یک شبکه عصبی بازگشتی برای تشخیص واحدهای تصمیم گیرنده کارا در تحلیل پوششی داده ها

الموضوعات :

عباس قماشی ¹ ( گروه ریاضی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران )
غلامرضا جهانشاهلو ² ( گروه ریاضی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران )
فرهاد حسین زاده لطفی ³ ( گروه ریاضی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران )

تاريخ الإرسال : 17 الثلاثاء , ذو القعدة, 1436 تاريخ التأكيد : 19 الأحد , محرم, 1437 تاريخ الإصدار : 18 الخميس , ذو الحجة, 1436

الکلمات المفتاحية: Recurrent neural network, Gradient method, Data Envelopment Analysis, Efficient DMU, Stability, Global convergence,

ملخص المقالة :

در این مقاله ما یک مدل شبکه عصبی برای تشخیص واحدهای تصمیم­گیرنده کارا در تحلیل پوششی داده­ها معرفی می­کنیم. مدل شبکه عصبی پیشنهادی از یک مسئله بهینه­سازی نامقید حاصل می­شود. از دیدگاه تئوری نشان داده می­شود شبکه عصبی پیشنهادی دارای پایداری لیاپانف و همگرای سراسری می­باشد. مدل پیشنهادی تک لایه  می­باشد. شبیه­سازی نشان می­دهد مدل پیشنهادی قادر به تشخیص واحدهای کارا در تحلیل پوششی داده­ها می­باشد.  

المصادر:

[1] Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078-1092.

[2] Bazaraa, M. S., Sherali, H. D., & Shetty, C. M. (2013). Nonlinear programming: theory and algorithms. John Wiley & Sons.

[3] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429-444.

[4] Cochocki, A., & Unbehauen, R. (1993). Neural networks for optimization and signal processing. John Wiley & Sons, Inc..

[5] Cooper, W. W., Seiford, L. M., & Tone, K. (2006). Introduction to data envelopment analysis and its uses: with DEA-solver software and references. Springer Science & Business Media.

[6] Kinderlehrer, D., & Stampacchia, G. (1980). An introduction to variational inequalities and their applications (Vol. 31). Siam.

[7] Xia, Y., & Wang, J. (1998). A general methodology for designing globally convergent optimization neural networks. Neural Networks, IEEE Transactions on, 9(6), 1331-1343.

[8] Xia, Y., & Wang, J. (2000). A recurrent neural network for solving linear projection equations. Neural Networks, 13(3), 337-350.

[9] Xia, Y., Leung, H., & Wang, J. (2002). A projection neural network and its application to constrained optimization problems. Circuits and Systems I: Fundamental Theory and Applications, IEEE Transactions on, 49(4), 447-458.

[10] Zabczyk, J. (2009). Mathematical control theory: an introduction. Springer Science & Business Media.