دانلود ترجمه مقاله حل مساله چند پاسخی در تکنیک تاگوچی با تحلیل پوششی داده ها

نتیجه گیری:
این تحقیق رویکردی را برای حل مسئله چندپاسخی در روش تاگوچی با استفاده از فرمول خیرخواهانه در DEA ارائه می دهد. سه مطالعه موردی برای تصویرسازی ارائه شده است. از نتایج محاسباتی سه مطالعه موردی، مزایای روش پیشنهادی زیر ارائه شده است:
• کارآیی: رویکرد پیشنهادی در حل مسئله چند پاسخی در روش تاگوچی بسیار کارآمد است ، زیرا بیشترین بهبود پیش بینی شده برای هر سه مورد را فراهم می کند.
• اطلاعات اولویتی: بر خلاف روش تاگوچی و روش نسبت وزنی S/N ، رویکرد پیشنهادی به هیچ گونه اطلاعات قبلی در مورد وزن یا اهمیت پاسخ نیاز ندارد.
• تبعیض: برخلاف مدل CCR ، تکنیک خیرخواهانه باعث افزایش تبعیض در بین DMU های کارآمد می شود.
• فرض: رویکرد پیشنهادی مبتنی بر فرضیات انعطاف ناپذیر نیست ، در حالی که PCA دارای چنین فرضیاتی است.
• سادگی: برخلاف GA ، شبکه های عصبی ، آنالیز خاکستری و روش رگرسیون، روش پیشنهادی به راحتی توسط پزشکان درک و اجرا می شود.
مزایای فوق ممکن است باعث شود از روش پیشنهادی برای حل مسئله چند پاسخی برای طیف گسترده ای از برنامه های کاربردی در تولید با استفاده از روش تاگوچی استفاده شود. در نتیجه، فرمول خیرخواهانه نه تنها در مقایسه بین DMU ها در سطح سازمانی کارآمد است، بلکه برای حل مشکل چند پاسخی در تولید در سطح عملیاتی نیز مؤثر است. تحقیقات آینده برای حل مشکل چند پاسخی در روش تاگوچی با پاسخ های متعدد مرتبط با روش تاگوچی با استفاده از تکنیک های DEA انجام خواهد شد.

Conclusions:
This research proposes an approach for solving the multiresponse problem in the Taguchi method utilizing benevolent formulation in DEA. Three case studies are provided for illustration. From the computational results of three case studies, the following advantages of the proposed approach are noted regarding:
• Efficiency: The proposed approach is found the most efficient in solving the multi-response problem in the Taguchi method, as it provides the largest anticipated improvement for all the three cases.
• Priori information: In contrast to the Taguchi method and weighted S/N ratios method, the proposed approach does not require any priori information about response weights or importance.
• Discrimination: Opposite to CCR-model, the benevolent technique increases discrimination among efficient DMUs.
• Assumption: The proposed approach is not based on rigid assumptions, whereas PCA does.
• Simplicity: Contrary to GA, neural networks, grey analysis, and regression method, the proposed approach can be easily understood and implemented by practitioners.
The above advantages may make the proposed approach be used for solving the multi-response problem for a wide range of applications in manufacturing on the Taguchi method. In conclusion, benevolent formulation is not only efficient in comparison among DMUs at organizational level, but also effective for solving the multi-response problem in manufacturing at operational level. Future research will be conducted to solve the multi-response problem in the Taguchi method with correlated multiple responses in the Taguchi method utilizing DEA techniques.