سهیلا سردار

الگوریتم جستجوی گرانشی یک الگوریتم فراابتکاری تازه ظهوری است در این الگوریتم به دو روش میتوان نیروی گرانشی میان پاسخ ها را محاسبه کرد. در روش اول یک پاسخ از فضای همسایگی محلی پاسخ جاری انتخاب شده و نیروی گرانشی بین این دو پاسخ محاسبه می شود. در روش دوم، نیروی گرانشی بین تمام پاسخ های همسایه در فضای همسایگی پاسخ جاری محاسبه می شود و به یک پاسخ همسایه محدود نمی شود. این الگوریتم در برخی از مسائل بهینه سازی دچار همگرایی زودرس شده و در بهینه محلی گیر می کند و پیشرفتی برای پیدا کردن جواب بهینه ندارد که این مشکل جزء معایب این الگوریتم محسوب میشود. در مقاله این مشکل را در مرحله اول با مقایسه دو روش نامبرده تحت آزمون قرار گرفت که نتیجه آن بدینگونه می باشد: روش اول برتری نسبی از نظر پارامتر سرعت رسیدن به جواب و جواب برتر دارد و سپس با تعریف یک تابع جهش ابتکاری، که از کنترلر فازی جهت کنترل کردن میزان جهش استفاده می کند، برطرف میکند. روش پیشنهاد شده بر روی توابع محک استاندارد که شامل توابع تک مدی و چند مدی است ارزیابی شده است و نتایج حاصل از ارزیابی این دو روش با الگوریتم جستجوی گرانشی استاندارد (GSA) و الگوریتم جمعیت ذرات گرانشی (GPS)، الگوریتم بهینه ساز جمعیت ذرات (PSO) و الگوریتم وراثتی حقیقی (RGA) مقایسه شده است.آزمایشات مشاهده شده، نشان دهنده این است که این روش ارائه شده نتایج بهتری نسبت به دیگر الگوریتم های مقایسه شده دارد.

مقدمه و اهداف . فرآیند ﺧﻄﻮط تولید و توالی آن ﯾﮑﯽ از روﯾﮑﺮد ﻫﺎی اساسی در برنامه ریزی ﻣﺤﺼﻮﻻت ﺻﻨﻌﺘﯽ به صورت انبوه است. ﻋﺪم برنامه ریزی در ﺧﻄﻮط و راه کار مناسب برای بهینه سازی سیستم های موثر در فرآیند تولید و مونتاژ، ﺑﺎﻋﺚ اﻓﺰاﯾﺶ زمان تخصیصی به امر تولید و افزایش زمان های توقف ماشین آلات و در ﻧﺘﯿﺠﻪ ﮐﺎﻫﺶ تعداد محصولات تولید از لحاظ تعدادی و نرخ تولید عدم ﮐﺎراﯾﯽ منابع تخصیصی و در اختیار و در نتیجه اﻓﺰاﯾﺶ ﻫﺰﯾﻨﻪ ﻫﺎی ﺳﯿﺴﺘﻢ می شود ﮐﻪ همه این ﻋﻮاﻣﻞ در ﻧﻬﺎﯾﺖ ﺑﺎﻋﺚ ﺑﻬﺮه وری ﭘﺎﯾﯿﻦ و از دست دادن منابع موجود است. از این رو در این پژوهش هدف اصلی شناسایی ناهنجاری ها در فرآیند تولید ویفر های نیمه هادی با استفاده از روش های یادگیری ماشین است. داده های مورد استفاده شامل ویژگی های مختلفی از ویفر های تولیدی است که از یک تولید کننده بزرگ در صنعت نیمه هادی جمع آوری شده و حاوی اطلاعاتی از وضعیت ویفرها در فرآیند تولید است. به منظور بهبود عملکرد مدل و کاهش اثرات منفی داده های پرت، از روش وینزوریزه کردن برای تعدیل مقادیر بسیار دور از میانگین در برخی از ویژگی ها استفاده شد. همچنین، برای آماده سازی بهتر داده ها، ویژگی ها استاندارد سازی شدند تا مدل نسبت به تفاوت مقیاس بین ویژگی ها حساس نباشد. روش ها . در این پژوهش، با استفاده از روش های پیش پردازش داده و همچنین شبیه سازی در نرم افزار پایتون، سعی شد تا دقت مدل در شناسایی ناهنجاری ها افزایش یابد. اولین گام، آماده سازی داده ها و حذف یا تعدیل داده های پرت بود. به دلیل اینکه برخی از ویژگی ها شامل مقادیر بسیار و تعداد زیاد دور از میانگین بودند که می توانستند مدل را دچار انحراف کنند، از روش "وینزوریزه کردن" استفاده شد. وینزوریزه کردن به این معناست که مقادیر بسیار بزرگ و بسیار کوچک هر ویژگی به آستانه های معینی محدود می شوند تا تأثیر آن ها بر عملکرد مدل کاهش یابد. یکی دیگر از گام های کلیدی در این پروژه، کاهش ابعاد داده ها بود. با توجه به اینکه این مجموعه داده شامل ۱۵۵۸ ویژگی است، پردازش و تحلیل تمامی این ویژگی ها نیازمند منابع محاسباتی قابل توجهی است و ممکن است مدل را پیچیده تر از حد لازم کند. از این رو، با بهره گیری از روش "تحلیل تفکیک خطی (LDA) ، ابعاد داده ها به فضای بُعد پایین تری کاهش یافت تا جدایی بهتری بین کلاس های نرمال و ناهنجار ایجاد شود. این کاهش ابعاد به مدل کمک می کند تا طبقه بندی داده ها را با دقت بیشتری انجام دهد و همچنین پردازش محاسباتی ساده تر شود. یافته ها . پس از آماده سازی داده ها، برای استانداردسازی داده ها ازجدول استاندارد آرایه های متعامد در روش تاگوچی استفاده می شود آرایه های متعامد L9(34) به عنوان مناسب ترین طرح برای مدل های سه تا شش انتخاب می شوند. سپس داده ها مربوط به پژوهش با استفاده از مدل XGBoost و الگوریتم ژنتیک برای شناسایی ناهنجاری ها و مقایسه دو مدل استفاده شده است . عملکرد مدل با استفاده از ماتریس در هم ریختگی و منحنی ROC  و کارائی الگوریتم ژنتیک مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل توانایی بالایی در شناسایی ناهنجاری ها دارد و مقدار زیر منحنی AUC برابر با ۰.۹۷ به دست آمد. در ادامه، به منظور بهینه سازی بیشتر و مدیریت چالش عدم توازن داده -ها، از الگوریتم ژنتیک (GA) به عنوان یک رویکرد تکاملی برای تنظیم وزن ویژگی ها و آستانه طبقه بندی استفاده شد این نتایج نشان دهنده توانایی مدل در تفکیک نمونه های سالم و معیوب با دقت بالا است. این پژوهش نشان می دهد که با استفاده از تکنیک های مناسب پیش پردازش داده و مدل های یادگیری ماشین، می توان در شناسایی ناهنجاری های تولید و شناسایی قطعات معیوب به نتایج موفقیت آمیزی دست یافت و از ورود محصولات معیوب به بازار جلوگیری کرد. نتیجه گیری . نتایج به دست آمده از این تحقیق نشان داد که روش XGBoost توانایی بالایی در تشخیص ناهنجاری ها دارد.و همچنین الگوریتم ژنتیک توانسته است معیارهای عملکردی مانند دقت (92.4%)، ، فراخوانی (0.924) و امتیاز (0.913) را بهبود دهد و همگرایی پایداری در طول نسل های مختلف ارائه کند. ترکیب XGBoost و الگوریتم ژنتیک (GA) امکان شناسایی دقیق تر ناهنجاری ها را فراهم کرده و نشان می دهد که این رویکرد می تواند به عنوان یک چارچوب عملی در بهبود کنترل کیفیت، کاهش ضایعات و افزایش بهره وری خطوط تولید مورد استفاده قرار گیرد.

پژوهش با هدف واکاوی عوامل نوآورانه موثر بر وفاداری مشتریان در بازاریابی چند سطحی مبتنی بر هوشمندی کسب و کار انجام شده است. این تحقیق از نظر هدف؛ کاربردی و در حوزه مطالعات کمی - کیفی است که با روش پیمایشی و داده کاوی انجام شده است. جامعه آماری تحقیق شامل 15 نفر از مدیران ارشد و خبرگان حوزه تحقیق یعنی شرکت آرایشی و بهداشتی پنبه ریز به روش گلوله برفی برای شناسایی مولفه و عوامل انتخاب شدند و در قسمت دوم از انباره داده شرکت پنبه ریز در بازه زمانی سال های 1390 تا 1398 که شامل 5200000 رکورد می باشد داده کاوی انجام شد. روش تجزیه و تحلیل داده ها، داده کاوی و خوشه بندی مشتریان است که با استفاده از نرم افزار R انجام شد. نتایج تحلیل داده ها نشان داد که 6 شاخص می توان برای مدل در نظر گرفت که عبارتند از: طول همکاری مشتریان، تاخر خرید، تکرار خرید، بالا بودن مبلغ خرید، سوداوری و تخفیف دهی به مشتریان. در مجموع می توان بیان نمود که وفاداری مشتریان شرکت های بازاریابی چند سطحی متناسب با هوشمندی کسب و کار با درنظر گرفتن پنج خوشه از مشتریان تحت تأثیر این شش شاخص قرار دارد و برای ارتقای سطح وفاداری مشتریان و دستیابی به مزیت رقابتی باید توسط شرکت های فعال در این حوزه مورد توجه قرار گیرد. همچنین برای توسعه بازاریابی چند سطحی پیشنهاد می شود که شرکت های مورد بررسی به نقش تخفیف دهی و فروش اعتباری به مشتریان توجه بیشتری داشته باشند و از سوی دیگر مشتریان اصلی خود را با ارائه خدمات بهتر و پشتیبانی بیشتر راضی تر نگه دارند. لازم به ذکر است که از آنجا که تاکنون پژوهشی در سطح کشور در خصوص طراحی و توسعه مدل مدیریت وفاداری مشتریان در شرکت های تجاری و بازارسازی چند سطحی MLM مبتنی بر هوش کسب و کار (BI) انجام نشده است و این تحقیق به عنوان یک طرح مطالعاتی جدید با رویکرد بازار محصولات آرایشی و بهداشتی دارای نوآوری است، می تواند راهنمای مدیران بازاریابی شبکه ای در دستیابی به وفاداری بیشتر مشتریان باشد.

بانک ها مهمترین نهاد مالی در بازارهای مالی هستند که نقش حیاتی در رشد اقتصاد و حمایت از کسب و کارها ایفا می کنند و همواره عملکرد مالی آن ها به عنوان معیاری جهت سنجش سلامت و ثبات مالی بانک ها اهمیت دارد. از این رو ارزیابی عملکرد مالی در بانک های خصوصی از موضوعات مهم در صنعت بانکداری است و به دلیل اهمیت ارتباط اهرم مالی و عملکرد مالی، هدف پژوهش حاضر شناسایی و رتبه بندی شاخص ساختار سرمایه موثر بر ارزیابی عملکرد مالی در بانک های خصوصی می باشد. جامعه آماری پژوهش حاضر خبرگان بانک های خصوصی بوده که با روش نمونه گیری گلوله برفی انتخاب شده اند. این مطالعه در دو فاز کیفی و کمی و در بازه زمانی 1401-1403 انجام شده است. در فاز کیفی به منظور شناسایی شاخص های ساختار سرمایه از تئوری داده بنیاد و مصاحبه نیمه ساختاریافته استفاده شده است. در فاز کمی با تکنیک سلسله مراتبی فازی و پرسشنامه مقایسه زوجی شاخص های شناسایی شده رتبه بندی شدند. نتایج حاکی از آن است که 13 شاخص به عنوان شاخص های ساختار سرمایه تعیین شده که بر ارزیابی عملکرد مالی در بانک های خصوصی موثر می باشند که بعد از تعیین وزن آن ها با روش AHP فازی، شاخص نسبت پوشش بهره رتبه اول و شاخص پوشش بدهی رتبه آخر را دارند.

اخیرا بیت کوین به عنوان محبوب ترین رمزارز، مورد توجه بسیاری از سرمایه گذاران و فعالان اقتصادی قرار گرفته است. بازار رمز ارزها نوسان به شدت زیادی را تجربه کرده است و یکی از چالش های پیش روی آن، پیش بینی قیمت آینده است. بدون شک، ایجاد روش هایی برای پیش بینی قیمت بیت کوین بسیار هیجان انگیز بوده و تاثیر بسیار زیادی در تعیین سود و زیان حاصل از معامله آن در آینده دارد. در این پژوهش به منظور پیش بینی قیمت بیت کوین از ترکیب مدل ARIMA و سه نوع شبکه عصبی عمیق شامل RNN، LSTM و GRU استفاده شده است. هدف اصلی این پژوهش تعیین تاثیر مدل های یادگیری عمیق بر روی عملکرد پیش بینی قیمت آینده بیت کوین است. در مدل پیشنهادی ابتدا اجزای خطی موجود در مجموعه داده ها با استفاده از ARIMA جداسازی و باقیمانده های به دست آمده بصورت جداگانه به هر یک از شبکه های عصبی منتقل می شود. نتایج نشان می دهد که مدل ARIMA-GRU برای معیار های RMSEو MAPE نسبت به سایر مدل ها نتایج بهتری داشته است. همچنین مدل های ترکیبی نسبت به مدل سنتی ARIMA در پیش بینی، عملکرد بهتری را از خود نشان می دهند.

  امروزه رشد استفاده از شبکه های اجتماعی در میان اقشار مختلف جامعه جهانی، به صورت غیرقابل انکاری رو به فزونی افزایش یافته است. پایگاه داده شبکه های اجتماعی؛ شامل منابع غنی و با ارزشی هستند که انتشار یا تحلیل آن ها جهت برای مقاصد بازاریابی، تبلیغاتی، امنیت ملی، سلامت و ... می تواند برای محققان مؤسسات دولتی و خصوصی سودمند واقع گرددباشد؛ اما رعایت حریم خصوصی موجودیت هایی که اطلاعات آن ها در اختیار تحلیلگران داده کاوی قرار می گیرد، به عنوان یک پروتکل حقوقی ضروری است. در این مقاله، از طریق روش شناسی کیفی فراترکیب، کلیه ابعاد، شاخص ها و کدهای مربوطه استخراج و سپس میزان اهمیت و اولویت هر یک از عوامل، تعیین شده و متعاقباً مدل بهبودیافته گمنامی، به وسیله الگوریتم بهینه سازی کرم شب تاب و خوشه بندی فازی، ارائه گردیده شده است. نتایج شبیه سازی و ارزیابی های مدل پیشنهادی بر روی داده های چهار شبکه اجتماعی فیس بوک، یوتیوب، توییتر و گوگل پلاس، حاکی از حفظ حریم خصوصی داده ها با کمترین نسبت انحراف و بیشترین سودمندی است. ا

پژوهش حاضر به شناسایی عوامل انگیزشی مؤثر بر تمایل کارکنان به تسهیم دانش پرداخته و تأثیر عوامل انگیزشی درونی و بیرونی بر نگرش نسبت به تسهیم دانش و تمایل به تسهیم دانش صریح و ضمنی را مورد بررسی قرار می دهد. همچنین، از معتبرترین الگوهای پیش بینی رفتار به نام مدل رفتار برنامه ریزی شده به عنوان چارچوب نظری استفاده می گردد. بدین منظور، تحقیق در دو مرحله انجام می گیرد. ابتدا، با توجه به ادبیات موضوع و مصاحبه اکتشافی، عوامل شناسایی و در مرحله بعد تأثیر هر یک از عوامل در قالب مدل معادلات ساختاری بررسی می گردد. پژوهش از لحاظ هدف، کاربردی، از لحاظ روش، توصیفی- پیمایشی و ابزار جمع آوری اطلاعات، مصاحبه و پرسشنامه است. جامعه آماری تحقیق، کارکنان شاغل در واحدهای ستادی «شهرداری تهران» هستند که تعداد آن ها در زمان انجام تحقیق، 2230 نفر بود. روش نمونه گیری، خوشه ای است و حجم نمونه بر اساس جامعه و با استفاده از فرمول تعیین حجم «کوکران» 328 نفر تعیین گردید. برای تعیین پایایی پرسشنامه ها ضریب آلفای «کرونباخ» برابر 824/0 محاسبه گردید که حاکی از پایایی در سطح مطلوب می باشد. تجزیه و تحلیل داده ها با استفاده از نرم افزارهای SPSS و LISREL انجام شده است. در نهایت، الگوی ارائه شده تأیید گردید. نتایج نشان داد که عوامل انگیزشی بیرونی و درونی بر نگرش نسبت به تسهیم دانش تأثیر داشته و نگرش نسبت به تسهیم دانش بر تمایل به تسهیم دانش صریح و ضمنی در بین کارکنان «شهرداری تهران» تأثیر دارد. همچنین، عوامل انگیزشی بیرونیبر تمایل به تسهیم دانش ضمنی و عوامل انگیزشی درونی بر تمایل به تسهیم دانش صریح تأثیر دارد. عوامل انگیزشی بیرونی بر تمایل به تسهیم دانش صریح و عوامل انگیزشی درونی بر تمایل به تسهیم دانش ضمنی از طریق نگرش تأثیر دارند و در نهایت، تمایل به تسهیم دانش ضمنی بر تمایل به تسهیم دانش صریح در «شهرداری تهران» تأثیر دارد

روابط انسانی برای بقا و زنده ماندن ضروری هستند و در این میان، قراردادهای روان شناختی، نقش مهمی در این رابطه دارند. این قراردادها، مبانی رفتار افراد و فعالیت سازمان ها را بیان می کنند. توسعه قرارداد روان شناختی ممکن است باعث به وجودآمدن اختلاف و عدم توافق، بین طرفین شود و بنابراین از ظرفیت تأثیر منفی بر روابط فی مابین، برخوردار است. ازآنجایی که قرارداد روان شناختی و نقض آن، توان بالقوه لازم برای تأثیر مستقیم یا غیرمستقیم بر مقوله هایی نظیر اعتماد و تعهد را دارد، لازم است که مورد بررسی قرار بگیرد. زیرا تعهد یکی از ضرورت های اجتناب ناپذیر هر سازمانی است. تعهد سازمانی، اثرات بالقوه و جدی بر عملکرد سازمان دارد و می تواند عامل پیش بینی کننده و مهمی در جهت اثربخشی سازمان محسوب شود. تعهد سازمانی با بسیاری از رفتارهای شغلی کارکنان مرتبط است. بنابراین انجام پژوهشی که بتواند تأثیر قراردادهای روان شناختی را بر این عامل مهم بررسی نماید، ضروری می نماید.