يك شبكه عصبي بازگشتي براي تشخيص واحدهاي تصميم گيرنده كارا در تحليل پوششي داده ها

A Recurrent Neural Network to Identify Efficient Decision Making Units in Data Envelopment Analysis

در اين مقاله ما يك مدل شبكه عصبي براي تشخيص واحدهاي تصميم­گيرنده كارا در تحليل پوششي داده­ها معرفي مي­كنيم. مدل شبكه عصبي پيشنهادي از يك مسئله بهينه­سازي نامقيد حاصل مي­شود. از ديدگاه تئوري نشان داده مي­شود شبكه عصبي پيشنهادي داراي پايداري لياپانف و همگراي سراسري مي­باشد. مدل پيشنهادي تك لايه مي­باشد. شبيه­سازي نشان مي­دهد مدل پيشنهادي قادر به تشخيص واحدهاي كارا در تحليل پوششي داده­ها مي­باشد.

In this paper we present a recurrent neural network model to recognize efficient Decision Making Units(DMUs) in Data Envelopment Analysis(DEA). The proposed neural network model is derived from an unconstrained minimization problem. In theoretical aspect، it is shown that the proposed neural network is stable in the sense of lyapunov and globally convergent. The proposed model has a single-layer structure. Simulation shows that the proposed model is effective to identify efficient DMUs in DEA.