الگوريتم فراابتكاري براي اندازه گيري كارايي مسايل ابعاد بزرگ در تحليل پوششي داده ها

Genetic Algorithm to Measure the Efficiency of Large-Scale Problems in Data Envelopment Analysis

تحليل پوششي داده ها، يكي از موفق ترين روش ها در ارزيابي اندازه گيري كارا يي نسبي واحدهاي تصميم‏گيرنده است كه از تكنيك برنامه ريزي خطي استفاده مي كند. در مدل هاي تحليل پوششي داده ها، براي اندازه گيري كارا يي نسبي واحد هاي تصميم‏گيرنده، در حالي كه واحدهاي تصميم گيرنده و ورودي و خروجي بسيار زياد هستند حتي با استفاده از كامپيوترهاي با سرعت بالا، به محاسبات و زمان پردازش بسيار زيادي نياز است. در اين مقاله، براي رفع اين مشكل، الگوريتم فراابتكاري براي ارزيابي كارا يي نسبي در ابعاد بسيار بزرگ را پيشنهاد مي كنيم. چون در ارزيابي مسايل با ابعاد بسيار بزرگ با استفاده از الگوريتم فراابتكاري به زمان پردازش و حافظه كم‏تري نياز است، لذا ابزار بسيار مناسبي براي ارزيابي كارا يي واحدهاي تصميم‏گيرنده مي باشد. همچنين از آنجايي كه عملگرها نقش بسيار مهمي در همگرايي و كيفيت حل الگوريتم ها دارند، كليه عملگرها و پارامترها به منظور بهبود عملكرد شان، با روش طراحي آزمايش هاي تاگوچي تنظيم مي شوند.

Data Envelopment Analysis (DEA) is one of the successful evaluation methods for measuring the relative efficiency of Decision Making Units (DMUs) that utilizes techniques of mathematical programming. In DEA models, for measuring the relative efficiency of DMUs, for a large dataset with many inputs/outputs would need to have a long time with a huge computer. This paper developed the Genetic Algorithm (GA) for DEA. GA requirements for computer memory and CPU time are far less than that needed by conventional DEA methods and can therefore be a useful tool in measuring the efficiency of large datasets. Since the operators have important roles on the fitness of the algorithms, all the operators and parameters are calibrated by means of the Taguchi experimental design in order to improve their performances.