی از مباحث مورد استقبال پژوهشگران و دانشجویان رشته های مختلف است. فرایند انتخاب یک گزینه از میان چندین گزینه و براساس چندین شاخص تصمیم گیری، مصداق مساله ای است که یکی از راه های پاسخ به آن، استفاده از تکنیک های تصمیم گیری است. صاحب نظران علوم تصمیم گیری تا به امروز تکنیک های بسیاری برای پاسخ به چنین مسائلی ارائه کرده اند. هر یک از این تکنیک ها، نقاط قوت و ضعف خود را دارد.روش بهترین-بدترین (BWM) در سال ۲۰۱۵ توسط دکتر جعفر رضایی، دانشیار دانشگاه دلفت هلند، ارائه شد. اساس این روش بر پایه ماتریس مقایسات زوجی بنا شده و از این نظر شباهت هایی با روش AHP دارد. با این حال، توسعه و ارائه این روش با هدف ارتقای فرایند تصمیم گیری در مقایسه با سایر روش ها بوده است. یکی از نقاط مثبت روش بهترین-بدترین (BWM)، پایین بودن بار محاسباتی آن در مقایسه با سایر روش های تصمیم گیری است. از این رو، یادگیری این روش می تواند به پژوهشگران در حل مسائل تصمیم گیری با تعدادی زیادی شاخص کمک کند.همچنین این تکنیک می تواند به عنوان یک روش وزن دهی و با ترکیب با روش های تصمیم گیری مبتنی بر ماتریس تصمیم، به کار گرفته شود. در این آموزش مفاهیم اولیه و گام های به کارگیری روش بهترین-بدترین (BWM) تشریح شده و به منظور تفهیم هر چه دقیق تر این روش، مثال های آموزشی و کاربردی متعددی حل خواهد شد. همچنین با هدف تشریح مسیر به کارگیری این روش در پژوهش های کاربردی، یک مثال جامع، شامل: شیوه طراحی پرسشنامه، شیوه پرسشگری و انجام محاسبات مرتبط ارائه خواهد شد.تکنیک BWM یکی از جدیدترین و کاراترین تکنیک های تصمیم گیری چند معیاره است که به منظور وزن دهی عوامل و معیارهای تصمیم گیری به کار می رود.همانطور که می دانید و در مقالات AHP این وب سایت می توانید مطالعه کنید، در روش های تصمیم گیری چند معیاره از جمله روش تحلیل سلسله مراتبی شاخص ها و معیارهای و زیر معیارهای تصمیم گیری را می توان توسط مقایسه های زوجی و تحلیل نظرات خبرگان رتبه بندی نمود و آنها را از ارجح ترین و با اهمیت ترین به کم اهمیت ترین مرتب نمود.اما در روش بهترین-بدترین (Best-Worst-Method)، بهترین و بدترین شاخص ها و معیارها توسط تصمیم گیرنده مشخص می شود و سپس مقایسه زوجی بین هر کدام از این دو شاخص، که بهترین و بدترین هستند، با دیگر شاخصها صورت می گیرد. آنگاه مساله تبدیل به یک مساله برنامه ریزی خطی می شود بدین گونه که وزن شاخص ها به صورتی بدست آید که تفاوت های مطلق اوزان حداقل گردد.ویژگی های روش BWMاز جمله ویژگی های برجسته روش BWM ، که یکی از تکنیک های نوین تصمیم گیری چند شاخصه می باشد، نسبت به سایر تکنیک های MCDM موجود، می توان به موارد زیر اشاره کرد:ویژگی 1- تعداد مقایسات زوجی کمتراین روش جدید، نیاز به تعداد مقایسات زوجی کمتری نسبت به روش AHP دارد. همانطور که سایر مقالات این وب سایت اشاره شده است، تعداد مقایسات زوجی در روش تحلیل سلسله مراتبی برابر فرمول زیر می باشد:(m*(m-1)) / 2که در آن m تعداد معیار یا شاخص هایی است که قصد مقایسه آنها با یکدیگر را داریم.اما در روش BWM تعداد مقایسات زوجی از فرمول زیر به دست می آید:(2*m) – 3که تعداد قابل توجهی کاهش در مقایسات زوجی خواهیم داشت. و این نکته، مساله تعداد زیاد مقایسات زوجی در روش ahp را که باعث می شد گاهی حجم صفحات پرسشنامه به ده صفحه برسد را حل می کند.به عنوان مثال اگر فرض کنید 7 شاخص داشته باشیم، در روش تحلیل سلسله مراتبی 21 مقایسه زوجی و در روش BWM تعداد 11 مقایسه زوجی خواهیم داشت.ویژگی 2- دستیابی به مقایسات زوجی سازگارتردستیابی به مقایسات زوجی سازگارتر و نتایج با قابلیت اطمینان بالاتر از دیگر ویژگی های روش تصمیم گیری BWM می باشد که در مقاله به آن اشاره شده و در مورد آن توضیح داده شده است.مراحل روش بهترین بدترین BWM ? مجموعه ای از معیارهای تصمیم گیری را تعیین نمایید.بهترین و بدترین معیار را تعیین نمایید. بهترین می تواند مطلوب ترین یا مهم ترین معیار باشد.مقایسه های زوجی بین بهترین معیار با سایر معیارها را انجام دهید (ارجحیت ها تعیین شود)مقایسه های زوجی بین سایر معیارها نسبت به بدترین معیار را انجام دهید.بهینه ترین اوزان را پیدا کنید (از طریق روش های بهینه سازی و برنامه ریزی خطی)نرخ سازگاری در متد BWMدر روش بهترین-بدترین رضایی فرمولی برای محاسبه نرخ ناسازگاری و با هدف بررسی اعتبار و اطمینان مقایسات در نظر گرفته شده است. این روش بررسی سازگاری مقایسات از نظر ساختار تا حدودی شبیه روش بررسی نرخ ناسازگاری مقایسات زوجی روش ahp است.برای محاسبه مقدار نرخ ناسازگاری از رابطه زیر استفاده شده است:که در این رابطه مقدار شاخص سازگاری از جدول زیر بدست می آید:

دانلود پروژه با نرم افزار گمز (gams) (برنامه ریزی خطی)

sanaye20.ir — Fri, 27 Dec 2019 10:51:25 +0330

دوستان عزیز در لینک زیر یک پروژه برنامه ریزی خطی با نرم افزار گمز قرار داده شده است.https://sanaye20.ir/%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%E2%80%8C%D8%B1%DB%8C%D8%B2%DB%8C-%D8%AE%D8%B7%DB%8C-%D9%86%D8%B1%D9%85%E2%80%8C%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-%DA%AF%D9%85%D8%B2/نرم افزار گمز GAMS به عنوان یک ابزار قدرتمند و فراگیر برای حل مدل های ریاضی حتی در ابعاد بزرگ روز به روز نقش پررنگ تری در رشته های مهندسی ایفا می کند، یعنی هر جا نیاز به تصمیم گیری بهینه با محدودیت زمان، هزینه و منابع داشته باشیم باید از مدل سازی ریاضی استفاده کرده که گمز از ابزارهای بسیار کارآمد حل این نوع مدل ها است. نرم افزار تحقیق در عملیات GAMS برای حل مدل های برنامه ریزی خطی و غیرخطی مورد استفاده قرار می گیرد. این نرم افزار از سرعت بسیار بالایی در حل مدل های بزرگ برخوردار است. در واقع می توان از GAMS به عنوان بهترین نرم افزار حل مسائل بهینه سازی بسیار بزرگ و پیچیده نام برد. GAMS مخفف کلمه (The General Algebraic Modeling System) است. از GAMS برای حل مسائل برنامه ریزی خطی LP برنامه ریزی غیرخطی NLP، برنامه ریزی صحیح مختلط MIP برنامه ریزی غیرخطی صحیح مختلط MINLP و مسائل مکمل خطی MCP استفاده می کنند.همچنین GAMS یکی از نرم افزارهای حرفه ای در حل مسائل بهینه سازی ریاضی می باشد.برنامه ریزی خطی در گمزیکی از مهم‌ترین و قوی‌ترین تکنیک‌های حل مسئله دارای محدودیت منابع، برنامه ریزی خطی است. برنامه ریزی خطی تکنیکی ریاضی است که به وسیله‌ی آن می‌توان نقاط بهینه توابع سود، تولید، زنجیره تامین و … را حل کرد. به دلیل اینکه تمامی توابع و روابط در این مسائل، خطی و درجه اول است؛ به آن برنامه ریزی خطی می گویند. با چند مثال از برنامه ریزی خطی موضوع را ملموس تر می کنیم.فرض کنید، قصد ارسال ۲ کالا از کارخانه به انبارهای استانی و سپس به فروشگاه های شرکت خود را داشته باشید. کدام کالا به کدام انبار و در چه تعدادی باید ارسال شود؟ همچنین فرض کنید زلزله‌ای در کرمانشاه اتفاق افتاده است و قصد برپایی بیمارستان‌های صحرایی را دارید. چه تعداد بیمارستان و به چه فاصله ای از روستاها و شهرهای آسیب دیده باید برپا شود؟ همه‌ی این مسائل را می‌توان با برنامه ریزی خطی حل کرد. اکومدل نیز می تواند پروژه ها و مسائل صنعتی و پیشرفته را برای شما با این وسیله حل کند.برنامه ریزی خطی، یا به عبارت دیگر بهینه سازی خطی؛ روشی ریاضی برای پیدا کردن مقدار حداکثر (بیشینه) و حداقل (کمینه) تابعی خطی است به همراه قیود و محدودیت‌های آن است. کاربرد اصلی برنامه ریزی خطی در مدیریت و اقتصاد است لیکن در مهندسی، از جمله مهندسی صنایع نیز کاربرد فراوان دارد. برنامه ریزی خطی جزئی از سرفصل درسی «تحقیق در عملیات» است که دانشجویان مدیریت آن را مطالعه میکنند.هر مدل برنامه ریزی خطی از سه قسمت تشکیل شده است: ۱٫ تابع هدف ۲٫ محدودیت‌های مسئله ۳٫ متغییرهای تصمیم1- تابع هدف (Objective Funciton): تابعی ریاضی که بیانگر هدف مدل است. مثلا حداکثر کردن سود بنگاه اقتصادی و به صورت زیر نشان داده میشود:cj xi ∑=Max z یا cj xi ∑= Min z2- محدودیت‌ها(Constraints): معادلات یا نامعادلاتی که در کنار تابع هدف، قرار می گیرد و بیانگر محدودیت هر یک از متغییرهای مسئله است. مثلا اگر تابع هدف را سود بنگاه فرض کنیم، قید بودجه یک محدودیت برای این بنگاه در نظر گرفته میشود. به عنوان مثال:xi < ۱۰۰3- متغیرهای تصمیم: بیانگر اجزایی از معادله هستند که بایستی مقدارشان کشف شود. به عنوان مثال تعداد کالاها در بنگاه اقتصادی که باید تولید شود، نشان دهنده ی متغییر تصمیم است. عمدتا به دو دسته ی غیر منفی و آزاد در علامت تقسیم میشوند.مدل کلی برنامه ریزی خطی به صورت زیر می باشد:برنامه ریزی غیر خطیروش لاگرانژدر این روش تابع هدف به صورت تابع F در نظر گرفته می‌شود.این تابع بر زیرمجموعه‌ای چون X از فضای اقلیدسی تعریف شده‌است (پس عناصر X می‌توانند بردار باشند). این زیرمجموعه، توسط قیود به شکل g(x)=b تعریف می‌شود. تابع لاگرانژ در این حالت عبارت خواهد بود از: ((L(x،y)=F(x)+y.(b-g(xشرایط لازم برای حل مسئله را می‌توان از طریق یافتن نقاط بحرانی تابع لاگرانژ (ماکزیمم‌سازی بدون قید) به دست آورد.روش برنامه‌ریزی مرتبه دومبرنامه‌ریزی مرتبه دوم (QP) روشی برای مینیمم سازی توابع مرتبه دوم n متغیره با m محدودیت خطی نامساوی یا مساوی یا هر دو است.مسائل برنامه‌ریزی مرتبه دوم ساده‌ترین فرم مسائل برنامه‌ریزی غیر خطی با محدودیت نا مساوی می‌باشد.روش گرادیان کاهش یافته عمومیاین الگوریتم برای محدودیت‌های خطی اصلاح شده که تابع هدف و محدودیت آن‌ها غیر خطی است محسوب می‌شود. در اصل روش محدودیت‌های خطی یا خطی شده را شامل می‌شود و متغیر جدید با محدودیت تعریف خواهد شد. بیشتر روش‌های حل مسائل برنامه‌ریزی غیر خطی عمومی شامل خطی کردن مسئله و به کار بردن تکنیک برنامه‌ریزی خطی است که به‌طور خلاصه مراحل زیر طی می‌شود.به دست آوردن مدل با نقاط عملیاتی و خطی کردن تمام محدودیت‌های تابع هدف حول نقاط عملیاتی. بطوریکه مسئله به فرم برنامه‌ریزی خطی تبدیل شود. سپس استفاده از برنامه‌ریزی خطی برای حل مسئله خطی.تکرار روش برنامه‌ریزی خطی برای رسیدن به جواب مناسب با خطی کردن توابع محدودیت‌ها و تابع هدف و چنانچه به جواب مناسب نرسید با خطی کردن دوباره محدودیت‌ها و توابع هدف حول نقطه جدید optimum مسئله پیدا می‌شود.در روش‌های ذکر شده ممکن است روش به همگرایی نرسد و این خود یکی از معایب روش‌های فوق است به واقع بهترین الگوریتم عمومی حاضر استفاده از الگوریتم گرادیان کاهش یافته عمومی است.لایسنس نرم افزار گمزجهت استفاده از گمز در مسائل با سایز متوسط به بالا شما نیازمند یک لایسنس هستید. لایسنس‌های زیر بمی‌توانند برای شما مفید باشند. GAMSLICE1 gamslice2 gamslice3 توضیحات لایسنس‌ها: در لایسنس اول و دوم تعدادی از سالورها در حالت دمو قرار دارند. همچنین با استفاده از لایسنس سوم شما می توانید از تمامی امکانات گمز استفاده کنید. توصیه گمز بوک استفاده از لایسنس سوم است. این لایسنس مخصوص نسخه‌های ۲۴٫۷٫۳ به بالا است.پس مراحل نصب نرم افزار گمز به شکل زیر است:۱- دانلود نسخه‌ی مناسب برای سیستم عامل مورد استفاده۲- دانلود لایسنس گمز (لایسنسی که در این تاپیک آپلود شده است را دانلود کنید، در صورتی که با کلیک بر روی آن به جای دانلود فایل یک صفحه‌ی متنی باز شد، کل متن را کپی کرده و در یک فایل Notepad ذخیره نمایید)۳- گمز را نصب نمایید.۴- از طریق منوی file/options/license لایسنسی که دانلود کرده اید را نصب کنید.۵-۱ در صورتی که gamslice1 را دانلود و نصب کرده اید، گمز را ببینید و تاریخ سیستم (کامپیوتر) را به ۲۰۰۴ بازگردانید. گمز را باز کنید مجددا.۵-۲ در صورتی که gamslice2 را دانلود و نصب کرده اید، نیازی به تغییر تاریخ نیست.۵-۳ در صورتی که gamslice3 را دانلود و نصب کرده اید، تاریخ را به ۲۰۱۴ برگردانید.۶- مدل خود را ران کنید.با انجام مراحل فوق، بیشتر سالورهای گمز از حالت دمو خارج خواهند شد و میتوانید با خیال آسوده مدل خود را ران کنید. نکته ی خیلی خیلی مهم:۱- لایسنس های سوم و سپس دوم را پیشنهاد میکنیم.۲- دوستانی که سالور خواصی در گمز مد نظر دارند توجه کنند که در منوی file/options/solvers میتوانید وضعیت هر سالور را مشاهده کنید. عبارت Demo نشان دهنده ی دمو بودن سالور، عبارت expired نشان دهنده ی انقضای سالور و عباراتی نظیر ۳۶۵ days یا full نشان دهنده ی زمان باقی مانده تا انقضای سالور است. پس لایسنسی را انتخاب کنید که برای سالوری که مد نظر دارید، مناسب باشد.۳- در صورتی که تاریخ سیستم را تغییر داده اید، پس از انکه کارتان با گمز تمام شد، تاریخ سیستم را به وضعیت اولیه بازگردانید تا بتوانید از تمامی امکانات مرورگر و همچنین سایت‌هایی نظیر گوگل استفاده کنید.۴- در صورتی که قبلا لایسنس نصب کرده اید و قصد تغییر آن را دارید، در قسمت file/options/licence تیک گزینه use alternate licence file را بزنید. بعد لایسنس جدید را browse کنید.

دانلود آموزش و پروژه WINQSB

sanaye20.ir — Fri, 20 Dec 2019 13:32:57 +0330

با توجه به افزایش حجم اطلاعات و داده ها، تصمیم گیری در سطوح مختلف سازمان به طور فزاینده ای پیچیده تر شده است. در همین راستا نرم افزار WinQSB، با کمک الگوریتم های علوم مدیریت و تحقیق در عملیات، تجزیه و تحلیل و تصمیم گیری را در شرایط پیچیده، تسهیل می کند. این نرم افزار، یکی از این نرم افزارهای کامپیوتری است که ۱۹ زیر مجموعه را شامل می شود و تقریبا تمام دروس رشته مهندسی صنایع و مدیریت را پوشش می دهد. نرم افزار win QSBپیچیدگی های گوناگون در دنیای تجارت باعث نیاز به مدل های ریاضی و برنامه ریزی خطی، تحقیق در عملیات و ایجاد روش سیمپلکس برای حل معادلات پیچیده که دارای یک تابع هدف همراه با محدودیت های گوناگون شد. سیمپلکس یک روش ریاضی است که چنین معادلاتی را به درستی حل کرده و شرکت ها را در به دست آوردن مقدار بهینه کمک کند.رفته رفته با گسترش بیستر و ایجاد محدودیت بیشتر حل دستی دستگاه سیمپلکس برای به دست آوردن مقدار بهینه به کاری دشوار تبدیل شد. تا این برنامه ها و نرم افزار هایی در حل مسائل سیمپلکس و مدل های ریاضی در تحقیق در عملیات یا پژوهش عملیاتی طراحی شدند که یکی ازقدرتمندترین انها برنامه winqsb است که در عین سادگی بسیار دقیق عمل می کند.نرم افزار WinQSB یکی از این نرم افزار های کامپیوتری است که علی رغم سادگی، ۱۹ زیر مجموعه را شامل می شود و تقریبا تمام دروس رشته مهندسی صنایع و مدیریت را پوشش می دهد.این نرم افزار از جمله نرم افزارهای بسیار سودمند در زمینه مهندسی صنایع و مدیریت است که بسیاری از مباحث تصمیم گیری، برنامه ریزی، پیش بینی وکنترل را شامل می شود و بعنوان نرم افزار توانا در هر زمینه خاص مطرح شده است. نسخه ها در سال 1995 با نام QSB وار بازار شد. جدیدترین نسخه این نرم افزار Win QSB V2.0است که توسط: Yih-long Change & Kira Desani به بازار عرضه شده است.قابلیتهای WinQSBقادر به ترسیم نمودارهای مختلف کنترل (بالغ بر 34 نمودار) است و تمامی پارامترهای مدل موجود را می تواند آنالیز کند. Linear and integer programmingبرنامه ریزی خطی و صحیح استفاده از روش سیمپلکس و گرافیک برای حل مسائل LNon linear programmingبرنامه ریزی غیر خطی: حل مسائل منفرد و چند متغیره با روش جستجوی خطی.Job schedulingزمانبندی کار: حل مسائل Job shop و Flow shopبا راه حل های مختلف.Forecasting and linear regressionپیش بینی و رگرسیون خطی: با استفاده از الگوریتم های متفاوت پیش بینی و جستجو برای بهترین پارامترها.Decision Analysisآنالیز تصمیم گیری:حل و آنالیز چند نوع مساله، رسم و آنالیز تصمیم گیری و ....Markov processفرآیند(زنجیره) مارکو:حل مرحله به مرحله زنجیره.dynamic programmingبرنامه ریزی پویا:یافتن کوتاه ترین مسیر از هر گره تا مقصد.Acceptance Sampling Analysisنمونه گیری جهت پذیرش:پذیرش انواع نمونه گیری ها (مضاعف، نمونه گیری تصادفی و.... ).Network modelingمدل سازی شبکه:حل مساله های شبکه ای مانند سیمپلکس.Queuing analysisآنالیز صف:شبیه سازی پیشنهادها برای اجرا یا ارزیابی.مزایای نرم افزاریکی از ساده ترین و کاملترین نرم افزار های مهندسی صنایع میباشد. بعنوان یک بسته نرم افزاری قابلیت حل مسائل مختلف را دارد. استفاده آسان، محیط ساده، سادگی ورود اطلاعات، متدهای مختلف حل ،آنالیز تمامی پارامترها و خروجیهای قابل فهم .معایب نرم افزارعدم انجام آنالیز چند طرح بطور همزمان و عدم توان رقابت(بعلت مجموعه ای بودن) با نرم افزارهای حرفه ای (که فقط در زمینه خاص طراحی می شوند) از جمله معایب آن میباشد.دانلود فزار کنترل پروژه و برنامه ریزی خطی WinQSB 2.0نرم افزار Win QSB یک نرم فزار بسیار ساده و جامع مدیریتی و بازرگانی است که برای زمینه های مختلفی مانند برنامه ریزی تولید . انبارداری . شبکه ها . حمل و نقل . برنامه ریزی خطی . برنامه ریزی غیر خطی . تئوری صف و سایر موارد کاربردی مرتبط می توان از آن استفاده کرد . ۱۹ تا زیر شاخه داره . کار کردن با آن بسیار راحت و ساده است . در بسیاری از کارخانه ها و شرکت ها کاربرد داره .این نرم افزار از جمله نرم افزارهای بسیار سودمند در زمینه مهندسی صنایع، اقتصاد، بازرگانی و مدیریت است که بسیاری از مباحث تصمیم گیری، برنامه ریزی، پیش بینی و کنترل را شامل می گردد و به عنوان نرم افزلر توانا در هر زمینه خاص از جمله کنترل کیفیت مطرح شده است.WinQSB محصول بوده که بخش کنترل کیفیت آن شامل دو زمینه نمودارهای کنترل و نمونه گیری می باشد .این نرم افزار بر پایه تئوری علمی بسیار بالا طراحی شده است و متنوع ترین طرحهای نمونه گیری جهت پذیرش و همچنین نمودارهای مختلف کنترل که بالغ بر نمودار کنترلی است را ترسیم میکند.QSB در هر زمینه کاملا منعطف بوده و تمامی پارامترهای و مدل موجود را می تواند تجزیه و تحلیل کند.بخش نمودارهای کنترل این نرم افزار علاوه بر ترسیم نمودارها , ابزارهای دیگری همچون تجزیه و تحلیل نمودار پاراتو ,هیستوگرام، گراف وکارائی فرایند و آنالیز توزیع داده ها و محاسبات مربوطه را در اختیار کاربر قرار می دهد.قابلیتهای نرم افزاردر زمینه کنترل کیفیت :*نمودار های کنترل مشخصه های کیفی وصفی و نقص های طبقه بندی شده*نمودار های کنترل مشخصه های کیفی متغییر و میانگین*نمودارهای مشاهدات انفرادی*نمودار های کنترل جمع تجمعی*نمودار های کنترل میانگین متحرک هندسی*نمودار های کنترل میانگین متحرک*نمودار کنترل رگرسیون*نمودار کنترل اصلاح شده*نمودارهای کنترل پذیرش*نمودار های کنترل استاندارد شده*نمودار پاراتو*تجزیه و تحلیل کارایی فرایند*هیستو گراملینک دانلود نرم افزار

آموزش روش CRITIC

sanaye20.ir — Thu, 12 Dec 2019 10:48:48 +0330

روش CRITIC مخفف CRiteria Importance Through Intercriteria Correlation اهمیت معیارها مبتنی بر همبستگی درونی معیارها است. این روش توسط دبرا و کاندوس (۲۰۱۰) معرفی شده است و یک روش بسیار مناسب و کاربردی برای تعیین وزن معیارها است. از نظر کارکرد این روش مشابه روش انتروپی شانون است با این تفاوت که در این روش فقط به پراکندگی داده‌ها تکیه نمی شود.استفاده از روش CRITIC به صورت ترکیبی با روش‌های تصمیم‌گیری چندمعیاره بسیار سازگار است. همانطور که می‌دانید در یک روش تصمیم‌گیری چندمعیاره مانند تاپسیس و … از تعدادی معیار برای انتخاب بهترین گزینه استفاده می‌شود. همیشه وزن معیارها به عنوان یک ورودی دردسر اصلی پژوهشگران است. روش کریتیک با استفاده از همان ماتریس تصمیم و بدون نیاز به داده‌های جدید، وزن معیارها را بدست می‌دهد.مزایای روش CRITICدر این روش برای تعیین وزن معیارها از دیدگاه خبرگان استفاده نمی‌شود. اگر چه خبرگان از دانش و تجربه خود برای تعیین وزن معیارها استفاده می‌کنند اما با بیشتر شدن تعداد معیارها، احتمال خطاهای انسانی و ایجاد شک و تردید در مورد قابلیت اطمینان نتایج نیز افزایش پیدا می‌کند. در روش کریتیک CRITIC با استفاده از انحراف معیار و همبستگی درونی معیارها وزن هر معیار تعیین می‌شود.مزیت دیگر روش CRITIC آن است که نیازی به گردآوری داده‌های جدیدی برای تعیین وزن معیارها نیست. زمانی که ماتریس تصمیم تشکیل شد با اعداد همین ماتریس وزن هر معیار نیز تعیین می‌شود.گام‌های روش کریتیک CRITICنخستین گام تشکیل ماتریس تصمیم است. منظور از ماتریس تصمیم، ماتریسی است که در هر سطر آن یک گزینه و در هر ستون آن یک معیار قرار دارد. این ماتریس شامل m گزینه و n معیار است و به صورت کلی زیر نوشته می‌شود:برای سنجش همبستگی داده ها از رابطه ۱ استفاده می‌شود.برای تعیین وزن اولیه معیارها از رابطه ۲ استفاده می‌شود.سرانجام با استفاده از رابطه ۳ و به روش خطی وزن نهایی معیارها تعیین می‌شود.به این ترتیب با همان داده‌های ماتریس تصمیم و با توجه به پراکندگی و همبستگی داده‌ها، وزن هر معیار محاسبه می‌شود. در این روش برخلاف روش انتروپی فقط پراکندگی داده‌ها ملاک تصمیم گیری نیست. در تعیین وزن نهایی معیارها چون از روش خطی محاسبه می‌شود بنابراین جمع اوزان معیارها ۱ خواهد شد.جهت مشاوره و آموزش و پیاده سازی این روش با ما تماس بگیرید09338859181

آموزش روش ماباک MABAC

sanaye20.ir — Thu, 12 Dec 2019 10:45:46 +0330

جهت مشاوره و انجام پروژه با این روش با ما تماس بگیرید 09338859181روش ماباک MABAC مخفف Multi-Attributive Border Approximation area Comparison به معنی تخمین مقایسه سطوح مبتنی بر بردار چندشاخصه می‌باشد. پاموکار و سایرکویک به سال ۲۰۱۵ این روش را ارائه کردند. در این مقاله کاربرد یک روش جدید تصمیم گیری چندمعیاره برای انتخاب گزینه بهینه ارائه شده است. روش من در تدریس و آموزش، ساده‌سازی مساله است بنابراین به جای آنکه به توضیح منطق زیربنایی این روش بپردازم مستقیم به سراغ آموز روش ماباک می‌رویم.مرحله اول: تشکیل ماتریس تصمیممانند همیشه ماتریس تصمیم را برای ارزیابی گزینه‌ها براساس معیارها تشکیل دهید.مرحله دوم: نرمال سازی ماتریس تصمیماگر معیارها از نوع سود (مثبت) باشد بزرگترین مقدار آن با نماد مثبت و کوچکترین مقدار آن با نماد منفی نشان داده می‌شود.اگر معیارها از نوع زیاد (منفی) باشد کوچکترین مقدار آن با نماد مثبت و بزرگترین مقدار آن با نماد منفی نشان داده می‌شود.منظور از معیار سود و زیان چیست؟منظور از معیار سود آن است که هرچه مقدار آن معیار بیشتر باشد بهتر است مثلا در انتخاب یک کارمند هرچه تجربه کاری بیشتر باشد بهتر است. منظور از معیار زیان آن است که هرچه مقدار آن معیار بیشتر باشد بدتر است مثلا در انتخاب یک کارمند هر چه دستمزد او بیشتر باشد بدتر است.در این صورت برای نرمال سازی مقادیر معیارها را از رابطه زیر استفاده کنید:دقت کنید درایه‌های ماتریس تصمیم با xij و درایه‌های ماتریس تصمیم نرمال با nij نمایش داده می‌شود.مرحله سوم: تشکیل ماتریس تصمیم موزونوزن معیارها باید پیشتر محاسبه شده باشد. برای این منظور می‌توانید از روش فرایند تحلیل سلسله‌مراتبی، روش بهترین-بدترین، روش سوارا یا روش انتروپی استفاده کنید. با در دست داشتن اوزان معیارها با رابطه زیر ماتریس تصمیم نرمال موزون را تشکیل دهید:vij = Wj * (nij + 1)تعیین مرز ناحیه شباهت ماتریس (g)برای تعیین مرز ناحیه شباهت هر معیار باید میانگین هندسی مقادیر هر معیار محاسبه شود:gi = Π (vij)بنابراین اگر n معیار داشته باشید یک ماتریس G1×n به صورت زیر خواهیم داشت:G = [g1 , g2 , …, gn ]محاسبه فاصله گزینه ها تا مرز ناحیه شباهتدر این مرحله از روش ماباک MABAC با استفاده از رابطه زیر، فاصله گزینه ها تا مرز ناحیه شباهت محاسبه می‌شود.Q = V – Gپس از مشخص شدن ماتریس Q، می توان با استفاده از حد بالایی مساحت (+G) و حد پایین مساحت (-G) وضعیت هر گزینه را مشخص کرد بر این اساس گزینه Ai متعلق به اجتماع مجموعه مذکور است. حد بالای مساحت (+G) ناحیه ای است که گزینه ایده آل مثبت در آن قرار دارد و حد پایین مساحت (-G) ناحیه ای است که گزینه ضد ایده آل در آن قرار دارد.میزان تعلق گزینه Ai به اجتماع بالا بر اساس رابطه زیر بدست می آید. بر اساس منطق روش ماباک، برای این که گزینه ای بهتر از بقیه باشد می باید در منطقه بالای تخمین قرار بگیرد.برای انتخاب گزینه Ai به عنوان بهترین فرم از مجموعه ، لازم است که حداکثر معیارهای ممکن به منطقه تقریبی فوقانی (+G) تعلق داشته باشد. مقدار بالاتر +qi∈G نشان می دهد که گزینه جایگزین به گزینه جایگزین ایده آل نزدیکتر است ، در حالی که مقدار پایین تر –qi∈G نشان می دهد که گزینه جایگزین به گزینه جایگزین ضد ایده آل نزدیکتر است.انتخاب گزینه بهینهدر روش ماباک MABAC با استفاده از رابطه زیر امتیاز نهایی هر گزینه را مشخص کرده و بر اساس آن گزینه ها رتبه بندی می شوند.Si = Σ(qij) ; i=1,2,..n ; j= 1,2,…mمحاسبه مقادیر توابع معیار توسط گزینه ها به عنوان مجموع فاصله های جایگزین از مناطق تقریبی مرزی qi بدست می آید. با جمع کردن عناصر ماتریس Q در هر سطر ، مقادیر نهایی تابع معیار گزینه ها بدست می آید. در این رابطه n تعداد معیارها را نشان می دهد و m تعداد گزینه است.