سیستم استنتاج فازی عصبی (ANFIS) به زبان ساده| مثال در متلب

مقدمه

در دهه‌های اخیر با افزایش حجم داده‌ها و پیچیده‌تر شدن سیستم‌های تصمیم‌گیری، استفاده از روش‌های هوش مصنوعی در علوم مدیریتی و مهندسی صنایع اهمیت زیادی پیدا کرده است. بسیاری از مسائل مدیریتی مانند پیش‌بینی عملکرد سازمان، تحلیل رفتار مشتریان، ارزیابی ریسک، یا پیش‌بینی تقاضا دارای روابط غیرخطی و پیچیده هستند که مدل‌های آماری سنتی به‌تنهایی قادر به تحلیل دقیق آن‌ها نیستند.

یکی از روش‌های قدرتمند در این حوزه سیستم استنتاج فازی عصبی (Adaptive Neuro-Fuzzy Inference System یا ANFIS) است. این روش ترکیبی از دو رویکرد مهم در هوش مصنوعی یعنی شبکه‌های عصبی مصنوعی و منطق فازی است. هدف از این ترکیب، استفاده از مزایای هر دو روش برای ایجاد مدلی است که هم توانایی یادگیری داشته باشد و هم بتواند با عدم قطعیت و ابهام موجود در داده‌ها کار کند.

در حوزه‌هایی مانند مدیریت، مهندسی صنایع، تحلیل داده‌های سازمانی و تصمیم‌گیری هوشمند، ANFIS به عنوان یک ابزار قدرتمند برای مدلسازی روابط پیچیده بین متغیرها شناخته می‌شود. همچنین در پژوهش‌های جدید، پژوهشگران تلاش می‌کنند این مدل را با روش‌های آماری پیشرفته مانند مدلسازی معادلات ساختاری (SEM) و نرم‌افزارهایی مانند SmartPLS ترکیب کنند.

در ادامه این مقاله، به بررسی کامل سیستم استنتاج فازی عصبی، ساختار آن، نحوه عملکرد، مزایا، محدودیت‌ها و کاربردهای آن در حوزه مدیریت و مهندسی صنایع می‌پردازیم. 

در ویدیوی زیر توضیحات کامل ANFIS به یک مثال به زبان ساده آورده شده است

سیستم استنتاج فازی عصبی (ANFIS) چیست؟

سیستم استنتاج فازی عصبی یا ANFIS یک مدل هوشمند ترکیبی است که برای مدلسازی روابط پیچیده و غیرخطی میان متغیرها طراحی شده است. این سیستم اولین بار توسط Jang (1993) معرفی شد و از آن زمان به یکی از روش‌های محبوب در حوزه یادگیری ماشین و سیستم‌های هوشمند تبدیل شده است.

در واقع ANFIS ترکیبی از دو مفهوم اساسی است:

• منطق فازی (Fuzzy Logic)
• شبکه‌های عصبی مصنوعی (Neural Networks)

منطق فازی

منطق فازی برای مدلسازی مفاهیمی استفاده می‌شود که مرزهای دقیقی ندارند. برای مثال مفاهیمی مانند:

• رضایت مشتری
• کیفیت خدمات
• عملکرد سازمان

این مفاهیم معمولاً به صورت دقیق قابل اندازه‌گیری نیستند و دارای درجات مختلفی هستند. منطق فازی این امکان را فراهم می‌کند که چنین متغیرهایی با استفاده از توابع عضویت و قواعد فازی مدل‌سازی شوند.

شبکه‌های عصبی

شبکه‌های عصبی مصنوعی از ساختار مغز انسان الهام گرفته‌اند و قادرند از داده‌ها الگوهای پنهان را یاد بگیرند. این شبکه‌ها با استفاده از فرآیند آموزش می‌توانند روابط پیچیده میان متغیرها را کشف کنند.

ترکیب رویکرد فازی و شبکه عصبی

ANFIS با ترکیب این دو روش تلاش می‌کند:

• از توانایی یادگیری شبکه‌های عصبی
• و قابلیت استدلال منطق فازی

به طور همزمان استفاده کند.

نتیجه این ترکیب، مدلی است که می‌تواند روابط پیچیده و غیرخطی را با دقت بالایی مدل‌سازی کند.

تفاوت ANFIS با FIS

در حوزه سیستم‌های هوشمند و مدل‌سازی فازی، دو مفهوم FIS (Fuzzy Inference System) و ANFIS (Adaptive Neuro-Fuzzy Inference System) بسیار مورد استفاده قرار می‌گیرند. اگرچه هر دو بر پایه منطق فازی طراحی شده‌اند، اما از نظر ساختار، نحوه یادگیری و قابلیت تطبیق با داده‌ها تفاوت‌های مهمی دارند. درک این تفاوت‌ها برای پژوهشگران مدیریت و مهندسی صنایع اهمیت زیادی دارد؛ زیرا انتخاب روش مناسب می‌تواند بر دقت تحلیل و کیفیت نتایج پژوهش تأثیر بگذارد.

سیستم استنتاج فازی (FIS) چیست؟

سیستم استنتاج فازی (FIS) یک چارچوب مبتنی بر منطق فازی است که برای مدل‌سازی و تصمیم‌گیری در شرایط عدم قطعیت استفاده می‌شود. در این سیستم، دانش انسانی به صورت قواعد فازی (If–Then) تعریف می‌شود. به عنوان مثال:

اگر رضایت مشتری بالا و کیفیت خدمات زیاد باشد، آنگاه وفاداری مشتری بالا خواهد بود.

در FIS معمولاً مراحل زیر وجود دارد:

• فازی‌سازی ورودی‌ها
• اعمال قواعد فازی
• استنتاج فازی
• غیرفازی‌سازی (Defuzzification)

در این روش، قواعد و توابع عضویت معمولاً توسط متخصصان حوزه موضوعی تعریف می‌شوند و سیستم به‌صورت خودکار از داده‌ها یاد نمی‌گیرد.

تفاوت‌های اصلی ANFIS و FIS

ANFIS در واقع نسخه‌ای پیشرفته‌تر از FIS است که منطق فازی را با شبکه‌های عصبی مصنوعی ترکیب می‌کند. در این مدل، سیستم قادر است با استفاده از داده‌های واقعی، پارامترهای خود را به صورت خودکار تنظیم کند.

به عبارت دیگر، ANFIS از قابلیت‌های زیر برخوردار است:

• یادگیری از داده‌ها
• تنظیم خودکار توابع عضویت
• بهینه‌سازی قواعد فازی
• مدل‌سازی روابط غیرخطی پیچیده

در نتیجه، ANFIS می‌تواند بدون نیاز به تعریف دستی همه قواعد، ساختار بهینه سیستم را از طریق فرآیند یادگیری استخراج کند.

مهم‌ترین تفاوت‌های این دو رویکرد را می‌توان در چند محور اصلی بررسی کرد:

۱. قابلیت یادگیری

در FIS قواعد و توابع عضویت به صورت دستی تعریف می‌شوند و سیستم قابلیت یادگیری خودکار ندارد. اما در ANFIS از الگوریتم‌های یادگیری استفاده می‌شود و مدل می‌تواند پارامترهای خود را بر اساس داده‌ها تنظیم کند.

۲. دقت مدل‌سازی

به دلیل استفاده از شبکه‌های عصبی و الگوریتم‌های بهینه‌سازی، ANFIS معمولاً دقت بالاتری در پیش‌بینی و مدل‌سازی داده‌های پیچیده دارد. در مقابل، دقت FIS بیشتر به کیفیت قواعد تعریف‌شده توسط متخصص بستگی دارد.

۳. انعطاف‌پذیری در تحلیل داده‌ها

ANFIS به دلیل ساختار تطبیقی خود، برای تحلیل داده‌های بزرگ و روابط غیرخطی مناسب‌تر است. اما FIS بیشتر در سیستم‌های تصمیم‌گیری مبتنی بر دانش انسانی کاربرد دارد.

۴. پیچیدگی محاسباتی

FIS از نظر ساختاری ساده‌تر است و محاسبات کمتری نیاز دارد. در مقابل، ANFIS به دلیل فرآیند آموزش و تنظیم پارامترها پیچیده‌تر است و معمولاً به داده‌های بیشتری نیاز دارد.

مثال کاربردی در مدیریت و مهندسی صنایع

فرض کنید یک پژوهشگر می‌خواهد عملکرد زنجیره تأمین را بر اساس متغیرهایی مانند کیفیت تأمین‌کننده، زمان تحویل و هزینه لجستیک پیش‌بینی کند.

در روش FIS، پژوهشگر باید مجموعه‌ای از قواعد فازی را به صورت دستی طراحی کند. برای مثال:

اگر کیفیت تأمین‌کننده بالا و زمان تحویل کم باشد، عملکرد زنجیره تأمین مطلوب است.

اما در روش ANFIS، سیستم با استفاده از داده‌های واقعی زنجیره تأمین می‌تواند این روابط را به صورت خودکار یاد بگیرد و حتی قواعد بهینه را استخراج کند. این موضوع باعث افزایش دقت پیش‌بینی در مدل‌های مدیریتی می‌شود.

جمع‌بندی

به طور کلی، FIS یک سیستم مبتنی بر دانش انسانی است، در حالی که ANFIS یک سیستم یادگیرنده مبتنی بر داده‌ها محسوب می‌شود. ترکیب منطق فازی با شبکه‌های عصبی در ANFIS باعث شده است این روش در بسیاری از پژوهش‌های پیشرفته مدیریت، مهندسی صنایع و سیستم‌های هوشمند به عنوان یک ابزار قدرتمند برای مدل‌سازی، پیش‌بینی و تصمیم‌گیری مورد استفاده قرار گیرد. در شکل زیر تفاوت FIS و ANFIS به صورت اینفوگرافی آورده شده است.

ساختار و اجزای سیستم ANFIS

سیستم استنتاج فازی عصبی (ANFIS) ترکیبی از منطق فازی و شبکه عصبی مصنوعی است. این سیستم تلاش می‌کند مانند ذهن انسان تصمیم‌گیری کند و هم‌زمان توانایی یادگیری از داده‌ها را نیز داشته باشد. ساختار ANFIS معمولاً به‌صورت یک شبکه پنج‌لایه‌ای نمایش داده می‌شود که هر لایه وظیفه مشخصی در فرآیند تحلیل و تصمیم‌گیری دارد. اطلاعات از لایه اول وارد سیستم شده و پس از عبور از مراحل مختلف، در نهایت خروجی نهایی تولید می‌شود.

لایه اول: فازی‌سازی (Fuzzification)

در اولین مرحله، داده‌های ورودی به مقادیر فازی تبدیل می‌شوند. در واقع سیستم تلاش می‌کند داده‌های عددی را به مفاهیمی شبیه درک انسانی تبدیل کند. برای مثال فرض کنید ورودی سیستم «کیفیت خدمات» باشد. اگر مقدار کیفیت خدمات برابر 80 باشد، سیستم به‌جای اینکه فقط عدد 80 را ببیند، بررسی می‌کند که این عدد تا چه اندازه:

• پایین است
• متوسط است
• یا بالا است

بنابراین هر ورودی دارای چند تابع عضویت فازی خواهد بود.

مثال ساده

فرض کنید:

• کیفیت 20 ← بیشتر در گروه «پایین»
• کیفیت 50 ← تا حدی «متوسط»
• کیفیت 90 ← بیشتر «بالا»

باشد.

در این مرحله، هر داده عددی به درجه عضویت بین صفر تا یک تبدیل می‌شود.

برای انجام این کار از توابع عضویت استفاده می‌شود که رایج‌ترین آن‌ها عبارت‌اند از:

• Gaussian (گاوسی)
• Triangular (مثلثی)
• Trapezoidal (ذوزنقه‌ای)

هدف اصلی این لایه این است که سیستم بتواند داده‌ها را مانند انسان به‌صورت تقریبی و منعطف تفسیر کند.

لایه دوم: تولید قواعد فازی

پس از فازی شدن داده‌ها، سیستم وارد مرحله ایجاد قواعد تصمیم‌گیری می‌شود. در این بخش، ANFIS از قواعد «اگر – آنگاه» استفاده می‌کند تا بین ورودی‌ها و خروجی ارتباط برقرار کند. به عنوان مثال اگر:

• کیفیت خدمات بالا باشد
• و قیمت مناسب باشد

آنگاه:

• رضایت مشتری زیاد است.

این قواعد دقیقاً مشابه طرز فکر انسان هستند. مثلاً انسان‌ها هم معمولاً تصمیم‌های خود را بر اساس چنین جملاتی می‌گیرند. هرچه تعداد ورودی‌ها و توابع عضویت بیشتر باشد، تعداد قواعد فازی نیز افزایش پیدا می‌کند. این لایه در واقع مغز تصمیم‌گیری سیستم است و مشخص می‌کند که سیستم چگونه باید بر اساس شرایط مختلف واکنش نشان دهد.

لایه سوم: نرمال‌سازی قواعد

در این مرحله، میزان اهمیت یا قدرت هر قاعده مشخص می‌شود. زیرا ممکن است چند قاعده هم‌زمان فعال شوند اما تاثیر همه آن‌ها یکسان نباشد.مثلا فرض کنید:

• قاعده اول با قدرت 0.8 فعال شده
• قاعده دوم با قدرت 0.2 فعال شده

در این حالت طبیعی است که قاعده اول باید تاثیر بیشتری روی خروجی نهایی داشته باشد. لایه نرمال‌سازی این وزن‌ها را تنظیم می‌کند تا مجموع تاثیر قواعد به شکل استاندارد محاسبه شود. وظیفه اصلی این لایه عبارتند از: 

• تعیین سهم هر قاعده در تصمیم نهایی
• متعادل‌سازی تاثیر قواعد
• جلوگیری از تاثیر بیش‌ازحد برخی قواعد

لایه چهارم: محاسبه خروجی قواعد

در این لایه، سیستم برای هر قاعده یک خروجی محاسبه می‌کند. معمولاً این خروجی به کمک یک رابطه ریاضی یا تابع خطی به‌دست می‌آید. به زبان ساده، سیستم بررسی می‌کند که:

اگر این قاعده درست باشد، خروجی احتمالی چه خواهد بود؟

فرض کنید سیستم به این نتیجه برسد که:

• رضایت مشتری = 70

برای قاعده اول و:

• رضایت مشتری = 40

برای قاعده دوم.

در این مرحله، خروجی هر قاعده به همراه وزن آن آماده می‌شود تا وارد مرحله نهایی گردد. این بخش باعث می‌شود سیستم بتواند خروجی‌های دقیق و عددی تولید کند، نه فقط تصمیم‌های کیفی.

لایه پنجم: ترکیب خروجی‌ها

این آخرین مرحله سیستم ANFIS است. در این لایه، خروجی تمام قواعد فازی با یکدیگر ترکیب می‌شوند تا خروجی نهایی سیستم تولید شود. در واقع سیستم تمام نتایج قبلی را جمع‌بندی می‌کند و یک پاسخ نهایی ارائه می‌دهد. به عنوان مثال فرض کنید:

• یک قاعده رضایت را 70 پیش‌بینی کرده
• قاعده دیگر مقدار 40 را پیشنهاد داده

سیستم با توجه به وزن هر قاعده، یک مقدار نهایی مانند 62 را به‌عنوان خروجی نهایی محاسبه می‌کند.

نحوه عملکرد سیستم استنتاج فازی عصبی

عملکرد ANFIS بر پایه یادگیری از داده‌ها (یادگیری ماشین) است. این سیستم با استفاده از یک مجموعه داده آموزشی می‌تواند پارامترهای خود را تنظیم کند.

مراحل کلی آموزش ANFIS شامل موارد زیر است:

1. تعریف توابع عضویت اولیه
2. ایجاد قواعد فازی
3. آموزش سیستم با داده‌ها
4. تنظیم پارامترهای مدل
5. ارزیابی دقت مدل

در فرآیند آموزش، معمولاً از الگوریتم ترکیبی (Hybrid Learning Algorithm) استفاده می‌شود که شامل:

• روش حداقل مربعات
• الگوریتم پس‌انتشار خطا

است.

این ترکیب باعث می‌شود مدل بتواند با سرعت و دقت بیشتری آموزش ببیند. در شکل زیر مراحل ANFIS به صورت خلاصه آورده شده است.

مزایا و محدودیت‌های ANFIS در تحلیل داده‌ها

مزایای ANFIS

استفاده از ANFIS در بسیاری از حوزه‌ها به دلیل مزایای متعدد آن افزایش یافته است.

مهم‌ترین مزایا عبارت‌اند از:

• توانایی مدلسازی روابط غیرخطی پیچیده
• قابلیت یادگیری از داده‌ها
• ترکیب دانش انسانی و داده‌های تجربی
• عملکرد خوب در شرایط عدم قطعیت
• دقت بالا در مسائل پیش‌بینی

به همین دلیل ANFIS در حوزه‌هایی مانند:

• پیش‌بینی تقاضا
• تحلیل رفتار مشتری
• ارزیابی عملکرد سازمان
• مدیریت ریسک

کاربرد گسترده‌ای دارد.

محدودیت‌های ANFIS

با وجود مزایای فراوان، این مدل دارای محدودیت‌هایی نیز هست:

• افزایش پیچیدگی مدل با افزایش متغیرها
• نیاز به داده‌های آموزشی مناسب
• حساسیت به انتخاب توابع عضویت
• زمان محاسباتی نسبتاً بالا در مسائل بزرگ

به همین دلیل در برخی موارد ترکیب ANFIS با روش‌های دیگر توصیه می‌شود.

کاربردهای ANFIS در مدیریت و مهندسی صنایع

در سال‌های اخیر، پژوهشگران مدیریت و مهندسی صنایع از ANFIS برای حل مسائل مختلف استفاده کرده‌اند.

برخی از کاربردهای مهم عبارت‌اند از:

• پیش‌بینی فروش و تقاضا
• ارزیابی عملکرد سازمان
• تحلیل رضایت مشتری
• پیش‌بینی ریسک پروژه
• تحلیل بهره‌وری سازمانی

برای مثال در یک مطالعه مدیریتی، ممکن است متغیرهایی مانند:

• کیفیت خدمات
• ارزش ادراک شده
• رضایت مشتری
• وفاداری مشتری

به عنوان ورودی مدل در نظر گرفته شوند و ANFIS رابطه پیچیده بین این متغیرها را مدل‌سازی کند.

ترکیب ANFIS با مدلسازی معادلات ساختاری (SEM)

یکی از رویکردهای جدید در پژوهش‌های مدیریتی، ترکیب ANFIS با مدلسازی معادلات ساختاری است.

مدلسازی معادلات ساختاری (SEM) یکی از مهم‌ترین روش‌های آماری برای بررسی روابط بین متغیرهای پنهان است.

در این روش معمولاً مراحل زیر انجام می‌شود:

1. طراحی مدل مفهومی
2. جمع‌آوری داده‌ها
3. تحلیل روابط بین متغیرها

اما مشکل اصلی SEM این است که:

این روش اغلب روابط خطی بین متغیرها را فرض می‌کند. در حالی که بسیاری از روابط مدیریتی غیرخطی هستند. در اینجا ANFIS می‌تواند نقش مهمی ایفا کند.

نقش ANFIS در کنار SEM

در برخی پژوهش‌ها، محققان ابتدا با SEM روابط بین متغیرها را بررسی می‌کنند و سپس خروجی‌های مدل را به ANFIS می‌دهند تا روابط غیرخطی دقیق‌تر تحلیل شوند. این ترکیب باعث می‌شود:

• قدرت تحلیل مدل افزایش یابد
• روابط پیچیده بهتر شناسایی شوند
• دقت پیش‌بینی بیشتر شود

کاربرد ANFIS در کنار نرم‌افزار SmartPLS 

یکی از رایج‌ترین نرم‌افزارهای مدلسازی معادلات ساختاری در علوم مدیریتی SmartPLS است. در روش PLS-SEM ابتدا روابط بین متغیرها بررسی می‌شود. سپس می‌توان نتایج این تحلیل را در مدل‌های هوشمند مانند ANFIS استفاده کرد. به بیان دیگر وقتی مدل در نرم افزار PLS اجرا شود ضرایب متغیرهای مکنون به ازای هر پاسخ دهنده توسط نرم افزار محاسبه می شوند و این ضرایب به عنوان متغیرهای ورودی و خروجی می توانند وارد ANFIS شوند.

فرآیند ترکیب PLS-SEM و ANFIS

معمولاً مراحل زیر انجام می‌شود:

1. تحلیل مدل مفهومی در SmartPLS
2. استخراج ضرایب مسیر
3. تعیین متغیرهای تاثیرگذار
4. استفاده از این متغیرها به عنوان ورودی ANFIS
5. آموزش مدل ANFIS برای پیش‌بینی متغیر هدف

این روش در پژوهش‌های مدیریتی برای:

• تحلیل رفتار مشتری
• پیش‌بینی عملکرد سازمان
• تحلیل عوامل موفقیت پروژه

استفاده می‌شود.

مثال کاربردی ANFIS در یک مسئله مدیریتی

فرض کنید یک شرکت می‌خواهد رضایت مشتریان خود را پیش‌بینی کند.

متغیرهای ورودی می‌توانند شامل موارد زیر باشند:

• کیفیت خدمات
• قیمت
• سرعت پاسخگویی
• تجربه مشتری

با استفاده از ANFIS می‌توان مدلی ایجاد کرد که نشان دهد چگونه ترکیب این عوامل بر رضایت مشتری تاثیر می‌گذارد.

این مدل می‌تواند برای:

• بهبود خدمات
• تصمیم‌گیری مدیریتی
• برنامه‌ریزی استراتژیک

مورد استفاده قرار گیرد.

پیاده‌سازی سیستم ANFIS در متلب

یکی از متداول‌ترین محیط‌ها برای پیاده‌سازی سیستم استنتاج فازی عصبی (ANFIS) نرم‌افزار MATLAB است. متلب با ارائه مجموعه‌ای از ابزارهای تخصصی برای سیستم‌های فازی و یادگیری ماشین، امکان طراحی، آموزش و ارزیابی مدل‌های ANFIS را به‌صورت نسبتاً ساده فراهم می‌کند.

در متلب این قابلیت از طریق جعبه ابزار منطق فازی (Fuzzy Logic Toolbox) در دسترس است. این جعبه ابزار مجموعه‌ای از توابع و محیط‌های گرافیکی را ارائه می‌دهد که به کاربران اجازه می‌دهد سیستم‌های فازی و مدل‌های ANFIS را بدون نیاز به پیاده‌سازی کامل الگوریتم‌ها از ابتدا ایجاد کنند.

استفاده از Fuzzy Logic Toolbox برای ANFIS

در Fuzzy Logic Toolbox یک محیط گرافیکی به نام ANFIS Editor وجود دارد که برای طراحی و آموزش مدل‌های ANFIS استفاده می‌شود. در این محیط کاربر می‌تواند:

• داده‌های آموزشی را وارد کند
• توابع عضویت ورودی را تعریف کند
• قواعد فازی را ایجاد کند
• مدل را آموزش دهد
• عملکرد مدل را ارزیابی کند

این محیط گرافیکی به پژوهشگران کمک می‌کند تا بدون نیاز به برنامه‌نویسی پیچیده، ساختار مدل را مشاهده و تنظیم کنند.

مراحل کلی پیاده‌سازی ANFIS در متلب

فرآیند پیاده‌سازی ANFIS در متلب معمولاً شامل مراحل زیر است:

1. آماده‌سازی داده‌ها

   ابتدا داده‌های مورد نیاز برای آموزش مدل جمع‌آوری و در قالب یک مجموعه داده وارد متلب می‌شوند. این داده‌ها معمولاً شامل متغیرهای ورودی و خروجی هستند.

2. ایجاد سیستم فازی اولیه

   در این مرحله یک سیستم فازی اولیه با استفاده از توابع عضویت مختلف ایجاد می‌شود. متلب این امکان را می‌دهد که این سیستم به صورت خودکار از داده‌ها تولید شود.

3. آموزش مدل ANFIS

   مدل با استفاده از داده‌های آموزشی و الگوریتم یادگیری ترکیبی آموزش داده می‌شود تا پارامترهای توابع عضویت و قواعد فازی بهینه شوند.

4. ارزیابی عملکرد مدل

   پس از آموزش، عملکرد مدل با استفاده از داده‌های آزمایشی ارزیابی می‌شود تا میزان دقت پیش‌بینی مشخص شود.

نکات کلیدی 

• ANFIS ترکیبی از منطق فازی و شبکه عصبی است.
• این مدل برای مدلسازی روابط غیرخطی بسیار مناسب است.
• در مدیریت و مهندسی صنایع کاربردهای گسترده‌ای دارد.
• می‌توان آن را با روش‌هایی مانند PLS‑SEM ترکیب کرد.
• استفاده از ANFIS می‌تواند دقت پیش‌بینی مدل‌های مدیریتی را افزایش دهد.

چنانچه نیازمند مشاوره و تحلیل پروژه خود با این روش هستید با ما تماس بگیرید/9181-885-933-98+