پیش‌بینی دقیق از عمر مفید باقیمانده تجهیزات مکانیکی، برای تعمیـرات و نگهداری وسایل ضروری است. تاکنون الگوریتم‌های داده‌محور زیادی ارائه شده است و نتایج خوبی در زمینه عیب‌یابی پیشگویانه حاصل شده است. در این مقاله با استفاده از الگوریتم فرا ابتکاری، بهینه‌سازی پارامترهای مربوطه انجام می‌شود، به‌طوری‌که از پنجره زمانی متحرک به‌همراه مدل ریاضی استفاده می‌شود. تنظیم پارامترهای مرتبط با داده‌ها در چارچوب بهینه‌سازی، اجازه استفاده از مدل‌های ساده مثل شبکه‌های عصبی با تعداد کمی لایه پنهان و تعداد کمی نورون در هر لایه را می‌دهد که در محیط‌هایی با منابع محدود نظیر سیستم‌های تعبیه‌شده قابل استفاده هستند. برای ارزیابی کارایی روش ارائه شده پیشنهادی، از شاخص امتیازدهی ریشه میانگین مربعات خطا و امتیاز سلامت عمر مفید استفاده شده است. بدین منظور مجموعه داده‌های تصادفی در نظر گرفته شده است که نتایج آن عمومیت و خاصیت مقیاس‌پذیری آن را نشان می‌دهد. با وجود استفاده از رگرسورها و الگوریتم‌های تکاملی خاص در این مطالعه، ترکیب‌های زیاد دیگری نیز امکان‌پذیر است و ممکن است برای کاربردهای متفاوت مناسب‌تر باشند. به‌علاوه این چارچوب عملاً برای ساخت مدل، یعنی ایجاد بهترین معماری شبکه عصبی ممکن متناسب با یک کاربرد خاص، قابل استفاده است. Manuscript profile

Data envelopment analysis (DEA) is a nonparametric method for evaluating the relative efficiency of decision making units (DMUs) described by multiple inputs and multiple outputs. The issue of measuring the cost, revenue and profit efficiency in manufacturing and economic systems is one of the most challenging issues for managers. This research, is an attempt to apply Data envelopment analysis and multi-objective programming in order to evaluate the profit efficiency of DMUs with the perspective of employment in banking sector. In order to address the issue, the proposed model employed the current values of cost and revenue efficiency in a way not only the cost and revenue scores are as close as possible to their best scores but also as far as possible from their worst values. In this case, the evaluated profit efficiency is fairer than compared with the existing methods. Furthermore, the proposed method can distinguish the differences of units which was evaluated as profit- efficient with the standard evaluation and may open some avenues to resolve the inefficiency sources. To illustrate the applicability of the proposed method a real case of Iranian bank was explored. Manuscript profile

Data envelopment analysis (DEA) is a nonparametric method for evaluating the relative efficiency of decision making units (DMUs) described by multiple inputs and multiple outputs. The issue of measuring the cost, revenue and profit efficiency in manufacturing and economic systems is one of the most challenging issues for managers. This research, is an attempt to apply Data envelopment analysis and multi-objective programming in order to evaluate the profit efficiency of DMUs with the perspective of employment in banking sector. In order to address the issue, the proposed model employed the current values of cost and revenue efficiency in a way not only the cost and revenue scores are as close as possible to their best scores but also as far as possible from their worst values. In this case, the evaluated profit efficiency is fairer than compared with the existing methods. Furthermore, the proposed method can distinguish the differences of units which was evaluated as profit- efficient with the standard evaluation and may open some avenues to resolve the inefficiency sources. To illustrate the applicability of the proposed method a real case of Iranian bank was explored Manuscript profile