عنوان پایان‌نامه
پیش بینی تقاضا در شرکت ارج پلاستیک با استفاده از شبکه عصبی مصنوعی
- رشته تحصیلی
- مدیریت صنعتی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64421
- تاریخ دفاع
- ۱۹ اسفند ۱۳۹۲
- دانشجو
- ناهید زمانی
- استاد راهنما
- منصور مومنی
- چکیده
- تصمیمات کلیدی مربوط به تولید، مشخص کننده میزان رقابت و ظرفیت سازمان‌هاست تا بتوانند با برنامه‌ریزی موثر تغییرات در تقاضا را پیش‌بینی نموده و به تبع آن میزان تولید را برای مقابله با تغییرات تخمین بزنند. پیش‌بینی یکی از گام‌های اساسی برنامه‌ریزی تولید است. هر مدیری در تصمیم‌گیری‌های خود به نحوی با پیش‌بینی سر وکار دارد. در بیشتر شرکت‌های تولیدی مواد مصرفی، میزان تولید روزانه متغییر بوده و در قالب سری زمانی بیان می‌شوند. لذا انتخاب سیستم پیش‌بینی کننده دقیق میزان تولید اجتناب‌ناپذیر است. در پژوهش حاضر به پیش‌بینی تولید در شرکت ارج پلاستیک پرداخته شده است. در این راستا از داده‌های تولید هفتگی در دو سال اخیر استفاده شده است. و پنج محصول بر اساس قانون پارتو انتخاب شده‌اند. سپس با استفاده از برنامه نویسی در MATLAB و به کار بردن شبکه عصبیMLP به پیش‌بینی پرداخته شده است. در این پژوهش از الگوریتم BP استفاده شده و دو تابع و به عنوان توابع آموزش به کار گرفته شده‌اند. در آخر نتایج پیش‌بینی با استفاده از این دو تابع با یکدیگر مقایسه شده است. واژگان کلیدی: پیش‌بینی تقاضا - شبکه های عصبی MLP
- Abstract
- Abstract Basic decisions about production define organization compatibility and capacity in order to predict demand by effective planning. Managers deal with prediction in their decisions. In most consuming material producing firms, amount of daily production is available and is shown in time series format. Therefore selecting a precise production system is not avoidable. This research is about demand prediction in Arj Plastic Co. weekly production data in last two years for five products is used in demand forecasting. We used MLP neural network and MATLAB to simulate the trend. BP algorithm and two kinds of train functions are used in this research. The results of simulations are compared at the end. Key words: demand forecasting-MLP neural networks
