A new fuzzy DEA model for evaluation of efficiency and ranking of suppliers in supply chain management

اختصاصی از فی موو A new fuzzy DEA model for evaluation of efficiency and ranking of suppliers in supply chain management دانلود با لینک مستقیم و پر سرعت .

8 صفحه pdf

Abstract

More and more practitioners and scholars have paid much attention in sustainable supply chain
management in recent year. Selecting the best suppliers is a significant yet complex decision which requires
careful consideration of various performance criteria. Hence, supplier selection is an important issue and has a
strategic significance for every company. One of the techniques that can be used for selecting suppliers is data
envelopment analysis (DEA). In many real-world applications, data are often stochastic. Inthis paper, we
developa fuzzy ranking method based on Wu et al. (2212) method for complete ranking of decision making
units.A case study from Azadi et al. (2212) is presented to exhibit the efficacy of the proposed method for
sustainable supplier selection problem in a resin production company

پروژه الگوریتم genetic fuzzy k-Modes برای خوشه بندی داده های گروهی

اختصاصی از فی موو پروژه الگوریتم genetic fuzzy k-Modes برای خوشه بندی داده های گروهی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه42

بخشی از فهرست مطالب

چکیده

• مقدمه (3)
• مروری بر روش های قبل (7)

1. 2 - الگوریتمk-Means Hard  (7)
2. 1.2 - مثالی عددی از الگوریتم k-Means (9)
3. 2- الگوریتم Fuzzy c-Means (13)
4. 2- الگوریتم Hard k-Modes (15)
5. 2- الگوریتم fuzzy k-Modes (18)

      3- الگوریتم پیشنهادی : genetic fuzzy k-Modes  (21)

• نتایج آزمایش (25)
• نتیجه گیری (32)

      پیوست – کد برنامه

      مراجع

چکیده

خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش،   الگوریتم  ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه  عملگر ادغام به عنوان یک مرحله از الگوریتم  fuzzy k-Modes تعریف می شود.  آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.

1.مقدمه

به عنوان یک ابزار اولیه در داده کاوی[1] ،تجزیه و تحلیل  خوشه ، که تجزیه و تحلیل سگمنت نیز نامیده می شود،روشی است که داده ها  را به گروه هایی  همگن تحت عنوان خوشه تقسیم می کند.در چنین روشی داده های موجود در یک کلاستر یا خوشه خیلی شبیه به هم و داده ها ی کلاستر های مختلف خیلی متفاوت نسبت به  هم هستند.اغلب، شباهت بر مبنای معیار فاصله می باشد.

آنالیز خوشه،خوشه بندی، تکنیک عمومی برای آنالیز داده های آماری می باشد که در بسیاری زمینه ها  مانند یادگیری ماشین ، داده کاوی ، شناسایی الگو و آنالیز تصویر کاربرد دارد.در کنار اصطلاح خوشه بندی داده (یا فقط خوشه بندی)،بعضی اصطلاحات دیگرنیزهمانند کلاس بندی اتوماتیک[2] ،طبقه بندی  عددی[3]، آنالیز نوع شناسی[4] ، با معنای مشابه  استفاده می شود[1].

به طور کلی ،یک الگوریتم خوشه بندی خوب معمولا برای طراحی شامل چهار فاز ذیل را شامل می شود:1- نمایش داده[5]2- مدل کردن[6].3- بهینه سازی[7].4- اعتبار سنجی[2][8] ..

فاز نمایش  داده، تعیین می کند که چه نوعی از ساختارهای خوشه می تواند داده ها را شناسایی کند.سپس فاز مدلینگ ضوابط و معیار ها را برروی ساختار تعریف می کند بطوریکه که ساختارها ی گروه های مطلوب را از موارد نامطلوب مجزا می کند.در فاز مدلینگ ، در طول جستجو برای ساختار های مخفی در داده ،یک معیار کیفیت مانند  معیار بهینه سازی یا معیار تقریب تولید می شود. بعبارتی دیگرفاز بهینه سازش،ساختار های موثرتر و بهینه تر را انتخاب میکند. از آنجا که فرآیند خوشه بندی ،یک فرایند بدون

 

الگوریتم های کنترل سازه با استفاده از منطق فازی ( Fuzzy logic)

اختصاصی از فی موو الگوریتم های کنترل سازه با استفاده از منطق فازی ( Fuzzy logic) دانلود با لینک مستقیم و پر سرعت .

هدف از طراحی کنترل گر در کنترل فعال سازه ها عبارتست از : محاسبه بردار نیروی کنترلی به نحوی که شاخصی به نام شاخص عملکرد کمینه گردد. در حقیقت این شاخص ( J ) نمادی از انرژی سیستم است که با حداقل کردن آن سیستم به پایداری میرسد

محاسبه نیروی کنترل با کمک الگوریتم های کنترل و بر اساس اطلاعات دریافتی ازحسگرهای نصب شده بر روی سازه بدست می آید.

 

الگوریتم های کنترلی که به طور گسترده در کنترل فعال گزارش شده اند عبارتند از :

1-کنترل بهینه کلاسیک                                                                      (  Classical optimal control)

2- تکنیک تخصیص قطب                                                               ( Pole assignment technique )

3- کنترل بهینه آنی                                                                        (Instantanoues optimal control)

4- کنترل فضای مودال مستقل                                              (Independent modal space control)

5- کنترل پالس                                                                                             (Pulse control)

6-کنترل فیدبک تعمیم یافته                                                        (Generelized feedback control)

بعضی از الگوریتم های کنترلی استفاده شده در مطالعات کنترل نیمه فعال عبارتند از :

1-   کنترل گر بنگ بنگ نامتمرکز ........................ (Decentralized bang-bang control )

2-   کنترل گر لیاپانوف ..................................................... (Lyapunov controller)

3-   الگوریتم اصطکاک همگن تنظیم شده ........ (Modulated homogenous friction algorithm)

4-   کنترل گر بهینه برشی............................................ (clipped optimal controller)

5-   استهلاک انرژی ماکزیمم .................................... (maximum energy dissipation)

6-   کنترل مود لغزشی ............................................(Sliding mode control (SMC))

7-   کنترل  H¥/H2

8-   کنترل پس گام  ...................................................... ( Backstepping control)

9-   تئوری فیدبک کمیتی   ...................................... (Quantitative feedback theory)

10- الگوریتم تنظیم کننده درجه دوم خطی .................. ( linear Quadratic Regulator (LQR))

11- الگوریتم LQR تعمیم یافته

12- الگوریتم حوزه تغییر مکان- شتاب 

و در نهایت الگوریتم های مبتنی بر کنترل هوشمند عبارتند از :

1- شبکه های عصبی                                                             (  Neural networks)

2- منطق فازی                                                                                ( Fuzzy logic)

3- الگوریتم ژنتیک                                                                     ( Genetic algorithm)

در این پاور پوینت الگوریتم کنترلی منطق فازی ( Fuzzy logic)  بعنوان یکی از این الگوریتمهای مدرن ارائه شده است. این پاور پوینت 34 اسلاید داشته و در ابتدا نسبت به نحوه پیدایش ، اساس منطق فازی، اپراتورها و همچنین توابع عضویت توضیحاتی داشته و در ادامه سیستم های فازی را بهمراه یک مثال عددی بهمراه نحوه یافتن روابط فضای حالت را ارائه می دهد.

 

دانلود مقاله An Improvement on Route Recovery by Using Triangular Fuzzy Numbers on Route Errors in MANET

اختصاصی از فی موو دانلود مقاله An Improvement on Route Recovery by Using Triangular Fuzzy Numbers on Route Errors in MANET دانلود با لینک مستقیم و پر سرعت .

IOSR Journal of Computer Engineering (IOSR-JCE)
e-ISSN: 2278-0661, p- ISSN: 2278-8727Volume 16, Issue 1, Ver. II (Jan. 2014), PP 75-79

Sara Aliabadi¹, Mehdi Agha Sarram¹

Abstract: Based on mobile nature in MANET, there is no doubt that all routing protocols have some route errors. Usually, routing protocols try to recover a route after a route error has been happened on an exact route to destination. This kind of route recovery could make more packet loss and also more time waste. This project adds Triangular Fuzzy Numbers to prediction of route errors and make route recovery as parallel of packet sending. Indeed, any node in this project uses a route error counter and an error prediction based on Fuzzy algorithm to recover its routes before an exact route error on its route discovery has been happened. There is no doubt that using suggested prediction cannot solve all route errors; but it could help routing protocols to improve their route recovery algorithm.This project uses DSR as one of the standard MANET routing protocols to simulate the results.

Keywords: MANET, Fuzzy, Triangular Numbers, DSR, Routing