محاسبات نرم

توسعه روش های جدید و هوشمند برای جلوگیری از وقوع تصادف یا کاهش شدت تصادفات در راه های برون شهری یکی از اهداف اصلی مطالعات ایمنی راه است. هدف این تحقیق تلفیق قابلیت های سیستم های اطلاعات مکانی (GIS) با روش های مبتنی بر محاسبات نرم، جهت برآورد شدت تصادفات و تعیین فاکتورهای مؤثر بر آن در راه های دو خطه برون شهری است. روش پیشنهادی با ارائه مدل درخت دسته بندی و رگرسیون فازی (FCART) و ایجاد پایگاه داده مکانمند متشکل از داده های تصادفات و اطلاعات راه و محیط مجاور آن در محور قزوین- رشت (ایران) بررسی می شود. نتایج با استفاده روش اعتبارسنجی ده قسمتی بر رویدادهایی که شدت تصادفات آنها معلوم است، ارزیابی و با مدل درخت دسته بندی و رگرسیون (CART) مقایسه می شود. نتایج نشان می دهد که مدل درخت دسته بندی و رگرسیون فازی در مقایسه با درخت تصمیم CART فرایند استنتاج قوی تر ی دارد و شدت تصادفات را با صحت بیشتری پیش بینی می کند. تحلیل حساسیت روش پیشنهادی ضمن کشف تأثیرات مکانی طرح هندسی و عوارض و کاربری های مجاور راه بر شدت تصادفات، نقص فنی خودرو، کمربند ایمنی و شرایط آب وهوایی را نیز مهم ترین فاکتورهای تأثیر گذار در شدت تصادف می شمارد. این مطالعه به متخصصان ایمنی راه کمک می کند تا عوامل مکانی تأثیرگذار در سطوح متفاوت شدت تصادفات را شناسایی کنند و اقدامات پیشگیرانه لازم را برای کاهش شدت یا جلوگیری از وقوع تصادفات انجام دهند.

همواره مدل سازی و پیش بینی متغیرهای مالی یکی از موضوع های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش بینی سری های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز های تصادفی داده های ورودی شبکه عصبی فازی تطبیقی کاهش می یابد و ازاین رو، این عمل باعث کاهش خطا و بهبود در پیش بینی سری زمانی آشوبی موردنظر می شود. در این مقاله، روش یادشده با استفاده از سری بازده بورس اوراق بهادار تهران در بازه زمانی 8/1/1390 تا 1/07/1395 مورد ارزیابی قرار گرفته که نتایج بیان کننده برتری روش پیشنهادی نسبت به سایر روش هاست. همچنین معنا داری اختلاف در پیش بینی مدل های مختلف با استفاده از آزمون MGN مورد بررسی قرار گرفت که نتایج نشان دهنده اختلاف معنا دار در پیش بینی مدل های مختلف بود.

  شناسایی ساختارهای موجود در شبکه های اجتماعی، فرآیندی حائز اهمیت در تحلیل این شبکه ها است. یکی از مسائلی که در سال های اخیر در زمینه شناسایی ساختارهای شبکه های اجتماعی مطرح شده است، مسئله اجتماع یابی است. با توجه به اهمیت این موضوع، تاکنون روش های حل متنوع و گوناگونی برای اجتماع یابی پیشنهاد شده است. در پژوهش حاضر، یک الگوریتمی ترکیبی از روش های بهینه سازی علف های هرز و ژنتیک پیشنهاد شده است که هدف آن یافتن جواب های مناسب و باکیفیت برای مسئله اجتماع یابی است. در این روش ترکیبی، جواب های اولیه توسط روش بهینه سازی علف های هرز تولید می شوند و در ادامه جواب های یافته شده به وسیله الگوریتم ژنتیک در فرآیند بهینه سازی، بهبود می یابند. ارزیابی برازندگی جواب ها، مبتنی بر معیار چگالی پودمانگی است. چگالی پودمانگی، معیاری با ماهیت بیشینه سازی است که میزان کیفیت اجتماعات کشف شده را به دست می دهدمشخص می کند. به منظور بررسی کیفیت جواب های الگوریتم پیشنهادی، نتایج این روش نسبت به چهار الگوریتم علف های هرز، ژنتیک، الگوریتم کرم شب تاب و یک الگوریتم جستجوی کاملاً تصادفی مقایسه شده اند. پارامترهای این الگوریتم ها به کمک یک رویکرد طراحی آزمایش ها تنظیم شده اند. این مقایسات بر روی شبکه های محک گوناگون و با ابعاد متفاوت انجام شده اند. با توجه به نتایج به دست آمده، می توان دریافت که الگوریتم پیشنهادی قادر به تولید جواب هایی باکیفیت بالا است. اعتبارسنجی نتایج الگوریتم ها نیز توسط شاخص اطلاعات متقابل نرمال انجام شده است.