کاربرد های شبکه عصبی در مدیریت

کاربرد های شبکه عصبی در مدیریت

تنوع مدل های شبکه عصبی و الگوریتم های یادگیری آنها امکان کاربرد های مختلفی را برای آنها فراهم می آورد. به منظور موفقیت در انطباق با مسائل دنیای واقعی، باید ابعاد زیادی از جمله مدل شبکه، اندازه شبکه، تابع فعالیت، پارامترهای یادگیری و تعداد نمونه های آموزشی را مدنظر قرار داد. در ادامه خلاصه ای از این کاربرد ها را بیان می کنیم (راعی،1383).

1.دسته بندی الگو[1] :وظیفه دسته بندی الگو برای تخصیص یک الگو از داده ها به یکی از دسته های از پیش تعیین شده بوسیله بردار ویژگی است. یکی از موارد کاربرد این وظیفه در رتبه بندی اوراق قرضه[2]  است. یک بررسی انجام شده برای شرکت جی.آر.پاخ از کرانفورد،ان.ج.[3]  شبکه طراحی شده، 100% از اوراق را در طبقه خود قرار داد و در 95% موارد دسته بندی در گروههای فرعی نیز دقیق بود. شبکه های عصبی در تصویب کارت اعتباری نیز مشتریان را در گروههای تعیین شده خوب، متوسط و ضعیف دسته بندی می نمایند. و شبکه های عصبی در دسته بندی اوراق 18 شرکت عملیاتی تلفن بل[4] موفق بوده و همچنین برتری خود را نسبت به رگرسیون در رتبه بندی اوراق شرکت های موجود در The valueline index the s&p Bond نشان داده است.

    2.خوشه یابی/ طبقه بندی[5] : در خوشه یابی که به طبقه بندی الگوی بدون سرپرستی معروف است، دسته های شناخته شده برای داده های آموزشی وجود ندارد. یک الگوریتم خوشه یابی، تشابه بین الگوها را کشف می کند و الگوهای مشابه را در یک خوشه قرار می دهد. این وظیفه، کاربرد های زیادی در استخراج داده ها، فشرده سازی داده ها، تحلیل داده های استخراجی و داده کاوی دارد.

شرکت واراتکس[6] با استفاده از داده های آماری و جمعیت شناسی دان و برداستریت[7] و سایر منابع اطلاعاتی، مشتریان خود را بوسیله شبکه عصبی IBNSNNU400 رتبه بندی نموده است. سهام موجود در بورس لندن  (LSE)[8] بر اساس متغیر های حسابداری مبتنی بر گزارشات حسابداری توسط شبکه های عصبی به 14 گروه صنعتی طبقه بندی شدند. خوشه یابی برای سهام مشابه می تواند در انتخاب سهام برای یک سبد سهام[9] موثر باشد.

     3.تخمین تابع[10]: فرض کنید که مجموعه با n الگوی آموزشی از زوجهای مرتب (ورودی-خروجی) از یک تابع ناشناخته (همراه با پارازیت) وجود دارد. وظیفه تخمین تابع، یافتن یک تخمین از تابع ناشناخته  است. مسائل متنوع مدلسازی و مهندسی و مدیریت می تواند در این حوزه بیان شود. رابطه بین تاخیر کارکنان به عنوان یک ورودی و حجم ضایعات به عنوان یک خروجی ممکن است یک تابع غیر خطی ناشناخته باشد که می توان با استفاده از شبکه های عصبی تخمین زده شود.

4.پیش بینی: با وجود یک مجموعه n عنصری نمونه  در یک توالی زمانی ,… ,    وظیفه شبکه پیش بینی نمونه   در برخی از شرایط   است. پیش بینی اثر بسیار مهمی در تصمیم گیری های مدیریت دارد. پیش بینی در بازار سهام، ورشکستگی شرکت ها و غیره می تواند در برنامه ریزیها موثر واقع شود. یک مساله هنگامی برای پیش بینی با شبکه های عصبی مناسب است که شرایط زیر را داشته باشد:

1- ورودیها به خوبی شناخته شده باشند. به عبارت دیگر متغیر هایی که در جواب تاثیر مهمی دارند شناخته شده اند ولی چگونگی ترکیب این متغیرها (برای حصول جواب) مشخص نیست.

2- خروجی به خوبی شناخته شده باشد. اینکه چه متغیری پیش بینی شود کاملا مشخص است.

3- تجربه کافی در دسترس باشد. به بیان دیگر مثال های فراوانی وجود داشته باشند که در آنها ورودی ها و خروجی مرتبط با آنها معلوم است. این تجربه در آموزش شبکه بکار خواهد رفت.

این مطلب مشابه را هم بخوانید :   دانلود رایگان تجربیات مدون معلم ابتدایی | کاملترین نمونه های رایگان سالتحصیلی 97-98

5.بهینه سازی: دامنه وسیعی از مسائل سازمان، مدیریت، مهندسی، اقتصاد ریاضی، آمار و پزشکی می تواند بعنوان مسائل بهینه سازی در نظر گرفته شوند. هدف یک مساله بهینه سازی، یافتن راه حلی است که ضمن صدق در یک مجموعه از محدودیت ها، تابع هدف را نیز حداکثر یا حداقل نماید. مساله فروشنده دوره گرد (TSP) در پژوهشی عملیاتی، یک مساله برنامه ریزی غیر خطی است که توسط شبکه های عصبی هاپفیلد[11] حل می شود. شبکه های عصبی می توانند با مدل های بهینه سازی پاسخهای مناسبی برای مدیریت فراهم نماید. وجو کیم و جاک. لی[12] مدل بهینه انطباقی کنترل در پالایشگاه را ارائه نمودند.

6.حافظه انجمنی: در مدل های محاسباتی کامپیوتر یک داده موجود در حافظه، تنها از طریق آدرس آن قابل دسترسی است، که از محتوای موجود در آن مستقل است. که اگر در محاسبه آدرس یک اشتباه کوچک رخ دهد، ممکن است یک مورد کاملا متفاوت بازخوانی شود. در حافظه انجمنی با حافظه آدرس دهی محتوایی[13] می توان بوسیله محتوای داده ها به آنها دسترسی پیدا نمود. محتوای موجود در در حافظه می تواند، حتی با یک ورودی ناقص یا محتوای به هم ریخته ، بازخوانی شود. مدیر نیز می تواند با استفاده از این کاربرد، اطلاعات مربوط به امور مورد نظر را با دست داشتن اطلاعات مختصری در مورد آن موضوع در اختیار گیرد.

 

  1. کنترل: یک سیستم پویایی تعریف شده بوسیله زوج و را در نظر بگیرد که داده کنترل است و   خروجی سیستم در زمان t است. هدف در یک مدل کنترل، ایجاد ورودی کنترل  به نحوی است که سیستم، مسیر مطلوبی را دنبال کند که توسط مدل مرجع تعیین شده است. زمانبندی مشاغل، ماشین ها و سایر منابع در سیستم های ساخت منعطف FMS[14] اهمیت بالایی داشته و در نیل به اهداف تولید بسیار موثر می باشد. یک سیستم طراحی شده بوسیله شبکه عصبی در 92% از موارد بهترین قاعده را برای انجام بهینه فعالیت و در بقیه موارد، دومین قاعده بهتر را انتخاب می نمود.

در یک سیستم طراحی شده توسط ویلیام وردوین[15] که شامل ترکیبی از شبکه های عصبی و سیستم های خبری بود، کاربرد های زیر معمول بود:

  1. کنترل کیفیت: پیش بینی رخداد نقص های سیستم.
  2. تنظیم ماشین: تنظیم شرایط ماشین و کیفیت محصول.
  3. کنترل فرایند: کنترل تغییرات در طول فرآیند.

شرکت لاک هید از شبکه های عصبی در امر کنترل استفاده های زیادی نموده است. این شبکه سه قرارداد مهم در آژانس پروژه های تحقیقاتی پیشرفته دفاعی[16] در زمینه های زیر دارد:

1.تشخیص خودکار هدف

  1. طبقه بندی علامت زلزله

3.تشخیص صدای پوسته

در یک گزارش منتشر شده توسط وزارت صنایع و بازرگانی بین الملل ژاپن در سال 1988، محاسبات عصبی بعنوان یکی از حوزه های کلیدی تحقیقاتی اولیه ژاپنی اعلام شد. شرکت فوجی تسو[17]، هیتاجی[18]، شرکت الکترونیکی میتسوبیشی[19] استفاده های وسیعی از شبکه های عصبی داشته اند.

[1] – Pattern Classification

[2] – Bond Rating

[3] – G.R.Pugh & Co. Of Cranford N.J.

[4]–  Bell

[5] – Clustring( categorization)

[6] – Veratex

[7] – Dun & Bradstreet

[8] – London Stock Exchange

[9] – Portfolio

[10] – Function Approximation

[11] – Hopfield

[12] – Wooju & Jack.Lee

[13] – Content-Addressable Memory

[14] – Flexible Manufacturing Systems

[15] – Wiliam Verduin

[16] – Deense Advanced Research

[17] – Fujitsu

[18] – Hitachi

[19] – Mitsubishi