تحلیل پوششی داده ها (dea) روشی برای اندازه گیری کارایی dmuهای متجانس است. روش های مرسوم dea ساختار داخلی dmuها را به صورت جعبه سیاه در نظر می گیرند. اخیراً dea روش هایی برای بررسی کارایی dmuها با استفاده از فرآیندهایی که ساختار دو مرحله ای یا شبکه ای دارند ارائه داده است که در آن خروجی های مرحله اول، ورودی های مرحله دوم هستند و به عنوان اندازه های میانی در نظر گرفته می شوند. در این پایان نامه این روش ها و روابط بین آن ها را بررسی می کنیم. در روش نظریه بازی ها، کارایی کلی فرآیند دو مرحله ای و کارایی هریک از مراحل را با استفاده از مفاهیم بازی های همکارانه و غیر همکارانه به دست می آوریم. مدل های به دست آمده توسط مفاهیم نظریه بازی ها خطی هستند و منجر به یک تجزیه کارایی می شوند که در آن کارایی کلی فرآیند برابر است با حاصلضرب کارایی های دو مرحله. همچنین نشان می دهیم که تمام روش های موجود را می توان با استفاده از مفاهیم نظریه بازی طبقه بندی کرد.

در تحلیل پوششی داده ها تقریب عالی برای اندازه گیری عملکرد dmu ها با استفاده از ورودی های چند گانه برای تولید خروجی های چندگانه بکار گرفته شده است .در حالات واقعی dmu ها فرایند شبکه ای دو مرحله ای با منابع ورودی مشترک دارند که مورد استفاده عملیات های دو مرحله ای قرار می گیرد. این dmu ها تنها ورودی و خروجی ندارند بلکه اندازه های میانی در بین فرایند دو مرحله ای وجود دارد.مشخصه بارز این است که برخی از ورودی های مرحله اول با هر دو مرحله اول و دوم به اشتراک گذاشته می شوند،اما برخی از ورودی های به اشتراک گذاشته را نمی توان به راحتی جداکردوبه عملیات دو مرحله ای اختصاص داد . درک این تمایز برای این نوع کاربردهای dea خیلی مهم است چون اندازه گیری کارایی تولید برای خروجی مرحله اول می تواند گمراه کننده باشد و اگرdea برخی ورودی هایی که دیگرخروجی های مرحله دوم را تولید میکند در نظر نگیرد کارایی واقعی بیان نمی شود. مجموعه ای از مدل های dea برای اندازه گیری عملکرد فرایند های شبکه ای دو مرحله ای با ورودی های مشترک جدا ناپذیر ایجاد شده است و یک تجزیه کارایی جمعی برای فرایند های شبکه ای دو مرحله ای ارائه می شود. مدل ها تحت فرضیه ی بازده به مقیاس متغیر در نظر گرفته شده در حالی که می توان به آسانی تحت فرضیه ی بازده به مقیاس ثابت بکار برد .یک مکانیسم برای توسعه ی مدل های شبکه ای dea با ورودی و خروجی مشترک ارائه می شود و یک مدل از تحلیل کارایی dmuها که دو مرحله فرآیند شبکه ای دارند معرفی می گردد .

در دو دهه اخیر با توجه به افزایش تقاضا و انتظارات مشتریان و با توجه به افزایش متوالی رقابت های صنعتی، این باور به وجود آمده که رقابت میان شرکت ها نیست بلکه این زنجیره های تأمین هستند که وارد رقابت می شوند. در این میان، ارزیابی تأمین-کننده ها موضوعی کلیدی است. در این راه از تحلیل پوششی داده ها در ارزیابی تأمین کننده ها استفاده شده است. با وجود گسترش تکنولوژی و پیچیدگی بیشتر در معیارها، تحلیل پوششی داده ها با مشکل مواجه شد، زیرا مدل های dea وابسته تجانس و دقت در فرضیات است و داده های مورد بررسی باید دقیق باشند. به این منظور شبکه های عصبی مصنوعی پیشنهاد شده اند. از آنجا که شبکه ای عصبی یادگیر هستند با ایجاد ساختار و آموزش مناسب قادر به پیش بینی مقادیر جدید چه کمی و کیفی و چه با اطلاعات ناتمام خواهد بود. بنابراین در این پایان نامه روش ترکیبی تحلیل پوششی داده ها و شبکه های عصبی را در ارزیابی تأمین کننده ها با اطلاعات ناتمام معرفی و بررسی می کنیم.

در این پایان نامه مساله حمل ونقل با هزینه ثابت ارائه شده است. این مسآله از جمله مساِئل چند وجهی سخت یا n.p میباشدکه الگوریتم های فراابتکاری زیادی برای حل ان ارائه شده است.علیرغم یافته ها در سال های گذشته الگوریتم ژنتیک یک روش پیشتاز بر اساس درخت فراگیر برای طراحی یک کروموزوم میباشد که نیاز به روش ترمیم برای میسر بودن ندارد. این روش در حقیقت تصحیح روش های گذشته بوده چرا که آن روش ها در بعضی از موقعیت ها درخت حمل ونقل را ایجاد نمی کردند و علاوه بر این در این پایان نامه درخت حمل و نقل را با تمام کروموزوم های محتمل طراحی کرده وبرخی از اپراتور های جهشی توسعه یافته و در این کار تحقیقاتی به کار رفته اند و دو مسئله در اندازه مختلف برای ارزیابی عملکرد الگوریتم ارائه شده حل می شود و با نتایج قبلی و نرم افزار lingo مقایسه می شود.

در این پایان نامه، شاخص بهره وری مالم کوئیست (mpi) جدیدی تحت عنوان شاخص مالم کوئیست دوسالانه بررسی می شود که دارای سه ویژگی جالب است: 1)تحت فرض بازده به مقیاس متغیر، از نشدنی بودن برنامه ریزی خطی جلوگیری می کند. 2)تحت فرض بازده به مقیاس متغیر، پیش بینی پس رفت فنی را ممکن می سازد. 3)هرگاه دوره ای به دوره های زمانی قبلی اضافه شود محاسبات قبلی از بین نمی رود. نتایج نشان می دهند که در صورت تجزیه شاخص مالم کوئیست مجاورتی، حدود 13% مشاهدات در مجموعه داده ها را می توان به دلیل نشدنی بودن آن نادیده گرفت. استفاده صرف از داده های تقلیل یافته از مجموعه داده ها می تواند به نتایج کاملا متفاوتی نسبت به زمانی که از شاخص مالم کوئیست دوسالانه برای همه داده ها استفاده می کنیم منجر شود. همچنین نتایج نشان می دهند که هنگام استفاده از شاخص مالم کوئیست کلی، بهره وری برآورده شده بین دو دوره زمانی در صورتی که دوره زمانی سومی به داده ها اضافه شود به طور کلی تغییر خواهد کرد، در حالی که شاخص مورد بررسی در این پایان نامه مصون از این مشکل است.

در این پایان نامه مدلی برای مسأله حمل و نقل سه بعدی در سطح زنجیره تأمین دو مرحله ا پیشنهاد می شود و مشاهده می شود که در ابعاد کم از طریق نرم افزار لینگووگمس قابل حل است اما زمانی که ابعاد مساله زیاد می گردد این نرم افزارها دیگر قادر به حل مسأله نبوده و برای حل آن باید از الگوریتم های فرا ابتکاری که از جمله ی آن الگوریتم ژنتیک است مورد استفاده قرار می گیرد. برای به کارگیری الگوریتم ژنتیک ابتدا باید جمعیت اولیه را به وجود آورد. سه روش برای ایجاد جمعیت اولیه را به وجود آورد. سه روش برای ایجاد جمعیت اولیه در این پایان نامه بیان شده است. که روش اول روش نمایش اولویت محور و روش دوم روش نمایش رشته ای و روش سوم روش نمایش پروفر نام است. و در ادامه مطلب به چندمثال عددی اشاره شده و به مقایسه ی این روش ها می پردازیم.