روش کارای یادگیری ترجیحات مبتنی بر مدل ELECTRE TRI به‎منظور طبقه بندی چندمعیاره موجودی

آنالیز چندمعیاره ABC روش شناخته‎شده‎ای برای طبقه بندی موجودی هاست که اغلب رویکرد جبرانی را برای تجمیع معیارها لحاظ می‎کند، یعنی ضعف موجودی در یک معیار با عملکرد خوب آن در معیارهای دیگر جبران می‎شود. تا جایی که می‎دانیم رویکرد غیرجبرانی این مسئله به‎طور کافی مطالعه نشده است. مدل ELECTRE TRI از مدل‎های مبتنی بر روابط برتری است که این رویکرد را در محاسبات لحاظ می کند، ولی با توجه به پیچیدگی و هزینه بربودن، این مدل در تعیین مقادیر ترجیحات تصمیم گیرندگان (پارامترها)، از اقبال خوبی برخوردار نبوده است. بدین منظور در این مقاله روشی ارائه می‎شود که با استفاده از الگوریتم بهینه سازی تراکم ذرات (PSO)، مقادیر تمام پارامترها را از داده های آموزشی شامل تصمیمات قبلی تصمیم‎گیرندگان یاد می‎گیرد و در طبقه بندی موجودی های جدید به‎کار می‎برد. روش پیشنهادی برخلاف مدل های استاندارد داده کاوی که طبقه بندی را به صورت اسمی انجام می دهند، متناسب با روش ABC اقلام موجودی را به صورت رتبه ای طبقه‎بندی می‎کند. نتایج به‎دست آمده از آنالیز تجربی روش پیشنهادی روی دیتاست های موجودی، کارایی و قابلیت رقابت آن را در مقایسه با سایر مدل های طبقه بندی نشان می دهد.