روش کارای یادگیری ترجیحات مبتنی بر مدل ELECTRE TRI به‎منظور طبقه‌بندی چندمعیارۀ موجودی

Abstract

آنالیز چندمعیارۀ ABC روش شناخته‎شده‎ای برای طبقه‌بندی موجودی‌هاست که اغلب رویکرد جبرانی را برای تجمیع معیارها لحاظ می‎کند، یعنی ضعف موجودی در یک معیار با عملکرد خوب آن در معیارهای دیگر جبران می‎شود. تا جایی که می‎دانیم رویکرد غیرجبرانی این مسئله به‎طور کافی مطالعه ‌نشده ‌است. مدل ELECTRE TRI از مدل‎های مبتنی بر روابط ‌برتری ‌است که این رویکرد را در محاسبات لحاظ‌ می‌کند، ولی با توجه به‌ پیچیدگی و هزینه‌بربودن، این مدل در تعیین مقادیر ترجیحات ‌تصمیم‌گیرندگان (پارامترها)، از اقبال ‌خوبی برخوردار ‌نبوده است. بدین منظور در ‌این ‌مقاله روشی ارائه ‌می‎شود که با ‌استفاده از الگوریتم‌ بهینه‌سازی‌ تراکم‌ ذرات (PSO)، مقادیر تمام پارامترها را از داده‌های آموزشی شامل تصمیمات قبلی تصمیم‎گیرندگان یاد‌ می‎گیرد و در طبقه‌بندی موجودی‌های جدید به‎کار می‎برد. روش‌ پیشنهادی برخلاف ‌مدل‌های استاندارد داده‌کاوی که طبقه‌بندی را به‌صورت اسمی انجام‌ می‌دهند، متناسب با روش ABC اقلام موجودی را به‌صورت ‌رتبه‌ای طبقه‎بندی می‎کند. نتایج ‌به‎دست‌آمده از آنالیز تجربی ‌روش‌ پیشنهادی روی دیتاست‌های‌ موجودی، کارایی و قابلیت رقابت آن را در مقایسه ‌با‌ سایر مدل‌های‌ طبقه‌بندی نشان‌ می‌دهد.