نشریه بین المللی مهندسی صنایع و مدیریت تولید

---

انتخاب بهترین مجموعه ممکن تأمین­کنندگان برای یک زنجیره تأمین – سیستمی هماهنگ از تأمین‌کنندگان، تولید‌کنندگان، ترابران، خرده­فروشان و مشتریان- تأثیر چشمگیری بر سودآوری و موفقیت کل زنجیره تأمین دارد. به همین دلیل، بهینه ساختن کلیه فرایندهای تجاری و استفاده از راهکارهای سودمند­تر جهت صرفه­جویی در هزینه­ها مطلوب می­باشد. این مقاله بر روی فعالیت انتخاب تامین کنندگان در یک زنجیره تامین تمرکز دارد. بنابراین فرض می کنیم زنجیره تامین از دو لایه خریدار و تامین کنندگان تشکیل شده است به گونه ای که خریدار در هر زیر دوره زمانی تعدادی از تامین کنندگان را برای تامین اقلام مورد نیازاش براساس معیارهای قیمت، هزینه تراکنش و هزینه نگهداری در انبار انتخاب می نماید. این پژوهش به ارائه یک الگوریتم جدید جهت انتخاب بهترین مجموعه تامین کنندگان در هر زیر-دوره می­پردازد. این الگوریتم حداکثر زمان مدنظر خریدار در هر زیر-دوره زمانی و خطای مورد قبول خریدار را به عنوان ورودی دریافت می کند و پاسخ خریدار را در متوسط مدت زمان نزدیک حداکثر زمان مدنظر خریدار با خطای کمتر از خطای مورد قبول بر می گرداند. پاسخ خریدار عبارت از اینست که به کدام تامین کننده چه نوع قلمی و به چه تعداد سفارش دهد و حتی ممکن است تعدادی از اقلام مورد نیاز در زیر-دوره‌های آتی را در زیر-دوره جاری تامین شود و در انبار نگهداری شوند. در هر زیر-دوره تغییراتی در محیط ایجاد می شود بنابراین مدل تصمیم گیری [1] در این پژوهش تغییرات احتمالی محیط را در نظر گرفته و هزینه­های ناشی از انتخاب را بشدت کاهش می­دهد . این مدل بر پایه تکنیک­های خوشه­بندی داده­ها استوار است. برخلاف سایر مدل­های انتخاب، که از ابتدا به اجرای مجدد الگوریتم خود در هر زیر-دوره انتخاب، بر روی کل محیط می­پردازند؛ این مدل تنها تغییرات صورت گرفته در محیط را در نظر گرفته و با اعمال این تغییرات، بهترین مجموعه جدید را برای زیر-دوره کنونی پیدا می­نماید. بنابراین با حذف محاسبه مجدد عناصر تغییر نیافته محیط، هزینه­های انتخاب به طرز چشمگیری کاهش می­یابند. ارزیابی­های عددی نیز، کاربرد عملی این الگوریتم را تأیید می نماید.

---

  [1] مدل تصمیم گیری همان مدل تصمیم گیری در [1] است.

---

در این مقاله به پیش بینی نرخ جفت ارز  در بازار فارکس با استفاده از شبکه عصبی و مدل  می پردازیم. برای این منظور ابتدا یک مدل ARIMA برای نرخ جفت ارز  که از بانک مرکزی تهیه شده ارائه میدهیم و با دو روش تجزیه و تحلیل باقیمادها و روش  به بررسی مناسبت مدل می پردازیم، سپس با استفاده از ازمون بعد همبستگی وجود اشوب را در سری زمانی جفت ارز تایید کرده و یک مدل شبکه عصبی برای پیش بینی نرخ جفت ارز ارائه می دهیم و نتایج حاصل از دو مدل را مقایسه می کنیم.