DOI: https://doi.org/10.1007/s10462-025-11209-7
تاريخ النشر: 2025-04-22
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
في هذا البحث، يتم تقديم نهج جديد للشبكات العصبية الضبابية (FNN) لمعالجة مشاكل اتخاذ القرار متعددة المعايير (MCDM)، وخاصة لاختيار مقدمي خدمات اللوجستيات. يدمج النموذج الأعداد الضبابية المثلثية (TFNs) مع مشغل تجميع متوسط الوزن الضبابي المثلثي (TFEWA)، مما يعزز اتخاذ القرار في ظل عدم اليقين. يوضح البحث القوانين التشغيلية، ودوال الدرجات، ومقاييس مسافة هامينغ للأعداد الضبابية المثلثية، مما يضمن معالجة دقيقة لبيانات الإدخال الضبابية. يتم التعبير عن آراء الخبراء بشأن مقدمي خدمات اللوجستيات كأعداد ضبابية مثلثية ويتم معالجتها من خلال نموذج FNN، حيث يقوم مشغل TFEWA بتجميع هذه المدخلات لإنتاج قائمة مرتبة من مقدمي الخدمات بناءً على أدائهم عبر معايير متعددة.
تكشف النتائج أن النهج المقترح يتفوق على الطرق التقليدية لـ MCDM من حيث المرونة والدقة، خاصة في إدارة البيانات غير المؤكدة. يحدد النموذج بشكل فعال C.H. Robinson Worldwide كأفضل مزود لخدمات اللوجستيات بناءً على معايير تقييم شاملة. يبرز البحث موثوقية مشغل TFEWA في تجميع آراء الخبراء، مما يساهم في نظام دعم قرار قوي. ستركز الأعمال المستقبلية على تحسين نموذج FNN لمعالجة التعقيد الحسابي، واستكشاف إصدارات خفيفة، وتعزيز طرق حساب الوزن لتحسين الدقة والموثوقية في سيناريوهات اتخاذ القرار الأكثر تعقيدًا.
مقدمة
تناقش مقدمة ورقة البحث دور مقدمي خدمات اللوجستيات من الطرف الثالث (3PL) في إدارة سلسلة التوريد للأعمال، وخاصة في سياق التجارة الإلكترونية واسعة النطاق. تبرز التعقيد المتضمن في اختيار مزود خدمة اللوجستيات (LSP) الأكثر ملاءمة بسبب المتطلبات اللوجستية المتنوعة والتكاليف المرتبطة بها. توضح الورقة نموذج سلسلة توريد 3PL الذي يتضمن ثلاثة شركاء رئيسيين: الشاحن/المصنع، مزود اللوجستيات، والعميل. تؤكد على الحاجة إلى أطر اتخاذ قرار فعالة، خاصة في ضوء التقنيات الناشئة مثل المركبات المستقلة وزيادة تعقيد عمليات اللوجستيات.
يقترح المؤلفون نموذج شبكة عصبية ضبابية جديدة تستخدم الأعداد الضبابية المثلثية لتعزيز اتخاذ القرار في سيناريوهات اتخاذ القرار متعددة المعايير (MCDM)، وخاصة لتقييم مقدمي خدمات اللوجستيات. يهدف هذا النموذج إلى معالجة قيود الطرق التقليدية من خلال دمج مشغل التجميع أينشتاين، الذي يحسن التعامل مع المعايير المتعددة وتمثيل عدم اليقين في بيانات الأداء. يسعى البحث إلى تقديم نهج أكثر مرونة ودقة في اتخاذ القرار، مما يساعد الشركات في اختيار أفضل مقدمي خدمات اللوجستيات أثناء التنقل في تعقيدات تحديات اللوجستيات الحديثة.
طرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لاستغلال شبكة عصبية ضبابية مثلثية (TFNN) لمعالجة مشاكل اتخاذ القرار متعددة المعايير (MCDM). تدمج TFNN الشبكات العصبية الضبابية (FNNs) مع المعلومات الضبابية المثلثية، مستفيدة من نقاط القوة في المنطق الضبابي لإدارة عدم اليقين والغموض الموجود في البيانات الواقعية. تعزز FNNs الشبكات العصبية التقليدية من خلال دمج المنطق الضبابي، الذي يتقن تفسير البيانات غير الثنائية المميزة بدرجات متفاوتة من الحقيقة. تجعل هذه القدرة TFNNs مناسبة بشكل خاص للتعامل مع السيناريوهات المعقدة التي تتضمن أحكامًا نوعية ومعلومات غير مؤكدة.
تبدأ المنهجية بإنشاء أنظمة المعلومات الضبابية المثلثية، المشار إليها بـ $\eta_r = \{\eta_1, \eta_2, \ldots, \eta_l\}$، حيث يمثل $l$ عدد مدخلات الخبراء. بالإضافة إلى ذلك، يتم تعريف مجموعة من البدائل $M = \{M_1, M_2, \ldots, M_m\}$، جنبًا إلى جنب مع مجموعة محدودة من المعايير $\langle = \{\langle_1, \langle_2, \ldots, \langle_n\}$. ثم يتم هيكلة TFNN لمعالجة هذه المعلومات من خلال سلسلة من الخطوات المحددة، مما يسهل التقييم الفعال للبدائل بناءً على المعايير المحددة، وبالتالي معالجة تعقيدات مشاكل MCDM.
نتائج
في هذا القسم، يتم تقديم نتائج تحليل الشبكة العصبية الضبابية المثلثية (TFNN) واختيار مزود خدمة اللوجستيات الأمثل (LSP). ساهم ثلاثة متخصصين في تقييماتهم لمقدمي خدمات اللوجستيات المختلفة، والتي تم تجميعها في مصفوفات المعلومات. تم تمثيل التقييمات باستخدام الأعداد الضبابية المثلثية (TFNs)، مما يسمح بالتعبير عن رأي كل خبير كـ triplet يتكون من حد أدنى، وقيمة الأكثر احتمالًا، وحد أعلى. تلتقط هذه الطريقة بشكل فعال عدم اليقين والذاتية الموجودة في تقييمات الخبراء.
يعزز استخدام TFNs المرونة والشمولية في تقييمات الأداء لمقدمي خدمات اللوجستيات. من خلال استيعاب الغموض في أحكام المتخصصين، تسهل المنهجية تحليلًا أكثر دقة لمقدمي خدمات اللوجستيات، مما يساعد في النهاية في تحديد المزود الأكثر ملاءمة بناءً على آراء الخبراء المجمعة.
نقاش
يحدد قسم النقاش في ورقة البحث هيكل ومكونات رئيسية للمقال، موضحًا تنظيم المحتوى عبر الأقسام المختلفة. يبدأ بمقدمة عن الأعداد الضبابية المثلثية (TFNs)، ودوال الدرجات، ومقياس مسافة هامينغ، تليها القوانين التشغيلية ومشغلات التجميع ذات الصلة بـ TFNs. يتقدم المقال من خلال تنفيذ شبكة عصبية ضبابية مثلثية (TFNN) في مشاكل اتخاذ القرار متعددة المعايير (MCDM)، مع تحليل خاص لمقدمي خدمات اللوجستيات (LSPs) وتقديم نتائج تحدد المزود الأمثل بناءً على المعايير المحددة.
تؤكد الورقة على مزايا استخدام TFNs والشبكات العصبية الضبابية لإدارة عدم اليقين في عمليات اتخاذ القرار. تتضمن تحليلًا مقارنًا للنموذج المقترح مقابل الطرق المعتمدة لـ MCDM، مما يظهر فعاليته في تقييم مقدمي خدمات اللوجستيات بناءً على آراء الخبراء وأوزان المعايير المحددة مسبقًا. تشير النتائج إلى أن نموذج TFNN يحدد بنجاح أفضل مزود لخدمات اللوجستيات، مما يظهر إمكانيته في تعزيز اتخاذ القرار في السيناريوهات المعقدة. بشكل عام، يوفر المقال إطارًا شاملاً لاستخدام المنطق الضبابي في السياقات التشغيلية، مع آثار على الأبحاث المستقبلية والتطبيقات العملية في إدارة اللوجستيات وسلسلة التوريد.
القيود
في هذا القسم، يتم توضيح قيود النموذج الضبابي المثلثي المقترح (TFNN) لاتخاذ القرار في البيئات المعقدة وغير المؤكدة. أولاً، تعتمد فعالية النموذج بشكل كبير على توفر بيانات إدخال كاملة ودقيقة؛ أي بيانات مفقودة أو غير مكتملة يمكن أن تؤثر بشكل كبير على فعاليته، خاصة في التطبيقات مثل التخطيط الحضري حيث قد تكون البيانات البيئية مفقودة.
ثانيًا، يظهر نموذج TFNN تعقيدًا حسابيًا عاليًا، مما يمكن أن يشكل تحديات عند معالجة مشاكل كبيرة النطاق أو عند تقييم العديد من البدائل عبر معايير متعددة، كما هو الحال في مجالات مثل هندسة الطيران. يتطلب ذلك موارد حسابية كبيرة، مما قد يحد من قابليته للتطبيق العملي. أخيرًا، يتم تسليط الضوء على حساسية النموذج للطرق المستخدمة في حساب المعايير وأوزان الطبقة المخفية، مما يشير إلى أن الأخطاء في هذه الحسابات يمكن أن تؤثر سلبًا على الفعالية العامة للنموذج.
DOI: https://doi.org/10.1007/s10462-025-11209-7
Publication Date: 2025-04-22
Author(s): Zhenyun Du et al.
Primary Topic: Multi-Criteria Decision Making
Overview
In this research, a novel fuzzy neural network (FNN) approach is introduced to tackle multi-criteria decision-making (MCDM) problems, specifically for selecting logistics service providers. The model integrates triangular fuzzy numbers (TFNs) with a triangular fuzzy Einstein weighted averaging (TFEWA) aggregation operator, enhancing decision-making under uncertainty. The study elaborates on the operational laws, score functions, and Hamming distance measures for TFNs, ensuring accurate processing of fuzzy input data. Expert opinions regarding logistics providers are expressed as TFNs and processed through the FNN model, with the TFEWA operator aggregating these inputs to produce a ranked list of providers based on their performance across multiple criteria.
The findings reveal that the proposed approach outperforms traditional MCDM methods in terms of flexibility and accuracy, particularly in managing uncertain data. The model effectively identifies C.H. Robinson Worldwide as the top logistics service provider based on comprehensive evaluation criteria. The research underscores the reliability of the TFEWA operator in aggregating expert opinions, contributing to a robust decision support system. Future work will focus on optimizing the FNN model to address computational complexity, exploring lightweight versions, and enhancing weight calculation methods to improve accuracy and robustness in more complex decision-making scenarios.
Introduction
The introduction of the research paper discusses the role of third-party logistics (3PL) providers in managing the supply chain for businesses, particularly in the context of large-scale e-commerce. It highlights the complexity involved in selecting the most suitable logistics service provider (LSP) due to varying logistical requirements and associated costs. The paper outlines a 3PL supply chain model involving three key partners: the shipper/manufacturer, the logistics provider, and the customer. It emphasizes the need for efficient decision-making frameworks, particularly in light of emerging technologies such as autonomous vehicles and the increasing complexity of logistics operations.
The authors propose a novel fuzzy neural network model that utilizes triangular fuzzy numbers to enhance decision-making in multi-criteria decision-making (MCDM) scenarios, particularly for evaluating logistics service providers. This model aims to address the limitations of traditional methods by integrating the Einstein aggregation operator, which improves the handling of multiple criteria and the representation of uncertainty in performance data. The research seeks to provide a more flexible and accurate approach to decision-making, ultimately aiding companies in selecting the best LSPs while navigating the complexities of modern logistics challenges.
Methods
In this section, the authors outline the methodology employed for utilizing a triangular fuzzy neural network (TFNN) to address multi-criteria decision-making (MCDM) problems. The TFNN integrates fuzzy neural networks (FNNs) with triangular fuzzy information, leveraging the strengths of fuzzy logic to manage uncertainty and ambiguity inherent in real-world data. FNNs enhance traditional neural networks by incorporating fuzzy logic, which is adept at interpreting non-binary data characterized by varying degrees of truth. This capability makes TFNNs particularly suitable for handling complex scenarios that involve qualitative judgments and uncertain information.
The methodology begins with the establishment of the triangular fuzzy information systems, denoted as $\eta_r = \{\eta_1, \eta_2, \ldots, \eta_l\}$, where $l$ represents the number of expert inputs. Additionally, a set of alternatives $M = \{M_1, M_2, \ldots, M_m\}$ is defined, along with a finite set of criteria $\langle = \{\langle_1, \langle_2, \ldots, \langle_n\}$. The TFNN is then structured to process this information through a series of defined steps, which facilitate the effective evaluation of alternatives based on the specified criteria, thereby addressing the complexities of MCDM problems.
Results
In this section, the results of the triangular fuzzy neural network (TFNN) analysis and the selection of the optimal logistics service provider (LSP) are presented. Three specialists contributed their evaluations of various LSPs, which were compiled into information matrices. The assessments were represented using triangular fuzzy numbers (TFNs), allowing each expert’s opinion to be expressed as a triplet comprising a lower limit, a most probable value, and an upper limit. This approach effectively captures the uncertainty and subjectivity inherent in the experts’ evaluations.
The use of TFNs enhances the flexibility and comprehensiveness of the performance assessments for the logistics service providers. By accommodating the ambiguity in the specialists’ judgments, the methodology facilitates a more nuanced analysis of the LSPs, ultimately aiding in the identification of the most suitable provider based on the aggregated expert opinions.
Discussion
The discussion section of the research paper outlines the structure and key components of the article, detailing the organization of content across various sections. It begins with an introduction to triangular fuzzy numbers (TFNs), their score functions, and the Hamming distance measure, followed by operational laws and aggregation operators relevant to TFNs. The article progresses through the implementation of a triangular fuzzy neural network (TFNN) in multi-criteria decision-making (MCDM) problems, specifically analyzing logistics service providers (LSPs) and presenting results that identify the optimal provider based on defined criteria.
The paper emphasizes the advantages of using TFNs and fuzzy neural networks to manage uncertainties in decision-making processes. It includes a comparative analysis of the proposed model against established MCDM methods, demonstrating its effectiveness in evaluating LSPs based on expert opinions and predefined criteria weights. The findings indicate that the TFNN model successfully identifies the best logistics service provider, showcasing its potential for enhancing decision-making in complex scenarios. Overall, the article provides a comprehensive framework for utilizing fuzzy logic in operational contexts, with implications for future research and practical applications in logistics and supply chain management.
Limitations
In this section, the limitations of the proposed triangular fuzzy neural model (TFNN) for decision-making in complex and uncertain environments are outlined. Firstly, the model’s performance is heavily dependent on the availability of complete and accurate input data; any missing or incomplete data can significantly impair its effectiveness, particularly in applications such as urban planning where environmental data may be lacking.
Secondly, the TFNN model exhibits high computational complexity, which can pose challenges when addressing large-scale problems or when evaluating numerous alternatives across multiple criteria, as seen in fields like aerospace engineering. This necessitates substantial computational resources, potentially limiting its practical applicability. Lastly, the model’s sensitivity to the methods used for calculating criteria and hidden layer weights is highlighted, indicating that inaccuracies in these calculations can adversely affect the model’s overall effectiveness.