ตัวแบบโปรแกรมเป้าหมายที่มีหลายวัตถุประสงค์บนพื้นฐานของการจำแนกกลุ่มแบบเคมีน 1 มิติ ร่วมกับการตัดสินใจด้วยระบบอนุมานแบบฟัซซี่ สำหรับการจัดกลุ่มวัสดุคงคลัง

วิทยานิพนธ์ฉบับนี้นำเสนอวิธีการจำแนกกลุ่มวัสดุคงคลังโดยใช้แบบตัวแบบโปรแกรมเป้าหมายที่มีหลายวัตถุประสงค์ร่วมกับระบบอนุมานแบบฟัซซี่ (Fuzzy Inference System, FIS) โดยกำหนดค่าน้ำหนักของเกณฑ์ในการจัดลำดับความสำคัญผ่านวิธี CRITIC เพื่อเพิ่มความแม่นยำและความครอบคลุมของการจำแนกกลุ่มวัสดุคงคลัง โดยพิจารณาปัจจัยสำคัญอย่างรอบด้านในการวิจัยนี้ พิจารณาเกณฑ์ 4 ด้าน ได้แก่ มูลค่ารายปี (Annual Dollar Usage, ADU), ต้นทุนต่อหน่วย (Average Unit Cost, AUC), ระยะเวลาในการนำส่ง (Lead Time, LT) และความสำคัญของวัสดุ (Critical Factor, CF) คำนวณค่าน้ำหนักของแต่ละเกณฑ์ โดยใช้ข้อมูลวัสดุคงคลัง 47 รายการ จากงานวิจัยของ Flores et al. (1992) ในการศึกษา และชุดข้อมูลที่สร้างขึ้นแบบสุ่ม 9 ชุด ครอบคลุมระดับหนึ่ง ระดับสอง และระดับสาม (10–65 รายการ) เกณฑ์ต่าง ๆ จะถูกจัดลำดับความสำคัญตามค่าน้ำหนัก จากนั้นเกณฑ์ที่มีค่าน้ำหนักต่ำสุดจะถูกตัดออกจากการพิจารณา ทำให้เหลือเพียง 3 เกณฑ์เท่านั้น รายการวัสดุคงคลังทั้งหมดจะถูกทำให้เป็นค่ามาตรฐานเพื่อใช้ในระบบอนุมานแบบฟัซซี่ (FIS) โดยการออกแบบ FIS ให้มีอินพุต 3 ตัว คือเกณฑ์ที่ใช้ในการพิจารณา และเอาต์พุต 1 ตัว คือค่าดัชนีการแบ่งกลุ่มแบบฟัซซี่ (Fuzzy Cluster Index, FCI) ซึ่งอยู่ในช่วง 0.0 ถึง 0.1 มีการกำหนดกฎฟัซซี่ทั้งหมด 27 กฎ โดยอ้างอิงจากลำดับความสำคัญของเกณฑ์ที่ได้จากวิธี CRITIC ค่าดัชนีการแบ่งกลุ่มแบบฟัซซี่ (FCI) ที่ได้จะถูกนำไปใช้ในกระบวนการจำแนกกลุ่มด้วยตัวแบบโปรแกรมเป้าหมายที่มีหลายวัตถุประสงค์ บนพื้นฐานของการจำแนกกลุ่มแบบเคมีนหนึ่งมิติ วัตถุประสงค์ของงานวิจัยนี้คือการเพิ่มความคล้ายคลึงกันภายในกลุ่มให้สูงสุด (วัตถุประสงค์ที่ 1) และเพิ่มความแตกต่างกันระหว่างกลุ่มให้สูงสุด (วัตถุประสงค์ที่ 2) นอกจากนี้ยังมีการเสนอวิธีผ่อนปรนค่าเบี่ยงเบนทางบวกของวัตถุประสงค์แรกเพื่อเพิ่มประสิทธิภาพของวัตถุประสงค์ที่สอง โดยผู้ใช้สามารถปรับระดับความยืดหยุ่นนี้ให้สอดคล้องกับข้อจำกัดขององค์กรหรือธุรกิจได้ ผลลัพธ์จากวิธีการที่นำเสนอนี้ถูกนำมาเปรียบเทียบกับผลจากวิธีของ Flores et al. (1992) และวิธี ABC แบบดั้งเดิม ประสิทธิภาพของการจัดกลุ่มในการจำแนกวัสดุคงคลังถูกประเมินโดยใช้การวิเคราะห์ค่าเฉลี่ยของส่วนเบี่ยงเบนมาตรฐาน และตัวชี้วัดประสิทธิภาพการจัดกลุ่ม 3 ตัว ได้แก่ Silhouette Score (SS), Davies-Bouldin Index (DBI) และ Calinski-Harabasz Index (CHI) ผลการทดสอบประสิทธิภาพของการจำแนกวัสดุคงคลัง ซึ่งดำเนินการโดยการปรับค่าน้ำหนักของตัวชี้วัดแต่ละตัวในหลายกรณี แสดงให้เห็นว่าวิธีที่นำเสนอนั้นมีคะแนนเฉลี่ยโดยรวมค่าคะแนนแบบมาตรฐานเฉลี่ยถ่วงน้ำหนักสูงกว่าวิธีอื่นอีกสองวิธีในชุดข้อมูลทุกระดับ นอกจากนี้ วิธีที่นำเสนอยังมีค่าส่วนเบี่ยงเบนมาตรฐานเฉลี่ยโดยรวมของคะแนนแบบมาตรฐานเฉลี่ยถ่วงน้ำหนักต่ำกว่าวิธีอื่นอีกสองวิธี สรุปได้ว่าวิธีการจำแนกกลุ่มวัสดุคงคลังที่นำเสนอ ซึ่งผสานการพิจารณาน้ำหนักของเกณฑ์ ความคล้ายคลึงภายในกลุ่ม และความแตกต่างระหว่างกลุ่ม สามารถจำแนกกลุ่มวัสดุคงคลังได้อย่างแม่นยำ ครอบคลุมปัจจัยสำคัญอย่างครบถ้วน และแสดงให้เห็นถึงความเสถียรและประสิทธิภาพสูง

本研究提出一种结合多目标规划模型与模糊推理系统（Fuzzy Inference System, FIS）的库存物料分类方法，通过CRITIC法确定各评价指标的权重，以提升库存物料分类的准确性与覆盖范围。
本研究综合考量四类关键评价维度，分别为年度美元使用量（Annual Dollar Usage, ADU）、单位平均成本（Average Unit Cost, AUC）、补货提前期（Lead Time, LT）以及物料关键度（Critical Factor, CF）。

本研究采用两组数据集开展实验：其一为Flores等人（1992）的研究中包含的47条库存物料数据，其二为9组随机生成的数据集，覆盖10至65条物料的1、2、3级样本。随后根据各指标的权重完成优先级排序，剔除权重最低的指标，最终保留3项评价指标。所有库存物料数据将被标准化后输入模糊推理系统（FIS），本研究设计的FIS包含3项输入指标与1项输出指标——模糊聚类指数（Fuzzy Cluster Index, FCI），其取值范围为0.0至0.1，共设置27条模糊规则，规则制定参考CRITIC法得到的指标优先级。

所得模糊聚类指数将被用于多目标规划模型的聚类流程，基于一维化学聚类框架，本研究的优化目标包含两项：一是最大化组内相似度（目标1），二是最大化组间差异度（目标2）。此外，本研究还提出了对第一目标的正向偏差进行加权调整的方法，以优化第二目标的性能，用户可根据企业或业务的约束条件调整该柔性参数。

本研究将所提方法的分类结果与Flores等人（1992）的方法以及传统ABC分类法进行对比。库存物料分类的聚类性能通过标准差均值分析以及3项聚类评价指标进行评估，分别为轮廓系数（Silhouette Score, SS）、戴维斯-布尔丁指数（Davies-Bouldin Index, DBI）以及卡林斯基-哈拉巴斯指数（Calinski-Harabasz Index, CHI）。

通过多场景下调整指标权重的性能测试结果显示，在所生成的所有层级的数据集上，本研究方法的标准化加权平均总分均优于另外两种对比方法；同时，本方法的标准化加权平均总分的总体标准差均值也低于另外两种对比方法。

综上，本研究提出的融合指标权重、组内相似度与组间差异度的库存物料分类方法，能够实现准确且全面的库存物料聚类，同时具备较高的稳定性与综合性能。