(A solution Approach to Fuzzy Sensitive Analysis with Application)(اسلوب حل تحليل الحساسية الغامض مع تطبيق)مناقشة
by
قاعة المؤتمرات
College of Science for Women
تم تطبيق المنهجية المقترحة على بيانات حقيقية من الشركة العامة لصناعة الجلود للفترة (١/١٢/٢٠٢٢ – ١/٣/٢٠٢٣)، حيث أظهرت النتائج أن استخدام الدوال الرتبية في التحليل الحساس يوفر إطارًا منظمًا لتتبع العلاقات بين المعاملات المختلفة، ويقلل من عدم اليقين، ويعزز موثوقية ودقة الحلول. كما أثبتت المقارنة مع التحليل الحساس الاعتيادي تفوق الطريقة المقترحة من حيث المرونة والقدرة على التعامل مع بيئات تتسم بالغموض
تهدف هذه الرسالة إلى معالجة المسائل الضبابية في بحوث العمليات من خلال تطبيق أسلوب التحليل الحساس بالاعتماد على خصائص الدوال الرتبية كأداة رياضية فعالة لضبط المتغيرات المؤثرة. اعتمدت الدراسة على دالة الانتماء الضبابية واقتراح عددين ضبابيين يحتويان سبع قيم اعتمادًا على دالة وزن واحدة (r) أو دالة وزنين (r, λ) لتعزيز مرونة مستويات الانتماء وتحسين دقة النماذج الضبابية. وذلك بأستخدام برنامج Win QSB
التقدير النهائي:جيد جدا.
The proposed methodology was applied to real data from the General Leather Company for the period (1/12/2022 – 1/3/2023). The results showed that the use of ranking functions in sensitivity analysis provides a structured framework for tracking the relationships among different parameters, reduces uncertainty, and enhances the reliability and accuracy of solutions. Moreover, the comparison with conventional sensitivity analysis demonstrated the superiority of the proposed approach in terms of flexibility and its ability to deal with environments characterized by vagueness and uncertainty.
This thesis aims to address fuzzy problems in operations research by applying sensitivity analysis based on the properties of ranking functions as an effective mathematical tool to control influential variables. The study relied on a fuzzy membership function and proposed two fuzzy numbers consisting of seven values, based on a single weight function (r) or a two-weight function (r, λ), to enhance the flexibility of membership levels and improve the accuracy of fuzzy models.
Very good
