<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>مروارید درخشان اندیشه</PublisherName>
				<JournalTitle>مهندسی و مدیریت کیفیت</JournalTitle>
				<Issn>3134-0849</Issn>
				<Volume>16</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>06</Month>
					<Day>01</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Development of an adaptive multi-criteria decision-making method based on a dynamic graph-based interval neutrosophic aggregation operator (DG-INFAO) with uncertainty-aware feedback learning</ArticleTitle>
<VernacularTitle>توسعه یک روش تصمیم‌گیری چندمعیاره تطبیقی مبتنی بر عملگر تجمیع نوتروسوفیک بازه‌ای پویای گراف‌محور (DG-INFAO) با یادگیری بازخوردی آگاه از عدم‌قطعیت</VernacularTitle>
			<FirstPage>141</FirstPage>
			<LastPage>170</LastPage>
			<ELocationID EIdType="pii">255098</ELocationID>
			
<ELocationID EIdType="doi">10.48313/jqem.2026.607372.1626</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>مریم</FirstName>
					<LastName>قندهاری</LastName>
<Affiliation>گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
<Identifier Source="ORCID">0009-0000-2593-8634</Identifier>

</Author>
<Author>
					<FirstName>سید اسماعیل</FirstName>
					<LastName>نجفی</LastName>
<Affiliation>گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
<Identifier Source="ORCID">0009-0009-8289-1006</Identifier>

</Author>
<Author>
					<FirstName>سید احمد</FirstName>
					<LastName>عدالت پناه</LastName>
<Affiliation>کالج دانشگاهی، دانشگاه کره، سئول ۰۲۸۴۱، کره جنوبی.</Affiliation>
<Identifier Source="ORCID">0000-0001-9349-5695</Identifier>

</Author>
<Author>
					<FirstName>سید مجتبی</FirstName>
					<LastName>سجادی</LastName>
<Affiliation>گروه مدیریت عملیات و اطلاعات، دانشگاه آستون، بیرمنگام، انگلستان.</Affiliation>
<Identifier Source="ORCID">0000-0002-2139-2053</Identifier>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>12</Month>
					<Day>05</Day>
				</PubDate>
			</History>
		    <Abstract>Purpose: Quality management in pharmaceutical supply chains requires the simultaneous evaluation of conflicting criteria, framework for pharmaceutical supplier selection that accounts for interdependencies among criteria and updates criterion weights based on performance among criteria, and uncertainty in decision-makers’ judgments. This study aims to develop an adaptive.Methodology: This study proposes the Dynamic Graph-Based Interval Neutrosophic Aggregation Operator with Uncertainty-Aware Feedback Learning (DG-INFAO) Multi-Criteria Decision-Making (MCDM) framework, which integrates graph-based aggregation with uncertainty-aware feedback learning. Within this framework, interval-valued trapezoidal neutrosophic numbers are used to represent uncertain evaluations, a graph structure is employed to model interdependencies among criteria, and an adaptive learning mechanism is used to update criterion weights. The framework is evaluated using simulated data for the selection of six pharmaceutical suppliers through convergence analysis, comparison with benchmark methods, ranking stability assessment, and sensitivity analysis.Findings: The results indicate that the algorithm converges after 358 iterations, with the Root Mean Square Error (RMSE) decreasing from 0.067405 to 0.066898. The third and fifth suppliers rank first and second, respectively. Sensitivity analyses involving the graph aggregation parameter and random perturbations of the graph structure confirm the stability of these two suppliers’ rankings across the scenarios examined. However, cross-validation does not demonstrate the superiority of the proposed framework across all evaluation metrics. Therefore, further investigation is required before the findings can be generalized to real-world data.Originality/Value: The main contribution of this study lies in integrating interval-valued neutrosophic evaluations, graph-based modeling of criterion interdependencies, and uncertainty-aware feedback learning within a unified framework. The framework’s added value is assessed through adaptive criterion-weight updating, ranking stability analysis, and sensitivity analysis of the results. Given the use of simulated data and the limited number of alternatives, the framework’s empirical validity and generalizability should be further examined in future studies using real-world data and larger decision-making sets.</Abstract>
			<OtherAbstract Language="FA">هدف: مدیریت کیفیت در زنجیره‌‌تامین دارویی مستلزم ارزیابی هم‌زمان معیارهای متعارض، وابستگی‌های متقابل و عدم‌قطعیت قضاوت‌های تصمیم‌گیرندگان است. هدف این پژوهش، توسعه چارچوبی تطبیقی برای انتخاب ‌تامین‌کنندگان دارویی با لحاظ وابستگی میان معیارها و به‌روزرسانی وزن‌ها بر اساس بازخورد عملکردی است. روش‌شناسی پژوهش: چارچوب تصمیم‌گیری چندمعیاره DG-INFAO بر پایه تجمیع گراف‌محور و یادگیری بازخوردی آگاه از عدم‌قطعیت ارایه می‌شود. در این چارچوب، اعداد نوتروسوفیک ذوزنقه‌ای بازه‌ای برای نمایش ارزیابی‌های نامطمئن، ساختار گرافی برای مدل‌سازی وابستگی معیارها و یادگیری تطبیقی برای به‌روزرسانی وزن‌ها به کار می‌روند. عملکرد روش در انتخاب شش ‌تامین‌کننده دارویی با داده‌های شبیه‌سازی‌شده، از طریق بررسی همگرایی، مقایسه با روش‌های مرجع، پایداری رتبه‌بندی و تحلیل حساسیت ارزیابی می‌شود.یافته‎ها: نتایج نشان می‌دهد الگوریتم پس از ۳۵۸ تکرار همگرا شده و مقدار RMSE از ۰٫۰۶۷۴۰۵ به ۰٫۰۶۶۸۹۸ کاهش یافته است. ‌تامین‌کنندگان سوم و پنجم به‌ترتیب رتبه‌های اول و دوم را کسب کرده‌اند. تحلیل حساسیت نسبت به پارامتر تجمیع‌گرافی و تغییرات تصادفی ساختار گراف نیز پایداری رتبه این دو ‌تامین‌کننده را در سناریوهای بررسی‌شده تایید می‌کند. بااین‌حال، اعتبارسنجی متقابل برتری روش را در همه شاخص‌ها نشان نمی‌دهد و تعمیم نتایج به داده‌های واقعی نیازمند بررسی بیشتر است.اصالت/ارزش‌افزوده علمی: نوآوری پژوهش در تلفیق ارزیابی‌های نوتروسوفیک بازه‌ای، مدل‌سازی گراف‌محور وابستگی معیارها و یادگیری بازخوردی آگاه از عدم‌قطعیت در چارچوبی یکپارچه است. ارزش‌افزوده روش با بررسی به‌روزرسانی تطبیقی وزن‌ها، پایداری رتبه‌بندی و حساسیت نتایج ارزیابی می‌شود. با توجه به استفاده از داده‌های شبیه‌سازی‌شده و محدود بودن تعداد گزینه‌ها، اعتبار تجربی و قابلیت تعمیم چارچوب باید در مطالعات آتی با داده‌های واقعی و مجموعه‌های بزرگ‌تر بررسی شود.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">اعداد نوتروسوفیک ذوزنقه‌ای بازه‌ای</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تصمیم‌گیری چندمعیاره</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">زنجیره‌‌تامین دارویی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مدیریت کیفیت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری مبتنی بر بازخورد</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.pqprc.ir/article_255098_83fd6f5b3964c9508a4b7ba70464d38b.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
