دانلود مقاله ISI انگلیسی شماره 52430
ترجمه فارسی عنوان مقاله

تجزیه و تحلیل ABC چند منظوره با استفاده از تکنیک های طبقه بندی مبتنی بر هوش مصنوعی

عنوان انگلیسی
Multi-criteria ABC analysis using artificial-intelligence-based classification techniques
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
52430 2011 6 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 38, Issue 4, April 2011, Pages 3416–3421

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1. مقدمه

2. تکنیک های طبقه بندی مبتنی بر هوش مصنوعی

2.1 شبکه های پس انتشار 

شکل-1. معماری شبکه انتشار پس رو.

2.2 ماشین های بردار پشتیبانی

2.3 نزدیکترین همسایگان k

3. تکنیک های معیار

جدول-1.  دسته بندی تحت چندین معیار با روش های معیارسنجی مختلف.

4. روش تحقیق

5. نتایج

6. نتیجه گیری

جدول-2. دقت روش های مبتنی بر AI در برابر MDA: نتایج روش های معیار.
ترجمه کلمات کلیدی
طبقه بندی موجودی؛ تجزیه و تحلیل ABC؛
کلمات کلیدی انگلیسی
Inventory classification; ABC analysis; SVM; BPN; k-NN; MDA
ترجمه چکیده
تجزیه و تحلیل ABC، یک روش محبوب و موثر برای طبقه بندی اقلام موجودی به دسته های خاص است که می تواند به طور جداگانه اداره و کنترل شود. تجزیه و تحلیل متعارف ABC، اقلام موجودی را در سه دسته: A، B، یا C بر اساس استفاده روزانه از اقلام موجودی را طبقه بندی می کند. طبقه بندی موجودی چند معیاره، به وسیله تعدادی از محققان به منظور در نظر گرفتن سایر معیارهای مهم پیشنهاد شده است. این محققان، تکنیک های طبقه بندی مبتنی بر هوش مصنوعی (AI) را با تجزیه و تحلیل چند متغیره سنتی (MDA) مقایسه کرده اند. نمونه هایی از این تکنیک های مبتنی بر AI عبارتند از: ماشین های بردار پشتیبانی (SVM)، شبکه های پس انتشار (BPNs)، و الگوریتم K-نزدیکترین همسایه (k-NN). برای اثربخشی این تکنیک ها، نتایج طبقه بندی بر اساس چهار تکنیک معیار مقایسه می شود. نتایج نشان می دهد که تکنیک های مبتنی بر AI، دقت بالایی را به MDA نشان می دهند. تجزیه و تحلیل آماری نشان می دهد که SVM، طبقه بندی دقیق تر از سایر تکنیک های مبتنی بر AI را امکان پذیر می سازد. این یافته نشان می دهد که امکان اجرای تکنیک های مبتنی بر AI برای تجزیه و تحلیل ABC چند منظوره در سیستم های برنامه ریزی منابع سازمانی (ERP) وجود دارد.
ترجمه مقدمه
مدیریت موجودی موثر، نقش مهمی در موفقیت مدیریت زنجیره تامین ایفا می کند. برای سازمانهایی که هزاران آیتم موجودی را نگهداری می کنند، این امر غیر واقعی است که هر مورد را با توجه به اهمیت آن مطرح کنیم. مدیران باید طبقه بندی این اقلام را به منظور کنترل مناسب هر کلاس موجودی با توجه به رتبه بندی اهمیت آن انجام دهند. تجزیه و تحلیل ABC، یکی از شایع ترین روش های طبقه بندی موجودی است. طبقه بندی متعارف ABC برای استفاده، توسط جنرال الکتریک در طول دهه 1950 توسعه داده شد. طرح طبقه بندی بر مبنای اصل پارتو یا قانون 80/20 است، که قواعد زیر را استفاده می کند: "اهمیت کم و بی اهمیت بسیار." فرآیند تجزیه و تحلیل ABC، کالاهای موجودی را به دسته های A، B یا C بر اساس استفاده سالانه دلار طبقه بندی می کند. استفاده سالانه دلار، با افزایش ارزش دلار به ازای هر واحد با استفاده از نرخ سالانه محاسبه می شود (Cohen & Ernst، 1988؛ Partovi & Anandarajan، 2002). اقلام موجودی پس از ترتیب نزولی استفاده از دلار سالانه آنها مرتب می شود. اقلام کلاس A نسبتا کوچک هستند، اما بیشترین میزان استفاده از دلار سالانه را شامل می شوند. در مقابل، اقلام کلاس C نسبتا بزرگ هستند، اما مقدار کمی از استفاده سالانه دلار را تشکیل می دهند. اقلام بین کلاس های A و C به عنوان کلاس B طبقه بندی می شوند. اگر چه تجزیه و تحلیل ABC به خاطر سهولت استفاده از آن مشهور است، اما برای تمرکز منحصر به فرد خود بر استفاده از دلار مورد انتقاد قرار گرفته است. معیارهای دیگر نظیر زمان رهبری، همبستگی، خستگی، دوام، هزینه موجودی، و الزامات اندازه سفارش نیز، از اهمیت زیادی برای طبقه بندی موجودی شناخته شده اند (Flores & Whybark، 1987؛ Jamshidi و Jain ، 2008؛ Ng، 2007؛ Ramanathan، 2006 ) به منظور طبقه بندی موجودی چند منظوره، بسیاری از محققان روش هایی را پیشنهاد می دهند که عوامل دیگری را به غیر از استفاده سالانه دلار بررسی می کنند. Flores و ) Whybark 1987)، یک روش ماتریس متقابل جدول بندی را برای استفاده در طبقه بندی موجودی دو منظوره ایجاد کردند؛ آنها دریافتند که این روش به طور فزاینده ای پیچیده می شود، زمانی که سه یا چند معیار در ارزیابی ها دخیل باشند. Cohen و Ernst (1988)، تکنیک خوشه ای آماری را برای طبقه بندی اقلام موجود با ویژگی های چندگانه اجرا کردند؛ با این وجود، برای اجرای این تکنیک، مقدار قابل توجهی از اطلاعات موجودی لازم است. روش های آماری پیشرفته مانند تحلیل عاملی نیز ضروری است. هر بار که یک موجودی جدید در یک انبار ذخیره می شود، فرایند خوشه بندی باید تکرار شود و احتمال وجود مواردی که قبلا طبقه بندی شده اند ممکن است با کلاس های مختلف به پایان برسد. Partovi و ) Burton 1993)، فرآیند تحلیلی سلسله مراتب (AHP) را برای طبقه بندی موجودی اعمال کردند تا شامل معیارهای ارزیابی کمی و کیفی باشند. AHP به خاطر سهولت استفاده و در نظر گرفتن نظرات گروهی مورد ستایش قرار گرفته است. با این حال، ذهنیت حاصل از فرآیند مقایسه دوگانه AHP مشکلاتی را ایجاد می کند. Bhattacharya، Sarkar و ) Mukherjee 2007)، یک چارچوب انطباق چند منظوره مبتنی بر فاصله را با استفاده از تکنیک هایی برای اولویت سفارش با تشابه به راه حل ایده آل (TOPSIS)، برای تجزیه و تحلیل ABC توسعه دادند. TOPSIS Hwang & Yoon (1981)، فاصله هر یک از گزینه ها را از هر دو روش ایده آل ترین و کمترین ایده آل ارزیابی کردند. جایگزین هایی به وضعیت ایده آل ترین نزدیک تر هستند، در حالی که دورتر از وضعیت کمترین ایده آل باشند، بهینه هستند. Ramanathan (2006) و Ng (2007)، برای جبران تاثیر ذهنیت، روش هایی را پیشنهاد کردند که مشابه با تجزیه و تحلیل پوششی داده ها (DEA) بودند. این روش، حداکثر نمره ساختگی را که برای طبقه بندی هر مورد موجودی استفاده می شود، به حداکثر می رساند. برخلاف AHP، وزن هایی که به معیارهای طبقه بندی شده داده می شوند، زمانی که مدل DEA بهینه شده است، به طور خودکار حل می شود. همانند روش خوشه بندی آماری، هر بار که یک آیتم موجودی جدید معرفی می شود، این مدل باید دوباره برنامه ریزی شده و حل شود. تکنیک های مبتنی بر AI برای طبقه بندی موجودی محبوبیت بیشتری به دست می آورند. Guvenir و Erel (1998)، الگوریتم ژنتیک برای طبقه بندی موجودی چند منظوره (GAMIC) را برای محاسبه وزن معیارها، همراه با نقاط قطع AB و اقلام طبقه بندی شده BCپیشنهاد دادند. همانند AHP، سلسله مراتب معیار برای محاسبه نمرات وزنی از اقلام موجودی استفاده می شود. موارد با نمرات بیشتر از نقطه برش AB، به عنوان A طبقه بندی می شوند؛ به همین ترتیب آنهایی که بین AB و BC به B طبقه بندی می شوند و آنهایی که در زیر BC هستند، به عنوان C طبقه بندی می شوند. یک کروموزوم، بردار وزن را، همراه با دو نقطه برش برای طبقه بندی کدبندی می کند. اپراتورهای ژنتیک استاندارد مانند تکثیر، متقاطع و جهش به کروموزوم ها اعمال می شود. GAMIC، کیفیت کیفی معیارها را که قبلا به دست آمده از طریق مقایسه دوتایی بین دو معیار به بهبود می بخشد. شبکه های عصبی مصنوعی، برای مقاصد طبقه بندی و همچنین برای پیش بینی مشکلات در انواع برنامه های کاربردی به طور گسترده ای مورد استفاده قرار گرفته اند. آنها برای پیدا کردن سطوح غیر خطی و جداسازی الگوهای زیرین مفید هستند. Paliwal و Kumar (2009، یک نظرسنجی جامع از مقالات شبکه عصبی ارائه دادند و دسته بندی شبکه ها را به دسته بندی: حسابداری و مالی، بهداشت و پزشکی، مهندسی و تولید و بازاریابی تقسیم کردند. حسابداری و مالی دسته ای است که بیشترین تعداد برنامه ها را، به ویژه در مورد پیش بینی ورشکستگی، ارزیابی اعتبار، شناسایی تقلب و ارزیابی مالی املاک دارد. Partovi و ) Anandarajan 2002)، روش های یادگیری پس انتشار (BP) و مبتنی بر الگوریتم ژنتیک (GA) را جهت توسعه یک شبکه عصبی مصنوعی برای طبقه بندی موجودی استفاده کردند. داده های موجود در دنیای واقعی، از یک شرکت بزرگ دارویی برای مقایسه دقت روش های شبکه عصبی پیشنهاد شده با آنالیز چندگانه (MDA)، یک روش طبقه بندی آماری استفاده شد. ویژگی های چندگانه شامل قیمت واحد، هزینه سفارش، دامنه تقاضا و زمان تدارک سفارش برای طبقه بندی اقلام موجودی مورد استفاده قرار گرفتند. نتایج نشان داد که مدل های طبقه بندی مبتنی بر شبکه عصبی، دقت پیش بینی بیشتری نسبت به تکنیک MDA معمولی دارند. بین دو تکنیک مبتنی بر شبکه عصبی، GA دقت طبقه بندی بهتری را نسبت به BP نشان داد. ماشین بردار پشتیبانی (SVM)، یک الگوریتم جدید یادگیری قدرتمند معرفی شده توسط ) Vapnik 1995) است. SVM بر اساس اصل کمینه سازی ریسک ساختاری است. SVM از فضای فرضیه ای از توابع خطی در یک فضای با ابعاد بزرگ استفاده می کند. در فضای با ابعاد بزرگ، یک ابرصفحه جداساز بهینه برای ایجاد حداکثر جدایی بین کلاسهای تصمیم گیری ساخته شده است. SVM، اخیرا ابزار محبوب یادگیری ماشین را برای طبقه بندی و رگرسیون نشان داده است. استفاده از SVM، پیشرفت قابل توجهی در زمینه های مختلف از جمله تشخیص تصویر، طبقه بندی متن، بیوانفورماتیک، تشخیص خطا و تحلیل مالی را فراهم کرده است (Hu & Zhang، 2008). نزدیکترین همسایگان -k (k-NN)، یکی دیگر از روش های محبوب برای طبقه بندی و تشخیص الگو است. این روش، اولین بار توسط ) Fix and Hodges 1951) معرفی شد، و بعد توسط ) Cover and Hart 1967) توسعه داده شد. در این روش، یک آیتم جدید که به تازگی معرفی شده است با بیشترین عضو در میان نزدیکترین همسایگان k قرار می گیرد. برنامه های k-NN را می توان در مشکلات تشخیص و طبقه بندی مختلف تشخیص داد. ادامه این مقاله به شرح زیر است: بخش 2، مفاهیم چند تکنیک مبتنی بر AI را بررسی می کند. تکنیک های طبقه بندی معیارهای که در ادبیات یافت می شوند، در بخش 3 مورد بحث و بررسی قرار می گیرند. در بخش 4، تکنیک های طبقه بندی موجودی مبتنی بر AI که در این تحقیق مورد استفاده قرار گرفته اند، شرح داده شده است. یک تصویر در بخش 5 ارائه شده است، که صحت روش های طبقه بندی مختلف را مقایسه می کند. مقاله در بخش 6 با بحث در مورد کاربرد تکنیک های مبتنی بر AI به مسائل مربوط به طبقه بندی موجودی چند منظوره، نتیجه گیری می شود.
پیش نمایش مقاله
پیش نمایش مقاله  تجزیه و تحلیل ABC چند منظوره با استفاده از تکنیک های طبقه بندی مبتنی بر هوش مصنوعی

چکیده انگلیسی

ABC analysis is a popular and effective method used to classify inventory items into specific categories that can be managed and controlled separately. Conventional ABC analysis classifies inventory items three categories: A, B, or C based on annual dollar usage of an inventory item. Multi-criteria inventory classification has been proposed by a number of researchers in order to take other important criteria into consideration. These researchers have compared artificial-intelligence (AI)-based classification techniques with traditional multiple discriminant analysis (MDA). Examples of these AI-based techniques include support vector machines (SVMs), backpropagation networks (BPNs), and the k-nearest neighbor (k-NN) algorithm. To test the effectiveness of these techniques, classification results based on four benchmark techniques are compared. The results show that AI-based techniques demonstrate superior accuracy to MDA. Statistical analysis reveals that SVM enables more accurate classification than other AI-based techniques. This finding suggests the possibility of implementing AI-based techniques for multi-criteria ABC analysis in enterprise resource planning (ERP) systems.