英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
摘 要
开发决策支持系统（DSS）可以克服人员属性和规格的问题。人员规格对总效率的影响最大。它们可以提高关键人员属性的总体效率。本研究提出一个智慧型综合决策支援系统（DSS），用于复杂人员效能的预测与优化。决策支持系统通过数据包络分析（DEA）、人工神经网络（ANN）、粗糙集理论（RST）和K-均值聚类算法来评估人员效率的影响。DEA在本研究中有两个角色。它为神经网络提供数据，并通过神经网络的结果选择最优的约简。约简被描述为一个最小的子集特征，可以完全区分数据集中的所有对象。在综合算法中，人工神经网络扮演着两个角色。人工神经网络的结果是选择最优约简的基础，并用于预测总效率。最后，利用K-Means算法进行决策支持系统的开发。提出了一种利用已有的工具和完备的规则库开发决策支持系统的方法。决策支持系统可以帮助管理者通过选择属性和分组推理效率来预测和优化效率。同时，它也是仔细预测和计划的理想工具。将该决策支持系统应用于实际银行系统中，讨论了其优势。
关键词：离散事件模拟、作业成本法、环境成本、决策支持系统、人员效率、数据挖掘、数据包络分析与均值算法、优化
目 录
第1章 介 绍
一般来说，数据挖掘是从不同角度对数据进行分析和总结，形成有价值的信息的过程，它为处理海量数据提供了新的理论和方法，在研究者中得到了值得注意的考虑。属性间的复杂关系对组织的效率有着不可估量的影响。Pawlak提出的粗糙集理论是识别和识别数据中常见模式的技术之一(Pawlak, 1982, 1991)。该技术已在数据库知识发现、数据挖掘、故障诊断、机器学习、知识获取、专家系统和决策支持系统中得到应用。(Błaszczyn ́ski, Greco, amp;Słowin ́ski, 2007; Fan, Liu, amp; Tzeng, 2007; Inuiguchi amp; Miyajima,2007)。它还用于研究不确定性(Beynon amp; Peel, 2001; Liliamp; Zhi, 2001; Ton Su amp; Hsu, 2006; Ziarko, 1993)、预测(Becer-ra-Fernandez, Zanakis, amp; Walczak, 2002; Kusiak amp; Tseng, 2000;Sanchis, Segovia, Gil, Heras, amp; Vilar, 2007)、服务组织(Chou, Cheng, amp; Chang, 2007; Hassanien, 2007; Kowalczyk amp; Slis-ser, 1997; Sikder amp; Gangopadhyay, 2007; Tsumoto, 1997)、金融公司(Ravi Kumar amp; Ravi, 2007; Ruhe, 1996; Shyng, Wang, Tzeng,amp; Wu, 2007)和调度问题(Liu, Chen, Wu, amp; Li, 2006;Triantaphyllou, Liao, amp; Iyengar, 2002)。
效率是金融机构的一个关键概念。由于人员规范对效率的影响最大，因此可以帮助我们设计工作环境以最大限度地提高效率。提供有关多个输入和输出因素的信息是一个复杂而耗时的过程。在这种情况下开发专家系统是很困难的。因此，必须减少可用的属性，粗糙集理论是一个候选理论。目前，粗糙集理论的研究主要集中在特征选择技术上，并取得了很大的成功。Stefanowski和Slowinski通过研究属性依赖性，研究了粗糙集作为特征选择的工具(Stefanowski amp; Slowinski, 1997)。Kusiak和Tseng提出了两种独立的算法，用于医疗、工业和工程案例研究中的精确特征选择(Kusiak, Kern,Kernstine, amp; Tseng, 2000; Kusiak amp; Tseng, 2000)。Xia and Wu等人讨论了基于粗糙集理论的特征提取技术，用于供应商选择，以根据不同的无形属性选择最佳供应商(Xia amp; Wu, 2007)。此外，粗糙集理论在客户关系管理中的特征选择中还有一些其他的应用(Tseng amp; Huang,2007), 产品质量评价(Zhai, Khoo, amp; Fok, 2002) 和 保健车(Xiangyang, Jie, Jensen, amp; Xiaojun, 2006)。然而，现有的启发式粗糙集特征选择方法在寻找最优约简方面存在不足。另一方面，即使在平均大小的数据集中也不可能找到最优解，因此，将这种方法与其他健壮的数据挖掘工具相结合，可以帮助实践者进一步进行特征选择，以获得更准确的结果。本文介绍了一种新的决策支持系统（DSS）方法，用于大型银行各分支机构的特征选择、预测和人员效率优化。它是通过集成数据挖掘工具（RST、ANN、MLP、GA和CVTT）来实现的，并提出了DEA和K-均值算法。综合运用ANN和DEA方法，确定粗糙集理论产生的特征子集（约简）在决策过程中的重要性。ANN和DEA在工程案例研究中的应用太多了(Al-Omari amp; Al-Jarrah, 2004; Azadeh,Amalnick, Ghaderi, amp; Asadzadeh, 2007; Azadeh, Ghaderi, Anvari,amp; Saberi, 2006; Azadeh, Ghaderi, Anvari, amp; Saberi, 2007; Azadeh,Ghaderi, Anvari, Saberi, amp; Izadbakhsh, 2006; Azadeh, Ghaderi, amp;Izadbakhsh, 2007; Azadeh, Ghaderi, amp; Sohrabkhani, 2007; Azadeh,Ghaderi, Tarverdian, amp; Saberi, 2006; Azadeh, Ghaderi, Tarverdian,amp; Saberi, 2007; Fonseca amp; Navaresse, 2002)。
在选择最优约简后，开始构造决策支持系统，首先采用K-均值算法对效率值进行分组，然后用任意输入值执行优选神经网络。利用所提出的规则库，确定输出在可用组中的位置，并构造一个新的组。
本研究是Azadeh、Saberi、Reza和Leili（2011）先前研究的延伸。此外，先前的研究提出了一种综合数据包络分析人工神经网络粗糙集算法来评估人员效率，然而，本研究提出了一种基于先前方法和K-均值算法的决策支持系统方法来优化人员配置。此外，智能决策支持系统方法利用数据包络分析（DEA）和数据挖掘工具，包括粗糙集理论（RST）、人工神经网络（ANN）、交叉验证测试技术（CVTT）和K-Means算法来预测和优化人员效率。本文主要分为以下几个部分：第一部分讨论了DEA、ANN、RST和CVTT。第二部分讨论了智能决策支持系统的方法论。第三部分详细介绍了DSS的实验和结果。第四节讨论了决策支持系统的核心K-均值算法的实现。最后一部分是本文的结论。
1.1数据包络分析
数据包络分析（DEA）是一种非参数方法，它利用线性规划来计算给定决策单元集合（DUMs）中的效率，在0-1的范围内，用核心来计算构成前沿包络的DUMs、效率较低的DUMs和相对效率，当前沿企业获得1分时，DEA模型可以是投入型或产出型的，可以指定为规模报酬率（CRS）或规模报酬率（VRS）
1.2 DEA的基本模型
原始的分数CCR模型（1）评估DUMs（j=1，hellip;，n）的相对效率，每个模型分别用的m输入和s输出分别用X1j,X2j,...,Xmj and y1j, y2j, ... ,ysj, 表示(Charnes, Cooper, amp; Rhodes, 1978)。这是通过最大化输出加权和与输入加权和的比率来实现的：
图1 数学公式（1）
在模型（1）中，DUMo的效率是theta;o、Uo、Vo因子权重。然而，为了便于计算，分馏程序设计模型（1）用线性程序（LP）形式重新表示如下
图2 数学公式（2）
其中引入一个非阿基米德无穷小，以确保所有因子权重在解中都具有正值。模型（3）通过在输出为常数时最小化输入，分别评估DMU（j=1，hellip;，n）的相对效率。用于输入定向DCCR的线性规划对偶（LP）模型如下
图3 数学公式（3）
面向输出的CCR模型如下
图4 数学公式（4）
如果在模型（3）中加入，则可以得到以输入为导向的BCC模型，并且其返回比例是可变的。这些计算提供了一个最大的性能指标，在每个DMU上使用分段线性优化，相对于前沿的近距离观测。BCC面向输入模型的线性规划系统在表达式（5）中给出，而面向输出模型在表达式（6）中给出（Harnes等人，1994年）了解更多细节（Charnes等人，1978）
图5 数学公式（5
图6 数学公式（6）
1.3人工神经网络
人工神经网络（ANN）是一种受生物神经系统（如大脑）处理信息方式启发的信息处理范式。虽然不能模拟大脑，但在没有关于功能形式的理论证据的情况下，它们已经被应用。这样，ANN是基于数据的，而不是基于模型的。这种范式的核心要素是信息处理系统的新结构。它由大量高度互连的处理单元（神经元）组成，协同工作以解决特定问题。安妮和人们一样，都是以身作则。通过学习过程
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236251]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
