۳

D

۰۰۶/۱

۴

E

۵۰۹۳۶/۱

۵

F

ناکارا

۶

G

۲۷۹۳۷/۱

محاسبه کارایی توسط مدل DEA ( اندرسون پیترسون ) توسط نرم افزار OR ( Lingo . 9) انجام شده است که معادلات انجام شده برای رسیدن به کارایی آن در پیوست قرار داده شده است .

با بهره گرفتن از مدل DEA ( CCR ورودی محور ) و مدل AP اندرسون و پیترسون به محاسبه کارایی شرکت ها در اردیبهشت ماه سال های ۹۲ و ۹۳ پرداخته شد و همچنان مشکل تعیین مرز کارایی برای واحد ها پابرجا می باشد و مدل DEA به تنهایی قابلیت تحلیل کارایی را در این مورد ندارد .
روش تحلیل پوششی داده ها روش به کلی زمانبر با قدرت تفکیکی پذیری پایین و به محاسبات زیاد و حل مسائل مینمم سازی احتیاج دارد . ایده ترکیب تحلیل پوششی داده ها با شبکه های عصبی از این نظر اهمیت دارد که می توان یک شبکه را طراحی نمود و آنرا با اطلاعات بدست آمده توسط روش تحلیل پوششی داده ها تعلیم داد و برای ارزیابی کارایی پالایشگاه ها در سال های دیگر حتی برای پالایشگاه های جدیدی که قبلاٌ نبوده اند ف از این شبکه عصبی تعلیم دیده شده استفاده کرد .
لذا در این تحقیق بر آن شدیم تا از شبکه های عصبی و توانایی آن ها در تقریب روابط و توابع غیرخطی کمک بگیریم و به تحلیل کارایی پالایشگاه ها بپردازیم . بدین منظور از یک شبکه پیش بینی کننده عملکرد استفاده شده است .
شبکه های عصبی از یک سیستم های بیولوژیک طبیعی الهام گرفته شده و اگر خوب آموزش دیده باشد توانایی پیش بینی بسیار بالایی دارد . و از روش های محاسباتی است که به کمک فرایند یادگیری و با بهره گرفتن از پردازشگرهای به نام نرون تلاش می کند با شناخت روابط ذاتی بین داده ها ، نگاشتی میان فضاهایی ورودی ( لایه های ورودی ) و فضای مطلوب ( لایه های خروجی ) ارائه دهد. قابلیت پیش بینی شبکه عصبی مصنوعی بستگی به آموزش از طریق داده های تجربی و اعتبار داده های مستقل دارد .
در این تحقیق از یک شبکه عصبی پیش خور ^[۹۱]با پرستیرون سه لایه با ۱۵ نرون در لایه اول و ۵ نرون در لایه دوم و ۴ نرون در لایه سوم تشکیل شده و در لایه های مخفی از تابع انتقال Tasing و در لایه خروجی از تابع Purelin استفاده شد . این ساختار مفید در مسائل تخمین تابع می باشد .
در تعیین بهترین الگوریتم آموزش ، تعداد لایه مخفی و تعداد نرون های لایه های مخفی از طریق آزمون و خطا بدست آمد . الگوریتم های آموزش مختلفی برای پس انتشار وجود دارد که از میان آن ها الگوریتم های آموزش با سرعت یادگیری متغیر ^[۹۲] لونبرگ مارکورات ^[۹۳] و گرادیان نزولی با مومنتم ^[۹۴] در مسائل تخمین تابع کارایی بهتری از خود نشان داده و در این تحقیق مورد استفاده و ارزیابی قرار گرفته شد .

۴-۳- الگوریتم پس انتشار

این الگوریتم که در سال ۱۹۸۶ توسط روملهارت و مک کلیلانه پیشنهاد گردید در شبکه های عصبی ( پیش سو )^[۹۵] مورد استفاده قرار گرفت . پیش سو بودن بدین معناست که نرون های مصنوعی در لایه های متوالی قرار گرفته اند و خروجی را به جلو می فرستند . واژه پس انتشار نیز به معنای این است که خطاها به سمت عقب در شبکه تغذیه می شوند تا وزن ها را اصلاح کنند و پس از آن مجدداٌ ورودی مسیر پیش سوی خود تا خروجی را تکرار کند . روش پس انتشار خطا از روش های با سرپرستی است . به این مفهوم که نمونه های ورودی بر چسب خورده اند و خروجی مورد انتظار هر یک از آن ها از پیش داشته است ، لذا خروجی شبکه با این خروجی های ایده آل مقایسه شده و خطای شبکه محاسبه می گردد .
یکی از ساده ترین و در عین حال کارآمدترین چیدمان های پیشنهادی برای استفاده در مدل سازی عصب های واقعی مدل پرسپترون چند لایه ^[۹۶]به اختصار MLP می باشد که از یک لایه ورودی یک یا چند لایه پنهان و یک لایه خروجی تشکیل یافته است . در این ساختار تمام نرون های یک لایه به تمام نرون ههای لایه بعد متصلند . این چیدمان اصطلاحاٌ یک شبکه با اتصالات کامل را تشکیل می دهد .
شکل زیر ، شکل یک شبکه پرسپترون سه لایه را نشان می دهد . به سادگی می توان استنباط نمود که تعداد نرون های هر لایه ، مستقل از آستانه گذاری ( عبور از توابع خطی سیگموئیدی ) است .

^{شکل ۱۶ : شبکه پرسپترون سه لایه}
با توجه به شکل خروجی عصبی i ام ( در لایه آخر ) را می توان به صورت زیر نشان داد .

(۱)
که در آن o,h به ترتیب نشان دهنده لایه پنهان و لایه خروجی بوده و منظور از w همانند وزن های لایه ها می باشد . sgm نیز تابع سیگموئیدی است که به صورت زیر تعریف می شود . ]۲۹[

(۲)

شکل ۴-۱- تابع سیگموئیدی
نمودار بالا تابع سیگموئیدی را نشان می دهد . می توان دید که این تابع رفتار همواره بین (۰ و۱) دارد .

۴-۴- شبکه پیش سو ^[۹۷]

به معنی این است که مقدار پارامتر خروجی براساس پارامترهای ورودی با هم ترکیب شده و در لایه نهان استفاده می شود و مقادیر این لایه های نهان نیز برای محاسبه مقادیر خروجی ترکیب می شود .

۴-۵- جمع آوری داده ها : Neuro – DEA

برای اجرا کار ابتدا داده های مسئله را جمع آوری می کنیم . داده های جمع آوری شده را در قالب فایل های اکسل در نرم افزار متلب ذخیره سازی می کنیم .
داده های مربوط به رتبه بندی پالایشگاه ها که توسط روش تحلیل پوششی داده ها تولید شده اند به عنوان خروجی های شبکه عصبی استفاده می شوند . داده های ورودی شبکه عصبی همان اطلاعات استخراجی از پالایشگاه ها می باشد ، که قرار است به کمک این داده ها شبکه عصبی ساختار خود را بسازد و قدرت لازم برای تخمین دقیق مسائل آینده را پیدا کند .
ورودی های شبکه عصبی در اردیبهشت ماه سال های ۹۲ و ۹۳ به صورت جدول در زیر آمده است .