شبکه عصبی

در این تحقیق شاخص کل سهام بورس اوراق بهادار تهران با استفاده از مدل های مختلف شبکه های عصبی پیش بینی شده است. تحقیق از نوع کاربردی است و دوره زمانی انجام تحقیق از ابتدای سال 81 تا پایان سال 90 است. گردآوری اطلاعات از طریق آمار و داده های موجود در پایگاه اطلاعاتی در بورس اوراق بهادار تهران صورت گرفته است. برای ایجاد مدل WDBP از موجک db5 برای نویززدایی داده ها و تا پنج مرحله صورت گرفته است. جذر میانگین مربعات خطا (RMSE) معیارِ ارزیابی برای سنجش خطای پیش بینی است. نتایج این تحقیق نشان می دهد، عملکرد شبکه عصبی موجکی در پیش بینی شاخص سهام سطح خطای کمتری دارد و از شبکه عصبی بهتر است.

در مسائل مکانیابی پوشش نوین، افزایش فاصله از تسهیل ارائه دهنده سرویس در ناحیه پوشش، موجب کم شدن سطح پوشش دهی می گردد و تحت عنوان پوشش تدریجی در نظر گرفته می شود، با ازدیاد نقاط تقاضا، زمان حل در اینگونه مسائل افزایش می یابد. لذا روشهای مختلف حل از جمله دقیق، فرا ابتکاری و ابتکاری برای مدلهای مختلف مسئله پوشش تدریجی مطرح شده است. در این مقاله مسئله پوشش تدریجی با استفاده از روشهای شبیه سازی تبرید، خوشه بندی شبکه عصبی و خوشه بندی k -means حل شده و جوابها و زمانهای بدست آمده از سه روش مورد تحلیل قرار گرفته است. نتایج بدست آمده نشان دهنده کارایی روش k-means در حل مسئله است و این روش می تواند در مدت زمان قابل قبول جوابهایی با دقت بالا (نزدیک به جوابهای بدست آمده از روش شبیه سازی تبرید) تولید نماید. در ادامه کاربرد روشهای خوشه بندی در مسئله پوشش تدریجی برای احداث مرکز خرید در ایران مورد ارزیابی قرار گرفته و تسهیلات بدست آمده با این روش به مکانهایی اختصاص داده شده اند که بیشترین پوشش را دارا هستند.