Data envelopment analysis (DEA) is a common technique in measuring the relative efficiency of a set of decision making units (DMUs) with multiple inputs and multiple outputs. ‎‎Standard DEA models are ‎‎quite limited models‎, ‎in the sense that they do not consider a DMU ‎‎at different times‎. ‎To resolve this problem‎, ‎DEA models with dynamic ‎‎structures have been proposed‎.‎In a recent paper by afarian-Moghaddam and Ghoseiri [Jafarian-Moghaddam, A.R., Ghoseiri k., 2011. Fuzzy dynamic multi-objective Data Envelopment Analysis model. Expert Systems with Applications, 38 (1), 850-855.] they contribute to an interesting topic by presenting a ‎‎fuzzy dynamic multi-objective DEA model to evaluate DMUs in which ‎‎data are changing with time‎. However, this paper finds that their approach has some problems in the proposed models. In this paper, we first stress the present shortcomings in their modeling and then we propose a new DEA method for improving fuzzy dynamic multi-objective DEA model. The proposed model is a ‎‎multi-objective non-linear programming (MONLP) problem and there are ‎‎several methods for solving it; We use the goal programming (GP) method‎. ‎The proposed model calculates the efficiency scores of DMUs by‎‎ solving only one linear programming problem‎. ‎Finally‎, ‎we present an ‎‎example with ten DMUs at three times to illustrate the applicability the proposed model. پرونده مقاله

در این مقاله، قصد داریم از شبکه های عصبی ژانگ برای بهینه‌سازی توابع غیرخطی با زمان متغیر استفاده کنیم. در این جهت از یک مدل کلی گسسته سازی ژانگ با خطای کوتاه سازی O (τ^5) استفاده شده و سعی بر آن شده است تا مطالعه دو مدل کلی پنج مرحله ای زمان گسسته شبکه عصبی ژانگ و کاوش در رابطه پارامتر( a_1 ) و اندازه بهینه گام (h ( گسترش یابد. در این پژوهش، با استفاده از نرم‌افزار متلب به منظور ورود داده ها به شبکه عصبی پیشنهادی، ابتدا با روش نرمال سازی استاندارد، نرمال شده اند. داده های مورد نظر در پژوهش در چهار مرحله، آموزش، تست، آزمایش و اعتبارسنجی و در پنج فاز مورد بررسی و ارزیابی قرار گرفتند. آموزش داده ها بر مبنای مدل الگوریتم لونبرگ- ماد برای لایه اول و تابع خطی برای لایه دوم انجام شده است. در ادامه بهترین ساختار شبکه با تابع تبدیل در نظر گرفته شده و براساس مدل شبکه عصبی پیشنهادی در پنج مرحله مورد آزمایش قرار گرفته است. پرونده مقاله