روش كاراي يادگيري ترجيحات مبتني بر مدل ELECTRE TRI به‎منظور طبقه‌بندي چندمعيارۀ موجودي

An efficient preference learning method based on ELECTRE TRI model for multicriteria inventory classification

آناليز چندمعيارۀ ABC روش شناخته‎شده‎اي براي طبقه‌بندي موجودي‌هاست كه اغلب رويكرد جبراني را براي تجميع معيارها لحاظ مي‎كند، يعني ضعف موجودي در يك معيار با عملكرد خوب آن در معيارهاي ديگر جبران مي‎شود. تا جايي كه مي‎دانيم رويكرد غيرجبراني در ايران به‎طور كافي مطالعه ‌نشده ‌است. مدل ELECTRE TRI از مدل‎هاي مبتني بر روابط ‌برتري ‌است كه اين رويكرد را در محاسبات لحاظ‌ مي‌كند، ولي با توجه به‌ پيچيدگي و هزينه‌بربودن، اين مدل در تعيين مقادير ترجيحات ‌تصميم‌گيرندگان (پارامترها)، از اقبال ‌خوبي برخوردار ‌نبوده است. بدين منظور در ‌اين ‌مقاله روشي ارائه ‌مي‎شود كه با ‌استفاده از الگوريتم‌ بهينه‌سازي‌ تراكم‌ ذرات (PSO)، مقادير تمام پارامترها را از داده‌هاي آموزشي شامل تصميمات قبلي تصميم‎گيرندگان ياد‌ مي‎گيرد و در طبقه‌بندي موجودي‌هاي جديد به‎كار مي‎برد. روش‌ پيشنهادي برخلاف ‌مدل‌هاي استاندارد داده‌كاوي كه طبقه‌بندي را به‌صورت اسمي انجام‌ مي‌دهند، متناسب با روش ABC اقلام موجودي را به‌صورت ‌رتبه‌اي طبقه‎بندي مي‎كند. نتايج ‌به‎دست‌آمده از آناليز تجربي ‌روش‌ پيشنهادي روي ديتاست‌هاي‌ موجودي، كارايي و قابليت رقابت آن را در مقايسه ‌با‌ ساير مدل‌هاي‌ طبقه‌بندي نشان‌ مي‌دهد.

The multicriteria ABC analysis is a well known inventory management method for classifying inventory. In the most ABC classification applications, it has been considered fully compensatory approaches, i.e. items have been privilege badly in one or more criteria could be placed in good classes, so it is necessary noncompensatory approach to be noticed. ELECTRE TRI is an outranking relations based model that consider noncompensatory approach, although suffers from the complexity and cost of determining the large number of decisionmakers preferences (parameters). In this paper we propose a new method which learns all the decisionmakers' preferences from assignment example at the same time using the Particle Swarm Optimization(PSO) algorithm, and will be applied in ABC classification. Against the data mining standard techniques that classify items in nominal way, this model has the ability to categorize items into ordinal classes. The evaluation of proposed method on the illustrated inventory datasets shows high quality and competitive results compared with several standard classification models.