طراحی سیستم پشتیبان تصمیم به منظور پیش بینی تقاضا جهت طراحی شبکه پویا استوار در شرایط عدم قطعیت و تاثیر آن بر توجیه پذیری اقتصادی

به حداقل رسیدن هزینه های زنجیره تامین به عنوان یکی از مسائل ضروری در فعالیت های مرتبط با پشتیبانی از جمله سیستم های برنامه ریزی مالی،فعالیت های مربوط به بازاریابی و فروش،قیمت تمام شده محصولات به چگونگی مدیریت زنجیره تامین مجموعه‌ای از روش‌هایی که برای یکپارچه‌سازی موثر تامین‌کنندگان، تولیدکنندگان، انبارها و فروشگاه‌ها به کار می‌رود،بستگی دارد تا هزینه‌های کل زنجیره تامین به حداقل برسد و همچنین نیاز مشتریان با سطح خدمت‌رسانی بالایی برآورده شود.در این مقاله به منظور برنامه ریزی و طراحی شبکه زنجیره تامین پویا در شرایط عدم قطعیت از ابزار پیش بینی با استفاده از شبکه عصبی مصنوعی پرداخته شده است.هدف پژوهش یکی از مهمترین موارد رعایت شده در این تحقیق استفاده از متدولوژی های هوش مصنوعی مانند grid clustering, subtractive partitioning, fcm به منظور کشف الگوها و روابط بنیادی و تکنیکال موجود در داده های تاریخی استفاده شده است. برای این کار به ارائه یک شبکه عصبی مصنوعی چند لایه فازی استنتاجی مبتنی برزنتیک جهت جلوگیری از غیرتوجیه پذیری فنی و اقتصادی حل و اجرا پرداخته شده است. مدل پایه این مقاله که توسط محقق ارائه شده است به برنامه ریزی استوار و چند دوره ای برای حالت چند محصولی در شرایط عدم قطعیت می باشد.

Design of Decision Support System to Forecast Demand for Dynamic Network Design Based on Uncertainty and its Impact on Economic Justification

Minimize supply chain costs as one of the essential issues in support activities such as financial planning systems,How to manage supply chain A set of ways to integrate Effective suppliers, manufacturers, warehouses and stores used to minimize total supply chain costs and meet customer service needs with a high level of service. In this study, the design of a robust cement supply chain dynamic network model was designed to reduce supply chain management costs after a crisis. Principal and efficient design of cement grid infrastructures, given the strong demand fluctuations at different times of the year, can significantly reduce financial costs on the one hand and reduce the potential for highspeed, highcost corruption by correct prediction. Other leads.From the following tool The nose has been analyzed using artificial neural networks. The purpose of this study is to use artificial intelligence methodologies such as Grid Clustering, Subtractive Partitioning, FCM to explore fundamental and technical patterns and relationships in historical data. Used. To this end, a geneticallybased inference fuzzy multilayer fuzzy neural network is introduced to prevent technical and economic unpredictability. The basic model of this paper presented by the researcher is a robust and multiperiodic planning for multiproduct state under uncertainty.