حسین وحیدی

تعداد ماشین آلات در هر مسئله ای با هزینه خرید و فضای مورد نیاز آنها ارتباط مستقیمی دارد و بنابراین با توجه به محدودیت بودجه و فضا، باید ملاحظات لازم انجام شود. مسئله تولید کارگاهی در حالت عدم قطعیت، با بیش از دو ماشین NP-Hard به حساب می آید. بر این اساس با استفاده از تکنیک های معمولی تحقیق در عملیات، نمی توان به مدل سازی و یافتن جواب بهینه برای این مسئله اقدام کرد. در این تحقیق ابتدا مدل ریاضی مسئله تولید کارگاهی با محدودیت های فضا و هزینه بیان خواهد شد، سپس به کمک نرم افزار ارنا، 14 مدل شبیه سازی برای m ماشین با n کار ، که دارای توالی تولید مختلفی اند، طراحی می شود و درنهایت با حل یک مثال عددی، جواب نزدیک به بهینه مسئله از لحاظ حداقل کردن تابع هدف مجموع هزینه دیرکرد و زودکرد به منظور تعیین تعداد بهینه ماشین آلات، با در نظر گرفتن قوانین اولویت بندی کارها در سلول های کاری با اجرای مدل و الگوریتم جست وجوی پراکنشی و طراحی آزمایش ها بررسی می شود. با توجه به نتایج حاصل شده در حل مثال عددی، با در نظر گرفتن تعداد پیش فرض ماشین آلات، روش اولویت بندی LPT بهترین پاسخ را از لحاظ مجموع هزینه دیرکرد و زودکرد نتیجه می دهد؛ اما در صورت افزودن تعداد ماشین آلات، روش LPT و CR بهترین نتیجه را با کمک استفاده از الگوریتم جست وجوی پراکنده در شبیه سازی به ما خواهند داد که در این نتایج محدودیت های هزینه و فضا نیز رعایت شده است.

جهان اطراف ما همواره در حال تغییر است. روند این تغییرات بر انقلاب صنعتی چهارم (صنعت 0/4) متمرکز است. این تغییرات قطعاً بر کل جامعه نیز تأثیر خواهد گذاشت و در نتیجه، نیازهای آموزشی و روش های یاددهی/ یادگیری نیز با تغییر مواجه خواهد شد. هدف از این مقاله شناسایی و رتبه بندی الزامات پیاده سازی آموزش نسل چهارم است که با به کارگیری روش تحقیق آمیخته (کیفی- کمی) انجام شد. پژوهش از نظر هدف توسعه ای و کاربردی، از نظر ماهیت توصیفی- پیمایشی، روش نمونه گیری هدفمند و شیوه گردآوری داده ها، کتابخانه ای و میدانی است. جامعه آماری تحقیق، شامل خبرگان حوزه مدیریت و مهندسی صنایع و مدیریت آموزشی و برنامه ریزی درسی است. ابتدا با تجزیه و تحلیل متون در خصوص آموزش نسل چهارم 42 مضمون پایه شناسایی و در 7 مضمون سازمان دهنده و 2 مضمون فراگیر دسته بندی شد. سپس بر اساس مضامین پایه استخراج شده، پرسش نامه ای شامل 42 سؤال را تدوین و در اختیار خبرگان قرار دادیم که پس از پاسخ 21 خبره، نتایج در نرم افزار SPSS25 به وسیله آزمون فریدمن رتبه بندی شد که نشان می دهد سه مضمون پایه تأخیر کم و نرخ داده بالا، پذیرش نرم افزار آموزشی به ترتیب الزامی ترین مضامین پایه، جهت پیاده سازی آموزش 0/4 هستند.

مقدمه: همواره رابطه متقابلی بین تیم های ورزشی و حامیان مالی وجود داشته است. تیم ها برای بالا بردن سرمایه خود و حامیان با استفاده از تبلیغات، پوشش رسانه ای و امتیازات دیگر، این تقابل را ادامه می دهند. البته مهم ترین سوال این است که حامیان مالی با توجه به چه عوامل و شرایطی تیم مورد نظر را انتخاب کنند.روش شناسی: با استفاده از نظرات 26 آزمودنی خبره در حوزه حمایت مالی ، تحلیل سلسله مراتبی شخصی مقایسات زوجی انجام و وزن هر یک مشخص شد. از این رو، 14 معیار در سه دسته شرایط تیمی، کشوری و اقتصادی شناسایی و پیشنهاد شدند. در نهایت از میانگین این داده ها برای ترسیم مدل استفاده گردید.یافته ها: تحلیل یافته ها  نشان داد شرایط تیمی بیشترین تعداد عوامل را به خود اختصاص داد که با توجه به قانون تبادل قابل قبول است. همچنین، وزن معیار های اقتصادی نیز نسبتا مهم ارزیابی شد که با توجه به شرایط کنونی کشور منطقی است. در نهایت، زیر معیار های ارزیابی شده بر حسب وزن نهایشان رده بندی و توضیح داده شدند. از دیگر دست آورد های این مطالعه ضریب ناسازگاری کمتر آن نسبت به مطالعات پیشین است که نشان می دهد مقایسات انجام شده در این مطالعه نسبت به سایرین از دقت بالاتری برخوردار است. با توجه به نتایج تحقیق حاضر عواملی همچون تناسب حمایت مالی(144/0)، میزان تعهدات مالی حامیان نسبت به تیمها (141/0) و عملکرد تیم در زمین (126/0) به عنوان سه عامل اول در تصمیم گیری و انتخاب حامیان مالی در کشورمان شناسایی شدند. که این موضوع می تواند به عنوان عاملی اثر گذار در جذب و انتخاب حامیان مالی معرفی شود. 

جهان امروز در حال تجربه یک موج تغییر با فناوری های دیجیتال و تغییرات فن آورانه است که روندها را تعیین می کنند و بر هر جنبه ای از زندگی تأثیر می گذارد، فناوری های جدید زندگی انسان را به طرق مختلف بهبود می بخشد. برای همگام شدن با این موج تغییر، باید نظام آموزشی کشور را به روز کرد تا این تغییرات از سنین پایین تر در اولویت قرار گیرد. این شامل ادغام فناوری ها در سرفصل آموزشی و پرورش یک محیط یادگیری است تا نوآوری و حل مسئله را تشویق کند و از آن به عنوان آموزش 0/4 یاد می شود. هدف از این مقاله شناسایی فناوری هایی که لازمه ی پیاده سازی آموزش 0/4 است، می باشد و پس از شناسایی بررسی می کند که آیا مراکز آموزش عالی امکان پیاده سازی این فناوری ها را دارد یا خیر؟. برای دستیابی به این هدف بیش از 70 مقاله منتشر شده لاتین موردمطالعه قرار گرفت. با توجه به هدف تحقیق، روش تحقیق آمیخته (کیفی-کمی) برای انجام تحقیق مورد استفاده قرار گرفت. این پژوهش از منظر هدف کاربردی، از نظر ماهیت توصیفی-پیمایشی و شیوه گردآوری داده ها اسنادی-کتابخانه ای و میدانی می باشد. پس از بررسی کامل مقالات تعداد 27 مضمون پایه شناسایی شد که در 7 دسته مضمون سازمان دهنده ی: 1-فناوری های ارتباطی و شبکه، 2- محتوای تعاملی، 3- فناوری های مبتنی برهوش مصنوعی، 4-فناوری های آموزشی، یادگیری و تعاملی 5-  فناوری های دیجیتال، 6- فناوری های واقعیت و شبیه سازی، 7- فناوری نوآورانه قرار گرفت و در نهایت مضامین سازمان دهنده در 2 دسته بندی فراگیر،1- فناوری های ارتباطی و آموزشی و 2- فناوری های نوین و هوش مصنوعی قرار گرفتند. پس از تهیه و توزیع پرسشنامه، باتحلیل داده های بدست آمده از 6 دانشگاه کشور جهت امکان سنجی پیاده سازی این فناوری ها نتیجه شد که دانشگاه ها آمادگی لازم جهت تهیه و بکارگیری فناوری های مرتبط با نظام آموزش نسل 0/4 را ندارند.

سابقه و هدف: ازآنجاکه ارزش و امکان استفاده از هر نقشه تولیدشده براساس تصاویر ماهواره ای با توجه به میزان صحت آن مشخص می شود، ارزیابی صحت روش طبقه بندی تصاویر ماهواره ای دارای اهمیت چشمگیری است. ازاین رو این پژوهش با هدف تحلیل کارآیی الگوریتم های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و حداکثر احتمال (MLC)، در شناسایی کاربری و پوشش اراضی (LULC) منطقه کلان شهری مشهد انجام شده است. تا به امروز الگوریتم های بسیار زیادی، به منظور طبقه بندی تصاویر ماهواره ای، توسعه یافته اند که عملکرد آن ها، در شرایط گوناگون، متفاوت است. به همین دلیل در این پژوهش، ابتدا با مروری بر پژوهش های پیشین، پرکاربردترین الگوریتم ها شناسایی شده و سپس، با سنجش ویژگی های انواع طبقه بندی کننده ها، سه الگوریتم ماشین بردار پشتیبان و جنگل تصادفی و حداکثر احتمال انتخاب شده است. با توجه به اینکه مطالعات متعدد نشان داده است دقت نقشه برداری LULC تحت تأثیر زمان و مکان قرار دارد و هریک از پژوهش های انجام شده نیز بر دقت الگوریتم های متفاوتی تأکید کرده اند، نتایج آن ها درمورد شرایط جغرافیایی ایران تعمیم پذیر نیست. ازطرفی، در شرایط ژئومورفولوژیک ایران، پژوهش های کافی به منظور سنجش دقت الگوریتم های طبقه بندی انجام نشده و اغلب مطالعات صحت سنجی الگوریتم ها در نمونه های موردی خارج از ایران انجام شده است. ازاین رو با توجه به تفاوت نتایج الگوریتم ها در شرایط گوناگون، بررسی دقت و عملکرد الگوریتم ها با تمرکز بر منطقه وسیع و متنوع کلان شهری مشهد می تواند نتایج بدیع و جالب توجهی به همراه داشته باشد. مواد و روش ها: روش تحقیق حاضر، ازمنظر هدف، کاربردی و ازمنظر ماهیت، توصیفی – تحلیلی است. گردآوری اطلاعات در این پژوهش به روش اسنادی – کتابخانه ای انجام شده است. در این مطالعه، تصویر سنجنده OLI در ماهواره لندست – 8 تهیه شده است. طبقه بندی تصاویر ماهواره ای در دو مرحله پیش پردازش و پردازش تصاویر انجام شده و پس از ارزیابی صحت طبقه بندی تصاویر با استفاده از ضریب کاپا، ماتریس اختلاط، ضریب تغییرات و ضرایب User's accuracy و Producer's accuracy، بهترین الگوریتم در طبقه بندی کاربری های منطقه کلان شهری مشهد مشخص شد؛ این کاربری ها شامل پنج دسته و بدین قرار است: 1) مناطق ساخته شده؛ 2) اراضی بایر؛ 3) مناطق کوهستانی؛ 4) فضاهای سبز؛ 5) پهنه های آبی. نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار (SD) و ضریب تغییرات (CV) درصد سهم مساحت در یک کلاس LULC با استفاده از الگوریتم های گوناگون نشان می دهد که اراضی بایر با دقت بیشتر و پهنه های آبی و فضاهای سبز با دقت کمتری طبقه بندی شده اند. نتایج بررسی ضرایب U_Accuracy و P_Accuracy نشان می دهد که به طور کلی، صحت طبقه بندی دسته ها در تمامی الگوریتم های مورد مطالعه، در بازه خوب تا عالی قرار می گیرد. اما بررسی دقیق تر این الگوریتم ها نشان می دهد که بیشترین چالش شناسایی طبقه ها درمورد مناطق ساخته شده، مناطق کوهستانی و فضاهای سبز وجود دارد و شناسایی اراضی بایر با چالش کمتری مواجه است. ضریب کاپا و تحلیل های مبتنی بر ماتریس اختلاط نیز تنوع در دقت هر طبقه بندی کننده LULC را نشان می دهد. تفاوت در دقت طبقه بندی کننده های مورد استفاده جزئی است اما این تغییرات جزئی اهمیت بسیار چشمگیری درزَمینه برنامه ریزی LULC دارد. با توجه به اینکه این اختلافات جزئی در کاربری های حساسی، مانند مناطق ساخته شده و فضاهای سبز دیده می شود، انتخاب الگوریتمی دارای بیشترین دقت و کمترین خطا اهمیت ویژه ای دارد. نتیجه گیری: نتایج بررسی ضریب کاپا و تحلیل های مبتنی بر ماتریس اختلاط نشان می دهد که رویکرد SVM دقت کلی بیشتر و ضریب کاپای بالاتری از روش های RF و MLC دارد؛ به گونه ای که الگوریتم های SVM، RF و MLC به ترتیب، دقت کلی معادل 93/0، 88/0 و 80/0% را به دست آورده اند. بنابراین ماشین بردار پشتیبان بیشترین دقت و کمترین خطا را در بین طبقه بندی کننده های مورد مطالعه دارد. براین اساس که مطالعات متعدد گویای ارتباط میان دقت نقشه برداری LULC با زمان و مکان است، درمورد تحقیقات آینده، تحلیل دقت طبقه بندی کننده ها برای شرایط مورفوکلیماتیک و ژئومورفیک متفاوت پیشنهاد می شود.