fa بهینه سازی فرآیند با چند سطح پاسخ به وسیله شبکه‌های عصبی برمبنای مفهوم مطلوبیت سایر موضوعاتی که به مرزهای دانش در مهندسی صنایع و تولید کمک می کند Other related Industrial and production reserach subjects in which has direct relation to the state-of-the art of the IE پژوهشي Research <span lang="FA" dir="rtl" style="FONT-SIZE: 11pt FONT-FAMILY: Nazanin mso-fareast-font-family: 'Times New Roman' mso-ansi-language: EN-US mso-fareast-language: EN-US mso-bidi-language: FA mso-ascii-font-family: 'Times New Roman' mso-hansi-font-family: 'Times New Roman'">در این مقاله، روشی برای بهینه سازی فرآیند با چند سطح پاسخ به وسیله شبکه های عصبی پیشنهاد می شود که در آن از مفهوم مطلوبیت مقدار هر متغیر پاسخ جهت پیش بینی استفاده می کند. در این پژوهش شبکه پس انتشار پیش خور با دو لایه پنهان استفاده می شود. تعداد نرونهای لایه پنهان با استفاده از معیار میانگین مربع خطا برای داده های آموزش و تست تعیین می گردد. تعداد نرون های لایه اول برابر تعداد فاکتورها و تعداد نرونهای لایه آخر برابر تعداد سطوح پاسخ می باشند. پس از آموزش شبکه، مرحله پیش بینی با دادن سطوح مختلف به فاکتورها برای محاسبه مطلوبیت آزمایشهای مختلف به شبکه انجام می شود. در مرحله بعد مقادیر مطلوبیت کل محاسبه می گردد. آنگاه ترکیبی به عنوان بهینه انتخاب می شود که دارای بیشترین مطلوبیت کل باشد. در انتها برای نشان دادن قابلیت شبکه عصبی یک مثال عددی آورده می شود. نتایج این تحقیق نشان می دهد گرچه تعیین نوع شبکه عصبی مناسب زمان بر است ولی از لحاظ دقت نسبت به روش سطح پاسخ مناسب تر می باشد. در ضمن ترکیب بهینه به دست آمده از روش سطح پاسخ یکی از جوابهای بهینه به دست آمده از روش شبکه عصبی می باشد</span> <span style="FONT-SIZE: 10.5pt FONT-FAMILY: "Times New Roman" mso-fareast-font-family: 'Times New Roman' mso-ansi-language: EN-US mso-fareast-language: EN-US mso-bidi-language: FA"><em>In this paper, a method is proposed for Multiple Response Optimization (MRO) by neural networks and uses desirability of each response for forecasting. The used neural network is a feed forward back propagation one with two hidden layers. The numbers of neurons in the hidden layers are determined using MSE criterion for training and test data. The numbers on neurons of the first layer last layer are equal to the numbers of the factors and responses, respectively. After training the network, forecasting phase are done by giving different factor levels to calculate desirability of different experiments. Then total desirability is calculated. The optimal combination is which have the greatest total desirability. Finally, a numerical example is expressed to illustrate the capability of the neural network. The results of the research shows that although determining of suitable neural network is time consuming but have more accuracy than Response Surface Methodology (RSM). Also, the obtained optimal combination from RSM is one of optimal solution by neural network.</em></span> روش سطح پاسخ، بهینه سازی فرآیند با چند سطح پاسخ، تابع مطلوبیت، شبکه عصبی پس انتشار پیش‌خور Response Surface Methodology (RSM),Multiple Response Optimization (MRO), Desirability function,Feedforward backpropagation neural network 53 63 http://ijiepm.iust.ac.ir/browse.php?a_code=A-10-1-83&slc_lang=fa&sid=1 Mahdi Bashiri Bashiri@shahed.ac.ir 18003194753284600514 18003194753284600514 Yes Seyed Javad Hosseininezhad Hosseininezhad@iust.ac.ir 18003194753284600515 18003194753284600515 No