گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” کاربرد الگوریتم ژنتیک برای ماکزیمم کردن کارایی در آنالیز پوششی داده ها ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
استفاده از الگوریتم ژنتیک برای حداکثرسازی بهره وری فنی در تحلیل پوششی داده ها |
| عنوان انگلیسی مقاله: |
Using Genetic Algorithms for Maximizing Technical Efficiency in Data Envelopment Analysis |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2015 |
| تعداد صفحات مقاله انگلیسی | 10 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مدیریت و علوم اقتصادی |
| گرایش های مرتبط با این مقاله | مدیریت استراتژیک، مدیریت کیفیت و بهره وری، توسعه اقتصادی و برنامه ریزی، تحقیق در عملیات و مدیریت صنعتی |
| مجله | کنفرانس بین المللی علوم محاسباتی – International Conference On Computational Science |
| دانشگاه | مرکز تحقیقات عملیاتی، دانشگاه میگل هرناندز، اسپانیا |
| کلمات کلیدی | الگوریتم های ژنتیک، تحلیل پوششی داده ها، نزدیک ترین اهداف، برنامه نویسی ریاضیاتی، متدولوژی های بهره وری |
| شناسه شاپا یا ISSN | ISSN 2015.05.257 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | الزویر – Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 13 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه نشده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1 مقدمه
2 تحلیل پوششی داده ها و حل شدن مسئله
3 روش های ابتکاری برای دستیابی به راه حل معتبر
3.1 روش 1
3.2 روش 2
4 الگوریتم ژنتیک
5 نتایج تجربی
6 نتیجه گیری ها و آثار آتی
- بخشی از ترجمه:
6 نتیجه گیری ها و آثار آتی
به حداکثر رساندن بهره وری فنی یا، بطور مشابهی، تعیین مقیاس های مسافت حداقلی مباحث مرتبط با آزمایش DEA اخیر است. با اینحال، این به خوبی شناخته شده است که این از نقطه نظر محاسباتی معمولا توسط روش های نامطلوب مرتبط با مسئله ی NP-hard ترکیبی حل می شود.
این مقاله ابتکاری های قبلی برای تولید راه حل های معتبر برای مسئله ی بهینه سازی برای DEA را بهبود می-بخشد. ابتکاری جدید راه حل های معتبرتری را ارائه می کند که تمامی محدودیت هایی مدل را با زمان اجرائی کمتر ارضا می کنند. یک الگوریتم ژنتیک با فعالیت با این جمعیت اولیه از راه حل های نامتعبر به منظور تولید راه حل های معتبرتر و برای بهبود بهترین برازندگی به دست آمده توسعه می یابد. الگوریتم ژنتیک راه حل های نزدیک به بهینه گی را ارائه می¬کنند و قابل رقابت با یک روش دقیق با هزینه ی محاسباتی است، که در مسائل بزرگ کاربرد ندارد.
آنالیز بسیار عمیق باید با تنظیم الگوریتم ژنتیک برای مسئله به منظور دستیابی به راه حل های بهتر با زمان های اجرائی کمتر ایجاد شود.
مسئله ی مرتبط با به اصطلاح مقیاس نمودار راسل افزایشی را مطالعه می کنیم. با اینحال، بسیاری از اندازه-گیری ها در DEA وجود دارد که در حداکثرسازی بهره وری فنی استفاده می شود. در این مسیر، برنامه نویسی روش مبتنی بر الگوریتم های فراابتکاری به منظور حل همه ی آنها بعنوان اثر آتی جذاب و مناسب دیده می-شود.
- بخشی از مقاله انگلیسی:
6 Conclusions and Future Works
Maximizing technical efficiency or, equivalently, determining least distance measures are topics of relevance in recent DEA literature. However, it is well-known that from a computational point of view this has usually been solved by unsatisfactory approaches associated with a combinatorial NP-hard problem.
This paper improves previous heuristics for the generation of valid solutions for an optimization problem for DEA. The new heuristic provides more valid solutions which satisfy all the constraints in the model and with a lower execution time. A Genetic Algorithm has been developed working with this initial population of valid and non-valid solutions to generate more valid solutions and to improve the best fitness obtained. The Genetic Algorithm gives solutions close to the optimum and is competitive with an exact method with high computational cost, which can not be used for large problems.
A deeper analysis should be made to tune the Genetic Algorithm to the problem to obtain better solutions with lower execution times.
We have studied the problem associated with the so-called Enhanced Russell Graph measure. Nevertheless, there are a lot of measures in DEA that can be used in the maximization of technical efficiency. In this way, programming the approach based on metaheuristic algorithms to solve all of them can be seen as appropriate and interesting future work.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
کاربرد الگوریتم ژنتیک برای ماکزیمم کردن کارایی بهره فنی در آنالیز پوششی داده ها |
| عنوان انگلیسی مقاله: |
Using Genetic Algorithms for Maximizing Technical Efficiency in Data Envelopment Analysis |
|
|