fa ارایه الگوریتم فراابتکاری برای حل مسایل با ابعاد بزرگ در تحلیل پوششی داده‌ها تخصصي Special پژوهشي Research <span style="font-size:11pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="line-height:normal"><span style="text-autospace:none"><span style="direction:rtl"><span style="unicode-bidi:embed"><span calibri="" style="font-family:"><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">در روش سنتی تحلیل پوششی داده‌ها (</span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">DEA</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">) برای مجموعه </span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">n</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar=""> واحد تصمیم‌گیری (</span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">DMUs</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">) مدلی استاندارد از </span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">DEA</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar=""> باید </span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">n</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar=""> بار (هربار برای یک </span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">DMU</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">) حل شود. با افزایش </span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">DMUs</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar=""> زمان مورد نیاز به شدت افزایش می‌یابد به‌طوری‌که حتی با استفاده از کامپیوترهای با سرعت بالا به محاسبات و زمان پردازش بسیار زیاد مورد نیاز است.</span></span> <span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">همچنین با توجه به محدودیت‌های نرم‌افزارهای موجود برای حل مدل‌های برنامه‌ریزی خطی از لحاظ تعداد محدودیت‌ها و همچنین تجمیع خطای حاصل از محاسبات، با افزایش تعداد محدودیت‌ها، ممکن است نتایج قابل قبول از محاسبات حاصل نشود. در این مقاله برای رفع این مشکلات الگوریتمی فراابتکاری ارایه شده و با ترکیب آن با الگوریتم گرادیان کاهشی (افزایشی) برای شروع با نقاط به اندازه کافی نزدیک به نقطه بهینه&nbsp; نتایج قابل قبول برای محاسبه‌ی کارایی تعداد زیاد واحدهای </span></span><span dir="LTR" lang="EN-US" style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">DMU</span></span><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar=""> در زمان مناسب ارایه می‌شود.</span></span></span></span></span></span></span></span></span></span><br> &nbsp; <span style="font-size:11pt"><span style="line-height:normal"><span calibri="" style="font-family:">Data Envelopment Analysis (DEA) is one of the most widely used methods for evaluating the relative efficiency of Decision Making Units (DMUs). In conventional DEA, the optimization model must be solved separately for each DMU, resulting in a significant increase in computational time as the number of units grows. Furthermore, the limitations of linear programming solvers and the accumulation of numerical errors reduce the applicability of exact approaches for large-scale problems. This paper proposes a novel deterministic population-based metaheuristic algorithm to efficiently estimate the efficiency scores of large-scale DEA problems. The proposed approach incorporates an increasing gradient strategy to generate high-quality initial solutions close to the optimal region, thereby accelerating convergence and improving solution quality. Computational experiments conducted on randomly generated datasets and a real-world case study demonstrate that the proposed algorithm provides accurate and stable efficiency estimates within a reasonable computational time, making it suitable for large-scale DEA applications. &nbsp;</span></span></span><br> &nbsp; تحلیل پوششی داده‌ها, کارایی, الگوریتم فراابتکاری, مسایل ابعاد بزرگ. Data Envelopment Analysis (DEA), Metaheuristic Algorithm, Large-Scale Optimization, Decision Making Units, Efficiency Evaluation, BCC Model. 0 0 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-30-4&slc_lang=fa&sid=1 A. Dormishi احمد درمیشی ahmaddormishi@yahoo.com 100319475328460011833 100319475328460011833 No Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Ira گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران F. Hosseinzadeh Lotfi فرهاد حسین زاده لطفی farhad@hosseinzadeh.ir 100319475328460011834 100319475328460011834 Yes Department of Mathematics, SR.C., Islamic Azad University, Tehran, Iran گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران B. Rahmani Parchikolaei بیژن رحمانی پرچکلایی bijanrah40@gmail.com 100319475328460011835 100319475328460011835 No Department of Mathematics, SR.C., Islamic Azad University, Tehran, Iran گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران E. Najafi سید اسماعیل نجفی najafi1515@yahoo.com 100319475328460011836 100319475328460011836 No Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Iran گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران A. Azizi امیر عزیزی azizi@srbiau.ac.ir 100319475328460011837 100319475328460011837 No Department of Industrial Engineering, SR.C., Islamic Azad University, Tehran, Iran گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران