الگوریتم فراابتکاری برای اندازه گیری کارایی مسایل ابعاد بزرگ در تحلیل پوششی داده ها

تحلیل پوششی داده­ها، یکی از موفق­ترین روش­ها در ارزیابی اندازه­گیری کارا­یی نسبی واحدهای تصمیم‏گیرنده  است که از تکنیک برنامه­ریزی خطی استفاده می­­کند. در مدل­های تحلیل پوششی داده­ها، برای اندازه­گیری کارا­یی نسبی واحد­های تصمیم‏گیرنده، در حالی که واحدهای تصمیم­گیرنده و ورودی و خروجی بسیار زیاد هستند حتی با استفاده از کامپیوترهای با سرعت بالا، به محاسبات و زمان پردازش بسیار زیادی نیاز است. در این مقاله، برای رفع این مشکل، الگوریتم فراابتکاری برای ارزیابی کارا­یی نسبی در ابعاد بسیار بزرگ را پیشنهاد می­کنیم. چون در ارزیابی مسایل با ابعاد بسیار بزرگ با استفاده از الگوریتم فراابتکاری به زمان پردازش و حافظه کم‏تری نیاز است، لذا ابزار بسیار مناسبی برای ارزیابی کارا­یی واحدهای تصمیم‏گیرنده می­باشد. همچنین از آنجایی که عملگرها نقش بسیار مهمی در همگرایی و کیفیت حل الگوریتم­ها دارند، کلیه عملگرها و پارامترها به منظور بهبود عملکرد­شان، با روش طراحی آزمایش­های تاگوچی تنظیم می­شوند.