مسعود یقینی

بخش های خانگی و تجاری بیشترین سهم مصارف گاز طبیعی در کشور را به خود اختصاص داده است. بنابراین، پیش بینی میزان مصارف این دو بخش برای شرکت ملی گاز ایران بسیار حائز اهمیت است. در این مقاله، برای مصارف خانگی و تجاری گاز طبیعی شهر اصفهان ساختار مناسبی از مدل شبکه عصبی انتخاب و طراحی شده است. برای یافتن یک ساختار مناسب شبکه عصبی، سه ساختار متفاوت با نام های دینامیک، هرس کامل و شبکه شعاع براساس تابع بررسی شده است. داده های واقعی مصارف گاز 10 سال (1381 تا 1390) برای پیش بینی مصارف (1391 تا 1395) استفاده شده است. به منظور پیش بینی مصارف خانگی و تجاری گاز طبیعی، متغیرهای مستقل جمعیت، دما، تعداد مشترکین و قیمت گاز انتخاب شده اند. ساختارهای شبکه عصبی با یکدیگر و با سایر روش های سنتی پیش بینی از جمله رگرسیون و سری های زمانی مقایسه گردید. نتایج حاکی از آن است که ساختار منتخب هرس کامل مدل شبکه عصبی برای این داده ها از سایر ساختارها و مدل های پیش بینی سنتی کارآمدتر و دقیق تر است و این مدل تا سال 1395 برای بخش خانگی افزایش مصرف و برای بخش تجاری کاهش در مصرف گاز طبیعی شهر اصفهان را پیش بینی کرده است. براساس بررسی های انجام شده، تاکنون پژوهشی برای پیش بینی مصارف گاز طبیعی خانگی و تجاری شهر اصفهان با مقایسه بین ساختار های مختلف طراحی مدل شبکه عصبی و انتخاب بهترین ساختار، صورت نگرفته است.

هدف از این مقاله، ارایه روشی برای حل یکی از مسایل پیش روی کارشناسان در حوزه حمل و نقل ریلی یعنی مسئله گروه-بندی واگن ها در راه آهن باری است. مسئله گروه بندی واگن ها یکی از مسایل مهم مطرح شده در حوزه راه آهن باری است، به طوری که با حل آن می توان تا حدود زیادی هزینه های عملیاتی راه آهن را کاهش داد و در زمان رسیدن کالاها به مقصد صرفه جویی کرد. حل این مسئله با استفاده از نرم افزارهای تجاری، به دلیل بزرگی ابعاد آن برای راه آهن های بزرگ دنیا تقریباً غیر ممکن است. در این مقاله، پس از بررسی مسئله گروه بندی واگن ها و ارایه مدل ریاضی برای مسئله، روشی برای حل این مسئله با استفاده از الگوریتم شبیه سازی حرارتی1 ارایه می شود که قادر است مسایل بزرگ را در زمان معقولی حل کند. برای نشان دادن کارآیی الگوریتم، تعدادی مسئله نمونه که به صورت تصادفی تولید شده اند، با استفاده از الگوریتم شبیه سازی حرارتی پیشنهادی و نرم افزار CPLEX حل شده اند و نتایج آن گزارش شده است. ابتدا برای نشان دادن اعتبار الگوریتم، تعدادی مسئله نمونه با ابعاد کوچک با هر دو روش حل دقیق2 و الگوریتم پیشنهادی حل شده و نتایج با یکدیگر مقایسه گردیدند. همچنین برای نشان دادن کارآیی الگوریتم تعدادی مسئله نمونه با ابعاد بزرگ تر تهیه شده است و نتایج حل آنها با استفاده از هر دو روش از جهت زمان حل و دقت جواب ها مقایسه شده است.

هدف این مقاله ارائه مدلی مبتنی بر شبکه های عصبی پیشخور با دقت بالا برای پیش بینی تأخیر قطار های مسافری در راه آهن جمهوری اسلامی ایران است. در این مقاله از سه روش مختلف برای ورودی شبکه های عصبی، شامل ورود به صورت اعداد حقیقی نرمال شده، تبدیل ورودیها به صورت دودویی و همچنین تبدیل ورودیها به رشته های دودویی استفاده شده است. برای یافتن ساختاری مناسب برای شبکه عصبی در مدل پیشنهادی از سه استراتژی مختلف استفاده شده است که به ترتیب استراتژی سریع، استراتژی پویا و استراتژی چندگانه نام دارند. داده های مورد استفاده در این پژوهش شامل تأخیر قطارهای مسافری راه آهن جمهوری اسلامی ایران از سال های 1383 تا 1387 است. برای آماده سازی داده ها، جهت حذف داده های متناقض و دارای نویز که همواره همراه با مجموعه داده های دنیای واقعی است، پیش پردازش کاملی صورت گرفته است، برای پیشگیری از بیش برازش مدل با مشخصات داده های آموزشی، براساس روش اعتبارسنجی تقاطعی، داده ها به سه قسمت داده-های آموزشی، داده های اعتبارسنجی و داده های آزمایشی تقسیم شدند. برای ارزیابی مدل پیشنهادی، نتایج حاصل از روشهای مختلف ورود داده و استراتژی های یافتن ساختار مناسب شبکه، با یکدیگر و همچنین با بعضی روشهای رایج پیش بینی از قبیل درختهای تصمیم و رگرسیون لجستیک چند جمله ای مقایسه شده اند. برای مقایسه مدلهای مختلف شبکه های عصبی مورد استفاده در این مقاله زمان آموزش مدل، دقت پیش بینی بر روی داده های آزمایشی و اندازه شبکه در نظر گرفته شده است. برای انجام مقایسه ای دقیق میان تمامی مدلها، نمودار زمان - دقت ترسیم شده است. نتایج به دست آمده نشان می دهند مدل پیشنهادی از دقت بیشتری برخوردار است.

ارایه مدلی برای برنامه ریزی کار خدمه راه آهن، هدف عمده از پژوهش حاضر است که در آن می بایست برای گروههای خدمه مورد نیاز جهت ارایه سرویس به سفرهای موجود در جدول زمان بندی حرکت قطارها، برنامه ریزی شود. مدل پیشنهادی به دو فاز مستقل تقسیم می شود که در فاز اول با استفاده از استراتژی جستجوی Depth First Search تمام سفرهای رفت و برگشتی که شروع و خاتمه آنها در محل استقرار خدمه است تحت عنوان مجموعه pairing ها تعیین می شوند. در فاز دوم با استفاده از مسأله Set Covering Problem به مدلسازی مسأله پرداخته می شود و با استفاده از الگوریتم ژنتیک با تعریف اپراتورهایی خاص بهینه می شود. در نهایت زیر مجموعه ای از pairing ها با حداقل هزینه که تمام سفرها را تحت پوشش قرار داده اند برای تخصیص به گروههای خدمه تعیین می شوند. نهایتا" برای تعیین اعتبار مدل پیشنهادی به حل چندین مسأله از مسایلی که توسط Beasley برای مسأله برنامه ریزی خدمه مطرح شده اند پرداخته می شود که به استناد نتایج حاصل شده، الگوریتم پیشنهادی جواب هایی با کیفیت و زمان حل مناسب تولید کرده است.