هدف: در قلمرو رزرواسیون مبتنی‌بر خدمات غذایی، سیستم‌های رزرواسیون دانشجویی و توزیع غذا در سلف‌سرویس‌های دانشگاه یک حوزه قابل توجه است زیرا با قیمت پایین خدمات تغذیه‌ای ناشی از یارانه دولتی، تراکنش‌های پرتعداد و انبوه ضایعات مواد غذایی مواجه هستیم. این در حالی است که مطالعه چنین ابعادی برای رزرواسیون و توزیع غذا در دانشگاه‌ها با رویکرد بهینه‌سازی و داده‌کاوی کمتر مورد توجه بوده است. روش: برای مدل‌سازی و حل مسأله از شبکه عصبی مصنوعی با تابع خطای موزون که به وسیله جستجوی الگوی تعمیم یافته جهت‌دهی می‌شود، استفاده شد. شاخص‌های مجموع رزرو، روز هفته، سطح قیمتی وعده، مجموع تعداد رزرو، تعداد رزرو به تفکیک مقطع تحصیلی، تعداد رزرو به تفکیک وضعیت اسکان و غذای مجاور به‌عنوان متغیرهای ورودی و شاخص خروجی نیز تعداد تقاضای واقعی غذا درنظر گرفته شد. یافته‌ها: داده‌های هفت سال اخیر مربوط به سامانه رزرواسیون سلف مرکزی یکی از دانشگاه‌های بزرگ کشور مورد بررسی قرار گرفت که سالانه به‌طور متوسط پتانسیل تولید ۵۶ هزار پرس غذای مازاد (بیش از ۲۳ هزار تن مواد غذایی) را دارد. با آموزش یک شبکه عصبی مصنوعی توأم با بهینه‌سازی GPS یک الگوریتم ترکیبی با تابع خطای موزون متناسب یافته شد تا در نهایت تولید روزانه غذای مازاد را بیش از ۸۰ درصد کاهش دهد. نتیجه‌گیری: با استفاده از مدل ارائه شده، می‌توان تخمین دقیق‌تری از تقاضای واقعی را حاصل کرد. مدل پیشنهادی ضمن معرفی شاخص‌های مؤثر بر تخمین تقاضا، در سطوح ریسک مختلف مورد انتظار دانشگاه قادر به تنظیم برآورد تقاضای واقعی است. این رویکرد پیش‌گیرانه، وعده‌های غذایی کنترل شده را فقط به میزان موردنیاز تولید و توزیع خواهد کرد تا از ضایعات مواد غذایی یا اتلاف بودجه عمومی کشور جلوگیری شود.

کلمات کلیدی