در حالت کلی تحلیل پوشی داده­,هاDEA) ( یک تکنیک ارزیابی کارایی واحدهای تصمیم گیرنده با ورودی­,ها و خروجی­,های دقیق می­,باشد.در این مقاله رابطه­,ای معادل بین یک مدل تحلیل پوششی داده­,ها با داده­,های نادقیق (IDEA) و یک مسئله چند هدفه خطی (MOLP) مورد مطالعه قرار می­,گیرد.با بررسی معادل بودن بین این دو مدل می­,توان از ر وش­,های چندهدفه تعاملی برای حل مدل­,های تحلیل پوششی داده­,ها با داده­,های نادقیق استفاده نمود.روش تعاملی مورد نظر در این مقاله روشPROJECT می­,باشد.این روش توانایی برآورد هر جواب کارا و حتی ارجح­,ترین جواب کارا (MPS) را دارد.همچنین در این مقاله مدل تحلیل سناریو پوششی داده­,ها(DESA) بررسی می­,گردد،اهمیت این مدل در کاهش تمام ورودی­,ها و افزایش تمام خروجی­,ها می­,باشد بطوری که یک مدل به جای n مدل حل می­,گردد. متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

تحلیل پوششی داده ها (DEA) تکنیکی برای ارزیابی کارایی نسبی واحدهای تصمیم گیرنده قابل مقایسه با چند ورودی – خروجی است. این تکنیک با محاسبه یک اندازه کارایی، واحدهای تصمیم گیرنده را به دو دسته کارا و ناکارا تقسیم می کند. همچنین تحلیل پوششی داده ها برای واحدهای تصمیم گیرنده ناکارا بدون توجه به اولویت های تصمیم گیرنده (DM) واحدهای مرجع ارائه می کند. در این مقاله ما به بررسی مسئله ترکیب اولویت ها در بهبود های پتانسیل برای سطوح ورودی – خروجی این واحدها می پردازیم به طوری که سطوح الگوی بدست آمده منعکس کننده اولویت های DM (در رابطه با راهکارهای مختلف برای کارا شدن) باشد. در این راستا یک مدل هم ارز بین تحلیل پوششی داده ها و برنامه ریزی خطی چند هدفی (MOLP) بدست آورده می شود و نشان داده می شود که چطور یک مسئله  DEAمی تواند بطور تعاملی با تبدیل آن به یک مدل MOLP حل شود. به عنوان یک نتیجه، با حل مسئله MOLP مطرح شده بوسیله برنامه ریزی خطی پارامتریک همه واحد های کارای DEA با تکنولوژی بازده به مقیاس متغیر را می توان پیدا کرد. مثال های عددی مختلف دلیلی بر اعتبار مدل مطرح شده به عنوان یک وسیله برای حل مسائل مختلف DEA می باشد. متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

محاسبه مقادیر دقیق معیار ایده آل و ضدایده آل موضوع مهمی در مسائل برنامه ریزی خطی چندمعیاره (MOLP) است. در واقع این مقادیر به عنوان کران های پایین و بالا روی مجموعه نقاط نامغلوب تعریف می شوند. هرچند تعیین نقطه ایده آل یک کار آسانی است، چون آن معادل با بهینه سازی یک تابع محدب (تابع خطی) روی یک مجموعه محدب است که یک مساله بهینه سازی محدب است، اما محاسبه نقطه ضدایده آل در MOLP با یک مساله بهینه سازی نامحدب معادل می باشد که حل آن در حالت کلی کار خیلی سختی است. در این مقاله یک مساله برنامه ریزی خطی دوسطحی برای به دست آوردن نقطه ضدایده آل در مسائلMOLP ارائه می شود که در حالت کلی می تواند برای بهینه سازی یک تابع خطی روی مجموعه نقاط نامغلوب نیز به کار رود. در نهایت، به عنوان یک روش حل مسائل برنامه ریزی خطی دوسطحی، یک مساله برنامه ریزی خطی مختلط- صحیح ارائه می شود که مقادیر دقیق ضدایده آل را در یک مرحله به دست می آورد.

روش تخصیص خطی کلاسیک یک روش تصمیم گیری چندمعیاره است که در آن وزن معیارها منظور می شود و هر رتبه دقیقا به یک گزینه اختصاص داده می شود. در این پژوهش برای اینکه نیازی به محاسبه ی وزن معیارها نباشد و از اولویت بندی شاخص های تصمیم گیری استفاده شود و نیز برای اینکه هر رتبه بتواند به بیش از یک گزینه داده شود، یک روش برنامه ریزی خطی چندهدفه پیشنهاد شده است که در آن به ازای هر شاخص، یک تابع هدف تعریف می شود و با توجه به اولویت بندی شاخص ها، مدل برنامه ریزی خطی چندهدفه با روش اولویت مطلق حل می شود و محدودیت اختصاص هر رتبه فقط به یک گزینه، از مدل حذف شده است. هم چنین با اضافه شدن شاخص های جدید به یک مسئله، به تعداد شاخص های جدید، تابع هدف به مدل اضافه می شود و نیازی به محاسبه ی دوباره ی وزن شاخص ها و انجام محاسبات روش تخصیص خطی نیست. نتایج مقایسه ی مدل پیشنهادی با روش های تاپسیس، ویکور و مورآ که متداول ترین روش های تصمیم گیری چندمعیاره اند، بیانگر سازگاری بیشتر مدل پیشنهادی با این روش هاست.

برای حل مسائل تصمیم گیری چند هدفه و تحت مفروضات مختلف، تکنیک ها و رویکردهای متنوعی ارائه شده است. تکنیکSTEM ، نیز یکی از تکنیک های پرکاربرد برای مواجهه با این دسته از مسائل و بویژه حل مدل های برنامه ریزی خطی چند هدفه (MOLP) به شمار می رود. در پژوهش جاری، رویکرد جدیدی به عنوان توسعه روش فوق الاشاره پیشنهاد شده است. در این راستا، فاز دوم روش مذکور با فرآیند شبیه سازی ادغام و به منظور تعیین احتمال انتخاب اهداف، از مفهوم تابع مطلوبیت استفاده شده است. برای هر یک از اهداف منتخب نیز، چندین نرخ تعدیل تصادفی تعریف می شود. انتخاب تصادفی توابع رضایت بخش بر مبنای مطلوبیت های آنها و با استفاده از ابزارهای شبیه سازی، باعث "ایجاد تنوع در اهداف انتخابی برای تعدیل"، خواهد شد. همچنین با لحاظ کردن نرخ های مختلف و تصادفی تعدیل برای توابع منتخب، ضمن تسهیل در روند تصمیم گیری و ارائه گزارش تحلیلی به تصمیم گیرنده، امکان لحاظ کردن"سطوح مختلف رضایت" تصمیم گیرنده فراهم خواهد شد. یک مسئله سه هدفه که دارای پنج محدودیت می باشد، با استفاده از روش پیشنهادی، حل و نتایج آن ارائه شده است. نتایج حاکی از آنست که اعمال تغییرات فوق ، به رفع برخی از محدودیت های اساسی این روش که در مطالعات پیشین به آنها اشاره شده، منجر خواهد شد. مقایسه تکنیک پیشنهادی با روش پایه، برتری کلی روش پیشنهادی بویژه در معیارهای مربوط به تعامل با تصمیم گیرنده را نشان می دهد.

یکی از ویژگیهای تجزیه و تحلیل پوششی داده ها (DEA) این است که به هرکدام از واحدهای تصمیم گیرنده (DMU) امکان می دهد تا وزن عوامل را بگونه ای انتخاب نمایند که هنگام محاسبه کارایی، بیشترین امتیاز را عاید خود سازند. از طرف دیگر، این انعطاف پذیری در وزن عوامل، مقایسه واحدهای تصمیم گیرنده را بر اساس یک مجموعه وزنهای مشترک، دشوار می نماید. در این مقاله، برای غلبه بر این مشکل و ارزیابی تمامی DMU ها با یک مقیاس یکسان، رویکرد برنامه ریزی خطی چند هدفی (MOLP) ارائه می گردد که مبتنی بر روش scalarizing function است که برای ارائه مجموعه وزنهای مشترک بکار رفته است و همین امر، مزیت این روش را نسبت به سایر روشهای موجود بیان می کند که همگی بر برنامه ریزی غیرخطی چند هدفی مبتنی می باشند.