امیر دانشور

مسئله زمان بندی ماشین های موازی و نگهداری و تعمیرات پیشگیرانه این دسته از ماشین ها ازجمله مسائل کلیدی در حوزه فرآیندهای تولیدی است که همواره موردتوجه پژوهشگران بوده است. این پژوهش به دنبال طراحی مدل یکپارچه ای برای زمان بندی تولید و برنامه ریزی نگهداری و تعمیرات ماشین های موازی با در نظر گرفتن احتمال اختلال در عملکرد تسهیلات و عدم قطعیت در پارامترهای مسئله است. در این راستا یک مدل برنامه ریزی ریاضی با دو هدف حداقل سازی زمان تکمیل وزنی محصولات و حداکثرسازی قابلیت اطمینان در خط تولید ارائه شده است. با توجه به ماهیت NP-hard مسئله موردبررسی از جنبه محاسباتی، از الگوریتم های حل فراابتکاری NSGA-II و MOPSO به منظور حل مسائل عددی در ابعاد متوسط و بزرگ استفاده شده است. بر این اساس، مسائل عددی در ابعاد مختلف طراحی شده و از الگوریتم های موردنظر به منظور حل این مسائل استفاده شد. نتایج نشان می دهند که الگوریتم NSGA-II در مقایسه با الگوریتم MOPSO جواب های مناسب تری را ارائه می کند. هرچند الگوریتم MOPSO نسبت به الگوریتم NSGA-II از نظر زمان حل مسئله از کارایی بیشتری برخوردار است، مقدار این برتری قابل ملاحظه نیست و نمی توان آن به عنوان مبنای قطعی مقایسه دو الگوریتم در نظر گرفت.

هدف: در این مطالعه، مدل به اشتراک گذاری دانش امنیت اطلاعات از تلفیق تئوری های رفتار برنامه ریزی شده، انگیزش، تریاندیس و مراحل تغییر رفتار در یک سازمان با ترکیب روش آماری مدلسازی معادلات ساختاری و مدلسازی و شبیه سازی مبتنی بر عامل ارائه می شود. رویکردی/روش شناسی/طراحی: در این مطالعه از مدلسازی معادلات ساختاری استفاده شده است تا مدل هایی به عنوان ورودی های مدلسازی مبتنی بر عامل ساخته شود همچنین قابلیت اطمینان و اعتبار آنها را بهبود و ارتقا می بخشد. به عبارت دیگر؛ در این مطالعه مدلسازی معادلات ساختاری برای مدلسازی مبتنی بر عامل اعمال شده است. روش جمع آوری داده ها یک پرسشنامه است که توسط محقق ساخته شده است و به روش نمونه گیری تصادفی ساده جمع آوری شده است. بعد از تست کردن قابلیت اعتبار و اطمینان پرسشنامه، داده ها از 217 شرکت کننده جمع آوری می شود. با استفاده از SmartPLS3.2.6 و نرم افزار Anylogic فرضیه ها آزمون و شبیه سازی مبتنی بر نتایج آماری به ترتیب تجزیه و تحلیل می شود تا تغییر رفتار در طی زمان تحلیل شود. یافته ها: نشان داده شده است که عوامل تئوری رفتار برنامه ریزی شده از جمله، نگرش، هنجارهای ذهنی، کنترل رفتاری ادراک شده، و تئوری انگیزش که عوامل انگیزشی درونی و بیرونی را در بر می گیرند و مدل تریاندیس، به منظور تسهیل شرایط، تأثیرات مثبتی روی مراحل تغییر رفتار از جمله مرحله های پیش تأمل، تأمل، آماده سازی، اقدام، نگهداری و خاتمه می گذارد. به علاوه این نتایج حاصل شده است که تغییر در رفتار به اشتراک گذاری دانش امنیت اطلاعات در یک سازمان ، در طول زمان و تا رسیدن به مرحله پایان، افزایش پیدا می کند. نوآوری: در این مطالعه مدلسازی مبتنی بر عامل به منظور آزمون فرضیه ها در طی زمان در کنار روش آماری مدلسازی معادلات ساختاری به کار گرفته شده است. علاوه بر این، مدل تغییر مراحل نیز برای تجزیه و تحلیل مراحل تغییر رفتار به اشتراک گذاری دانش امنیت اطلاعات؛ اعمال شده است. پیامدهای عملی: به اشتراک گذاری دانش، نقش مهمی در زمینه امنیت اطلاعات ایفا می کند؛ زیرا تأثیر مثبتی روی آگاهی از امنیت اطلاعات کارکنان می گذارد. در این مطالعه، دانش و بینش مربوط به بهبود و ارتقای به اشتراک گذاری دانش در یک سازمان ارائه شده است.

هدف تحقیق حاضر، بررسی تحلیلی سیستم های مدیریت دوره در نظام آموزش الکترونیک می باشد. روش شناسی مورد استفاده در این مقاله از نظر مبانی فلسفی دارای پارادایم اثبات گرایی، براساس نوع تحقیق؛ کاربردی، براساس رویکرد اصلی تحقیق؛ استقرایی و بر اساس روش؛ آمیخته (کیفی- کمی) است. جامعه آماری، شامل متخصصان فناوری اطلاعات است که با سیستم های مدیریت دوره در نظام مدیریت یادگیری آشنایی دارند و زمینه تحصیلی آنها مرتبط با حوزه فناوری اطلاعات است. در این مقاله از روش نمونه گیری هدفمند برای انتخاب عناصر نمونه استفاده شده است. روش نمونه گیری بکار رفته از نوع گلوله برفی می باشد که تا دستیابی به اشباع ادامه یافته است. بنابراین، خبرگان مورد مطالعه در این مقاله شامل 15 نفر می باشند. پس از شناسایی شاخص های ارزیابی سیستم های مدیریت دوره، با پیاده سازی روش دلفی فازی، 10 شاخص مقیاس پذیری، انطباق پذیری، دسترسی، اجرا، قابلیت انعطاف، کارایی، تعامل کاربران، حریم خصوصی/امنیت، دقت و فرایندهای یادگیری به ترتیب به عنوان شاخص های نهایی ارزیابی انتخاب شدند که در مرحله بعد اهمیت آنها بر اساس روش سوآورا مشخص گردید. سپس این شاخص ها مبنای ارزیابی سیستم های مدیریت دوره مناسب (برای بکارگیری در مقیاس گسترده) قرار گرفتند. بر اساس نتایج، Moodle، OpenEdx و Blackboard به ترتیب به عنوان مناسب ترین سیستم های مدیریت دوره در نظام مدیریت یادگیری انتخاب شدند.

إنّ تقییم أداء المعلمین باعتباره أحد ضروریات التعلیم الهامه یؤدی دورا هاما فی تحسین جوده التعلیم وتطویر المدارس الذکیه. وفی المقابل فإن فقدان نظام مناسب وعلمی للتقییم، لا یؤدی إلی تقاعس المعلمین الملتزمین فحسب بل إن له تبعات أخری أیضا مثل: تراجع الالتزام الوظیفی وترک المهنه المؤسساتیه. انطلاقا من هذا الأمر قامت الدراسه الحالیه بهدف تقدین نظام استنتاج ضبابی ( FIS )، لتألیف وإعداد نموذج لتقییم أداء المعلمین العاملین فی المدارس الذکیه بمدینه "اردکان". فی هذا الإطار وبعد مراجعه خلفیه البحث وتحدید المؤشرات المؤثره علی تقییم أداء قسمی الوعی الإلکترونی والأداء الصفی استفدنا من طریقه دلفی للحصول علی موافقه الخبراء علی المؤشرات النهائیه للنموذج المقدم. تتکون عینه البحث من 20 شخصا من الخبراء فی مجال التربیه والتعلیم. إن الغموض والتعقید الموجود فی مؤشرات تقییم الأداء لاسیما المؤشرات الکیفیه، وکذلک الاستفاده من المتغیرات الکلامیه من أجل الحصول علی موافقه الخبراء، أدی إلی اللجوء إلی نظام الاستنتاج الضبابی، کما تم تحلیل مؤلفات النموذج عبر برنامج ماتلاب. فیما یتعلق بالمدارس المعنیه فإن مخرجات النظام الضبابی أظهرت أن مستوی وضع معلمی المدارس الذکیه کان "متوسطا" فی مؤشرات المراحل الأساسیه وإنتاج المحتوی، وفی مؤشرات الإنترنت وبرامج التقویه الدراسیه وتنمیه محتوی التعلیم والتقییم الإلکترونی فی مستوی عال نسبیا. بناء علی هذه النتائج فإن أداء معلمی المدارس الذکیه قدر بالمتوسط، وفی نهایه البحث تمّ تقدیم بعض المقترحات والتوصیات لتحسین الوضع الراهن فی المدارس الذکیه.

هدف: پیدا کردن زیرمجموعه ای از مجموعه ویژگی ها، مسئله ای است که در زمینه های مختلفی مانند یادگیری ماشین و شناسایی آماری الگوها، کاربرد گسترده ای دارد. با توجه به اینکه افزایش تعداد ویژگی ها، هزینه محاسباتی سیستم را به طور تصاعدی افزایش می دهد، این پژوهش به دنبال طراحی و پیاده سازی سیستم هایی با کمترین تعداد ویژگی و کارایی قابل قبول است. روش: با توجه به لزوم جست وجوی کارآمد در فضای جواب، در این پژوهش برای انتخاب ویژگی در داده های چندکلاسه، از الگوریتم ژنتیک (GA) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) چندهدفه با هدف افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها استفاده شده است. روش ارائه شده، بر مبنای دو روش طبقه بندی ماشین بردار پشتیبان (SVM) و K نزدیک ترین همسایه (KNN) روی 6 مجموعه داده اعتباری به اجرا درآمد و نتایج آن تجزیه و تحلیل شد. یافته ها: الگوریتم ژنتیک و الگوریتم ژنتیک با مرتب سازی نامغلوب چندهدفه برای افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها در مسئله انتخاب ویژگی در داده های چندکلاسه کارکرد مناسبی دارند. نتایج به دست آمده، نشان دهنده بهبود در دقت طبقه بندی، هم زمان با کاهش چشمگیر در تعداد ویژگی ها در هر دو روش ماشین بردار پشتیبان و نزدیک ترین همسایه است. نتیجه گیری: با توجه به نتایج، رویکرد پیشنهادشده در این پژوهش برای مسئله انتخاب ویژگی ها کارایی بسیار خوبی دارد.

مقدمه و هدف : با توجه به تحول قابل ملاحظه نظام های یادگیری در سال های اخیر و شرایط حاکم بر زندگی بشر به واسطه همه گیری ویروس کوید 19، اهمیت آموزش مجازی در سیستم مدیریت یادگیری غیر قابل انکار است. این مساله نقش مدرسان در سیستم های آموزشی را برجسته تر از هر زمان دیگری کرده است. بر این اساس، هدف تحقیق حاضر، ارائه یک سیستم استنتاج عصبی فازی تطبیقی (ANFIS) هوشمند برای ارزیابی عملکرد مدرسان سیستم های آموزش الکترونیک به ویژه در موسسات دانشگاهی است. روش شناسی پژوهش: این پژوهش از نظر روش، توصیفی و از نظر هدف کاربردی است. در این پژوهش از یک رویکرد کمی برای طراحی مدل ارزیابی عملکرد مدرسان در نظام آموزش الکترونیک استفاده شده است. جامعه آماری تحقیق شامل خبرگان حوزه مدیریت فناوری اطلاعات دانشگاه آزاد اسلامی استان یزد بوده اند بر اساس مشخصات تعریف شده، شامل 29 نفر است. با توجه به محدود بودن تعداد عناصر مورد بررسی، جهت انتخاب عناصر نمونه، برای همه عناصر جامعه آماری پرسشنامه ارسال شد که 17 نفر به سئوالات طرح شده پاسخ دادند. در این پژوهش برای تحلیل عملکرد مدرسان در موسسات آموزشی از یک سیستم استنتاج فازی عصبی تطبیقی (ANFIS) استفاده شده است. یافته ها: سیستم استنتاج فازی عصبی تطبیقی (ANFIS) ارایه شده، بر مبنای ۴ عامل اصلی (فرایند یادگیری تدریس، شیوه تدریس، گرایش پژوهشی و قابلیت های فردی) و ۱۶ عامل فرعی در فرایند ارزیابی مدرسان استفاده می کند. این سیستم ANFIS، عملکرد مدرسین را در چهار دسته از پیش تعریف شده، یعنی: مدرس نیازمند آموزش، مدرس با مهارت های خوب، مدرس بسیار خوب و مدرس عالی طبقه بندی می کند. نتیجه گیری: سیستم طراحی شده ابزار مفیدی در ارزیابی مدرسان و ارائه بازخورد مناسب از نقاط قوت و ضعف آن ها جهت بهبود عملکرد است.

در سال های اخیر مسئله جدیدی با عنوان «خوشه بندی چند معیاره» ظهور کرده که هدف آن، دسته بندی گزینه ها در گروه های همگنی به نام خوشه با توجه به معیارهای ارزیابی متفاوت است. در ادامه پژوهش های انجام گرفته در مبانی نظری، پژوهش حاضر با ترکیب الگوریتم K- میانگین و تکنیک پرامتی، به دنبال توسعه یک روش جدید خوشه بندی چندمعیاره است. پارامترهای مسئله، پروفایل های جدا کننده خوشه ها هستند که برای بهینه سازی آن ها از الگوریتم ژنتیک استفاده شده است. برای تنظیم پارامترهای ژنتیک نیز از روش تاگوچی استفاده می شود. در این مدل سازی، متغیرها در هر مرحله از به روزرسانی جواب ها، با توجه به فاصله امتیاز جریان خالص خود از پروفایل ها به نزدیک ترین خوشه تخصیص می یابند. عملگر جهش نیز صرفاً زمانی اعمال می شود که میزان شباهت کروموزوم ها در هر جمعیت به حد خاصی برسد که این هوشمند سازی موجب کاهش زمان محاسباتی شده است. درنهایت با اجرای روش پیشنهادی بر روی چند نمونه مسائل تصادفی مالی، عملکرد آن با سایر الگوریتم های شناخته شده خوشه بندی مقایسه شده است. نتایج نشان می دهد که روش پیشنهادی ضمن تعیین تعداد بهینه خوشه ها، در مقایسه با سایر الگوریتم ها، جواب های دقیق تری ارائه می دهد.

طبقه بندی داده ها از مباحث اساسی علم مدیریت است که از رویکردهای مختلفی مورد بررسی قرار گرفته است. روش های هوش مصنوعی از مهمترین روش های طبقه بندی هستند که اغلب آنها تابع دقت کل را در ارزیابی عملکرد مد نظر قرار می دهند. از آنجاییکه در دیتاست های نامتوازن، این تابع، هزینه خطاهای پیش بینی را یکسان در نظر می گیرد، در این پژوهش علاوه بر تابع دقت کل، از تابع حساسیت نیز به منظور افزایش دقت در هر یک از کلاس های از پیش تعریف شده، استفاده شده است. به علاوه، بدلیل پیچیدگی فرآیند کسب اطلاعات از تصمیم گیرنده، از الگوریتم فرا ابتکاری NSGA II جهت استنتاج مقادیر پارامترها، (بردار وزن و سطوح برش بین کلاس ها) استفاده گردیده است. در هر تکرار، الگوریتم با استفاده از بردار وزن برآورد شده و دیتاست ها، امتیاز هر آلترناتیو را با تابع Sum Product محاسبه نموده و در مقایسه با سطوح برش تخمینی، آن آلترناتیو را به یکی از دسته ها تخصیص می دهد. سپس با استفاده از توابع برازش، دسته تخمینی و دسته واقعی را مقایسه نموده و این فرایند تا بهینه سازی پارامترها ادامه می یابد. مقایسه نتایج الگوریتم های NSGA II و NRGA، نشان دهنده کارایی بالای الگوریتم ارائه شده است.

هدف: از آنجا که در مسائل طبقه بندی به تحلیل انواع وابستگی ها و روابط بازخوردی میان معیارهای یک مسئله کمتر پرداخته شده است و با توجه به قابلیت فرایند تحلیل شبکه ای (ANP) در مدل سازی روابط متقابل بین معیارها، هدف این پژوهش ارائه روشی مبتنی بر ANP برای مسائل طبقه بندی است. محدودیت اساسی ANP، افزایش ناسازگاری قضاوت تصمیم گیرندگان همراه با افزایش ابعاد مسئله است، از این رو به منظور بهینه سازی پارامترهای مسئله و افزایش صحت طبقه بندی، از الگوریتم ژنتیک استفاده خواهد شد. روش: پژوهش حاضر از نظر هدف، توسعه ای و از نظر روش تحلیل داده ها کمّی و از نوع مدل سازی ریاضی است. در این پژوهش، ابتدا مسئله طبقه بندی داده ها با در نظر داشتن روابط متقابل معیارها در قالب روش تصمیم گیری چندمعیاره ANP تبیین شد. در ادامه، مقدار پارامترهای مسئله، شامل وزن معیارها و آستانه های هر کلاس به کمک الگوریتم ژنتیک از سوپرماتریس برآورد شد و در نهایت، برای ارزیابی روش پیشنهادی و عملکرد آن، نتیجه با روش های پرکاربرد طبقه بندی مقایسه شد. یافته ها: نتایج پژوهش های مقایسه ای روی دیتاست های اعتباری با ابعاد مختلف، قابلیت رقابتی بسیار خوب روش پیشنهادی را در مقایسه با روش های شناخته شده یادگیری ماشینی نشان داد. نتیجه گیری: روش های تصمیم گیری چندمعیاره، اغلب برای رتبه بندی استفاده شده اند، این در حالی است که به قابلیت بسیار خوب این روش ها در طبقه بندی داده ها کمتر توجه شده است. فرایند تحلیل شبکه ای در ترکیب با الگوریتم ژنتیک، روشی کارا و مناسب در حوزه طبقه بندی داده ها را به نمایش می گذارد.

آنالیز چندمعیاره ABC روش شناخته شده ای برای طبقه بندی موجودی هاست که اغلب رویکرد جبرانی را برای تجمیع معیارها لحاظ می کند، یعنی ضعف موجودی در یک معیار با عملکرد خوب آن در معیارهای دیگر جبران می شود. تا جایی که می دانیم رویکرد غیرجبرانی این مسئله به طور کافی مطالعه نشده است. مدل ELECTRE TRI از مدل های مبتنی بر روابط برتری است که این رویکرد را در محاسبات لحاظ می کند، ولی با توجه به پیچیدگی و هزینه بربودن، این مدل در تعیین مقادیر ترجیحات تصمیم گیرندگان (پارامترها)، از اقبال خوبی برخوردار نبوده است. بدین منظور در این مقاله روشی ارائه می شود که با استفاده از الگوریتم بهینه سازی تراکم ذرات (PSO)، مقادیر تمام پارامترها را از داده های آموزشی شامل تصمیمات قبلی تصمیم گیرندگان یاد می گیرد و در طبقه بندی موجودی های جدید به کار می برد. روش پیشنهادی برخلاف مدل های استاندارد داده کاوی که طبقه بندی را به صورت اسمی انجام می دهند، متناسب با روش ABC اقلام موجودی را به صورت رتبه ای طبقه بندی می کند. نتایج به دست آمده از آنالیز تجربی روش پیشنهادی روی دیتاست های موجودی، کارایی و قابلیت رقابت آن را در مقایسه با سایر مدل های طبقه بندی نشان می دهد.

مدل های مبتنی بر روابط برتری یک شاخه مهم از روشهای تصمیم چندمعیاره هستند که نیاز به تعریف مقدار قابل توجهی اطلاعات ترجیحی در قالب پارامترها توسط تصمیم گیرنده دارند. تعدد پارامترها، معنای اغلب گیی کننیده آنها در فضای مسئله و طبیعت غیردقیق دادهها، این فرآیند را خصوصاً در مسائل طبقه بندی اعتباری با ابعیاد بیزر که نیاز به تصمیمگیری بلادرنگ است بسیار زمانبیر و پییییده میی سیازد. بیدین منریور روی یرد ت مییی زداییی ترجیحات این اطلاعات را از طریق قضاوتهای جامعی که توسط تصمیم گیرنده فراهم می شوند استنتاج می کند. این روی رد در تصمیم گیری چندمعیاره معادل یادگیری ماشینی در حوزه هوش مصنوعی است. تحت این روی رد، ایین مقالیه ییک روش جدیید پیشینهاد میی کنید کیه در آن الریوریتم ینتییک طیی فرآینید یادگیری، به طور همزمان تمامی پارامترهای میدل ELECTRE TRI را از داده هیای آموزشیی اسیتنتاج و در خاتمه فرآیند، پارامترهای استنتاج شده بیرای طبقیه بنیدی داده هیای آزمایشیی ب یار گرفتیه میی شیوند. تحلییل آزمایشات روی دیتاست های اعتباری نشان از کیفیت بالا و قابل رقابت روش پیشنهادی در مقایسه با مدل هیا ی استاندارد طبقهبندی دارد.