مطالب مرتبط با کلیدواژه

شبکه عصبی


۸۱.

ارزیابی ریسک اعتباری با استفاده از مدل ترکیبی شبکه عصبی بازشناسی الگو و الگوریتم مورچگان(مقاله علمی وزارت علوم)

نویسنده:
منبع: فرآیند مدیریت و توسعه دوره ۳۳ بهار ۱۳۹۹ شماره ۱ (پیاپی ۱۱۱) 133-170

کلیدواژه‌ها: ریسک اعتباری احتمال ورشکستگی شبکه عصبی الگوریتم بازشناسی الگو الگوریتم کلونی مورچگان

حوزه‌های تخصصی:
تعداد بازدید : ۳۹۷ تعداد دانلود : ۷۱۱
میزان قابلتوجه زیان مالی بالقوه ناشی از بازپرداخت نکردن تعهدهای وامگیرندگان است، و توسعه و بهبود روشهای اندازهگیری ریسک اعتباری برای کاهش زیان مالی ناشی از نکول وامگیرندگان به موضوعی اجتناب ناپذیر در ادبیات مالی تبدیل شده است. هدف مدلهای پیشبینی ورشکستگی، برآورد احتمال نکول شرکت یا شخص در یک دوره زمانی است. در پژوهش حاضر، از دادههای شرکتهای حاضر در بورس اوراق بهادار تهران و فرابورس در سالهای 1395-1370 استفاده می شود و با نمونهای از ۲۱۸ شرکت، الگوریتم کلونی مورچگان برای تعیین موثرترین عوامل ریسک اعتباری و روش شبکه عصبی بازشناسی الگو برای طبقهبندی و ارزیابی میزان دقت پیشبینی ورشکستگی استفاده می شود. نسبتهایی شامل سود قبل از بهره و مالیات به فروش کل، کل حقوق صاحبان سهام به کل بدهی، نسبت جاری، نسبت وجه نقد، و نسبت حقوق صاحبان سهام به دارایی کل به عنوان موثرترین عوامل شناسایی می شوند. مدل نهایی قادر به پیشبینی وضعیت اعتباری شرکتها، با دقت بالاتری نسبت به متوسط دقت مدلهای متداول موجود با استفاده از دادههای سال قبل، دو سال قبل، و سه سال قبل از سال هدف برآورد است.
۸۲.

تبیین دسته بندهای ماشین بردار پشتیبان و شبکه عصبی جهت درجه بندی شعب بانک(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت صنعتی (آزاد سنندج) سال پانزدهم پاییز ۱۳۹۹ شماره ۵۳ 53 - 70

کلیدواژه‌ها: داده کاوی بانکداری ماشین بردار پشتیبان شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۴۷۲ تعداد دانلود : ۳۳۵
در صنعت بانکداری اطلاعات زیادی وجود دارد که شناسایی آن از اهمیت ویژه ای برخوردار است. استفاده از تکنیک های داده کاوی نه تنها کیفیت را بهبود می بخشد بلکه منجر به مزایای رقابتی و ارتقای جایگاه بازار نیز می گردد. با استفاده از داده کاوی و به منظور تجزیه و تحلیل الگوها و روندها، بانکها می توانند صحت این را پیش بینی کنند درجه بندی شعب بانک چگونه است. در این مقاله درجه بندی شعب یکی از بانکهای بزرگ تجاری (تعداد شعب انتخاب شده 1825 شعبه و تعداد ویژگی های مورد استفاده 57 ویژگی) با استفاده از دسته بندهای ماشین بردار پشتیبان و شبکه عصبی چند لایه پرسپترون برروی داده های واقعی انجام گرفت. نتایج ارزیابی مربوط به ماشین بردار پشتیبان نشان داد که این دسته بند دارای کارایی پایین تری برای روش پیشنهادی است. اما استفاده از شبکه های عصبی و ترکیب آن با PCA نشان داد که دارای معیارهای کارایی بالایی است. مقادیر مربوط به کارایی و صحت با استفاده از شبکه عصبی با دقت بسیار بالایی بدست آمد.
۸۳.

قیمت گذاری بازیکنان فوتبال با تکنیک داده کاوی مورد مطالعه: بازیکنان باشگاه استقلال(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت ورزشی سال دوازدهم پاییز ۱۳۹۹ شماره ۳ (پیاپی ۵۰) 735 - 757

کلیدواژه‌ها: الگوریتم درخت تصمیم پیش بینی قیمت داده کاوی دستمزد بازیکنان شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۷۶۴ تعداد دانلود : ۳۸۵
بازیکنان از جمله مهم ترین و باارزش ترین دارایی ها و سرمایه های باشگاه های ورزشی محسوب می شوند که مبلغ قرارداد ایشان منابع زیادی از باشگاه ها را از آن خود کرده است. در مطالعه حاضر، با هدف بررسی نقش عوامل مرتبط با ارزش گذاری بازیکن، به پیش بینی مبلغ قرارداد آنان پرداخته شد. روش تحقیق حاضر کاربردی- پیمایشی و از نوع کمی و نمونه های تحقیق به صورت کل شمار، شامل 41 بازیکن تیم فوتبال باشگاه استقلال بود. داده های تحقیق بر مبنای روش اسنادکاوی داده های عملکرد بازیکنان، در دو فصل بود. در به کارگیری روش داده کاوی، از الگوریتم های شبکه عصبی، درخت تصمیم و الگوریتم خوشه بندی کای میانگین برای دسته بندی، تحلیل داده ها و پیش بینی قیمت، استفاده شد. همچنین از طریق پیش بینی مجدد قیمت با داده های خام اولیه و با استفاده از الگوریتم های ساخته شده در مدل های مختلف و بهره گیری از نمودار و تحلیل عددی، مقدار پیش بینی با مقدار واقعی در نرم افزار کلمنتاین، مدل به دست آمده تست شد. براساس یافته ها، در الگوریتم شبکه عصبی متغیر شیرجه بالاترین ضریب تأثیر و متغیر کل زمان بازی شده در طول یک فصل کمترین ضریب تأثیر را در قیمت گذاری بازیکن داشت. در الگوریتم درخت تصمیم بیشترین عامل تأثیرگذار بر قیمت بازیکن، سن و کمترین عامل، پست بازیکن بود. همچنین اولین عامل تأثیرگذار بر قیمت قدرت بدنی بود. تفاوت مقادیر پیش بینی شده در روش های الگوریتمی با داده های واقعی احتمالاً ناشی از عدم استفاده از رویکرد علمی در ارزش گذاری قراردادهای بازیکنان است. در پیش بینی قیمت بازیکنان، با فرض بودجه ثابت باشگاه، الگوریتم درخت تصمیم و با فرض بودجه متغیر، شبکه عصبی پیشنهاد می شود.
۸۴.

تحلیل اثرگذاری مزیت های جغرافیایی در توسعه پایدار روستایی شهرستان خرم آباد(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و آمایش شهری - منطقه ای سال دهم پاییز ۱۳۹۹ شماره ۳۶ 1 - 20

کلیدواژه‌ها: مزیت جغرافیایی توسعه پایدار شبکه عصبی خرم آباد

حوزه‌های تخصصی:
تعداد بازدید : ۴۴۶ تعداد دانلود : ۲۷۴
شناخت دقیق از مزیت های جغرافیایی نواحی، عامل کلیدی و یکی از پیش شرط های ضروری برای دستیابی به توسعه پایدار روستایی است؛ زیرا از این طریق بسترها و زمینه های لازم برای توسعه متوازن و متعادل در مناطق روستایی فراهم می شود. در این راستا، این مقاله با هدف تحلیل اثرات مزیت های جغرافیایی در پیش بینی توسعه پایدار در روستاهای شهرستان خرم آباد تهیه شده است. روش تحقیق کمّی مبتنی بر منطق قیاس است. جامعه آماری تحقیق، روستاهای شهرستان خرم آباد هستند که با استفاده از نمونه گیری طبقه ای-تصادفی تعداد 150 روستا به عنوان نمونه انتخاب شدند. داده ها و اطلاعات با استفاده از منابع کتابخانه ای (در قالب داده های ثانویه) و پرسشنامه محقق ساخته (توزیع پرسشنامه در بین دهیاران و اعضای شوراهای اسلامی) جمع آوری شد. برای تجزیه و تحلیل داده ها از آزمون های همبستگی، تحلیل گام به گام و شبکه عصبی استفاده شده است. مبتنی بر یافته ها، این پژوهش به این نتیجه رسید که در بین متغیرهای تعریف کننده مزیت جغرافیایی به ترتیب متغیرهای جمعیت فعال، سرمایه گذاری دولتی، سرمایه گذاری خصوصی، جمعیت ماهر و متخصص، اراضی زراعی، حجم و میزان آب، دسترسی به نقاط شهری و گردشگر وارده شده از مؤثرترین متغیرهای پیش بینی کننده توسعه پایدار روستایی در شهرستان خرم آباد هستند. البته، توسعه پایدار سکونتگاه های روستایی، اگرچه می تواند متأثر از متغیرهای مختلف (مزیت های جغرافیایی) باشد، ولی برخی از آن ها با توجه به جهت گیری های توسعه ای خاصی که در سطح ناحیه در حال تحقق است، از اثرگذاری بیشتری برخوردار شده اند. با توجه به یافته های به دست آمده در پژوهش حاضر و اهمیت مزیت های جغرافیایی در توسعه و به خصوص توسعه پایدار روستایی، پیشنهاد می شود که با انجام مطالعات دقیق و برنامه ریزی شده به شناسایی مزیت های خاص نواحی مختلف روستایی پرداخته شود تا از این طریق سیاست گذاری ها در مناطق کشور بر تصمیمات مکانی درستی متکی شود و تدوین برنامه های توسعه، منطبق با توان ها و مزیت های جغرافیایی هر ناحیه باشد.
۸۵.

پهنه بندی پتانسیل خطر زمین لغزش با استفاده از مدل شبکه عصبی ( مورد مطالعه:حوضه آبریزالموت رود استان قزوین)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال نهم زمستان ۱۳۹۹ شماره ۳ (پیاپی ۳۵) 185 - 171

کلیدواژه‌ها: شبکه عصبی پتانسیل خطر الموت رود قزوین پرسپترون

حوزه‌های تخصصی:
تعداد بازدید : ۳۱۹ تعداد دانلود : ۳۳۰
یکی از مهمترین فرآیندهای حرکات دامنه ای زمین لغزش می باشد. زمین لغزش جابجایی حجم زیادی از توده های خاک ، سنگ ویا ترکیبی از آنها به طرف پایین شیب ، در اثر نیروی ثقل می باشد و علاوه بر تلفات جانی بسیار ، موجب زیان های اقتصادی فراوانی خواهد شد. چون پیش بینی زمان و محل دقیق وقوع زمین لغزشها مشکل می باشد شناسایی نقاط حساس و پهنه بندی این مناطق بر اساس پتانسیل خطر ناشی از زمین لغزش اهمیت فراوانی دارد . تهیه نقشه پهنه بندی زمین لغزش به شناسایی مناطق آسیب پذیر در برنامه ریزی های محیطی کمک فراوانی می نماید. حوضه ی آبریز الموت رود ، در شمال شرقی استان قزوین واقع شده است و به علت کوهستانی بودن ،اختلاف ارتفاع بسیار زیاد ، لیتولوژی و سازند های مختلف زمین شناسی ، استعداد بسیار زیادی در ایجاد حرکات دامنه ای ، خصوصا زمین لغزش را دارا می باشد.  هدف از این پژوهش شناسایی عوامل موثر و پهنه بندی پتانسیل این خطر در حوضه ی آبریزالموت رود استان قزوین با استفاده از شبکه عصبی مصنوعی ( ANN)  می باشد. برای انجام این تحقیق ابتدا از طریق عکس های هوایی55000/1و 40000/1 و تصاویر ماهواره   سنتینل2 زمین لغزشها شناسایی و با بازدید های میدانی وتصاویر گوگل ارث مختصات وصحت آنها بررسی ونقشه پراکنش زمین لغزشها تهیه شد و با توجه به موقعیت زمین لغزشها ، 7 عامل موثر در وقوع آنها بررسی و به کمک GIS لایه های اطلاعاتی تهیه شد و در محیط متلب   ساختار مناسب برای پهنه بندی زمین لغزشهای حوضه با استفاده از مدل شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه نوشته شد. بر اساس نتایج حاصله از این مدل به ترتیب 84/26، 36/31، 32/21، 91/16و 49/3 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار دارند. همچنین ضریب کاپای 72/ محاسبه شد که مورد قبول می باشد.
۸۶.

سطح بندی شهرستان های استان آذربایجان شرقی از لحاظ شاخص های توسعه فرهنگی با استفاده از مدل های تصمیم گیری چند معیاره(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: جغرافیا و مطالعات محیطی سال هفتم بهار ۱۳۹۷ شماره ۲۵ 43 - 56

کلیدواژه‌ها: شبکه عصبی رگرسیون چند متغیره ضریب تبیین اهواز

حوزه‌های تخصصی:
تعداد بازدید : ۳۲۰ تعداد دانلود : ۱۸۴
بکارگیری روش هاى علمی به منظور بررسی و سطح-بندی مناطق از حیث توسعه یافتگى در جنبه هاى فرهنگی، منجر به شناخت میزان نابرابری ها گردیده است و معیاری برای تلاش در حوزه کاهش و رفع نابرابری هاى موجود میان آنها محسوب می شود. به همین دلیل در این پژوهش سعی شده به بررسی تفاوت ها و نابرابری ها بین شهرستان های استان آذربایجان شرقی از نظر وضعیت و سطوح برخورداری از شاخص های فرهنگی پرداخته شود، تا در قالب برنامه ریزی توسعه ی ناحیه ای و از طریق تعیین درجه ی توسعه نیافتگی، تصویر روشن و شفافی از امکانات و خدمات فرهنگی در این استان ارائه گردد. پژوهش حاضر از نوع توصیفی - تحلیلی و کمی بوده، جامعه آماری شامل کلیه شهرستان های استان آذربایجان شرقی می باشد. آمار واطلاعات لازم از آمارنامه های سازمان برنامه و بودجه استانداری آذربایجان شرقی تهیه و با استفاده از داده های 10 شاخص فرهنگی سال 1394، انجام گرفته است. جهت بدست آوردن ضریب اهمیت شاخص ها از روش آنتروپی شانون و برای تجزیه و تحلیل، از مدل-های تصمیم گیری چند معیاره TOPSIS و SAW استفاده شده است. شاخص های بکار رفته در این پژوهش عبارتند از؛ X1 تعداد اعضای کانون پرورش فکری کودکان، X2 تعداد سینما، X3 تعداد کانون پرورش فکری کودکان و نوجوانان، X4 تعداد کتابخانه های عمومی، X5 تعداد چاپخانه، X6 سالن نمایش، X7 تعداد تماشاگران، X8 تعداد صندلی سینما ها، X9 تعداد سالن نمایش سینما، X10 تعداد اعضای کتابخانه های عمومی. نتایج حاصل بیانگر عدم تعادل در توزیع شاخص های فرهنگی در سطح استان می باشد. لذا انتظار می رود با توجه خاص مسئولین فرهنگی استان، سیاستگزاری های مؤثرتر، هماهنگی بیشتر بین ارگان های فرهنگی و اقدامات مناسب جهت بهبود وضعیت فرهنگی استان آذربایجان شرقی تحقق پیدا کند.
۸۷.

تحلیلی بر تغییرات و پیش بینی روند کاربری اراضی شهر ارومیه با استفاده از مدل SVM و شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال دوازدهم زمستان ۱۳۹۹ شماره ۴ (پیاپی ۴۸) 53 - 72

کلیدواژه‌ها: طبقه بندی شهر ارومیه شبکه عصبی SVM MLP

حوزه‌های تخصصی:
تعداد بازدید : ۴۷۱ تعداد دانلود : ۲۷۰
رشد جمعیت شهرنشین با افزایش فضاهای شهری و به طورکلی، با رشد اندازه شهرها همراه بوده است. این امر به صورت ساخت وساز بیشتر و تغییر اراضی موجود به نفع فضاهای ساخته شده بروز می یابد. موقعیت خاص شهر ارومیه در مجاورت دریاچه ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامه ریزی صحیح کاربری اراضی را، در این شهر، ناگزیر می کند. یکی از ابزارهای مورد نیاز برای برنامه ریزی مناسب، در این زمینه، بهره گیری از تکنیک های سنجش از دور است. پژوهش حاضر با هدف ارزیابی این تغییرات (دوره 2015-1989) و پیش بینی روند آتی آن صورت گرفته است. از روش های SVM و شبکه عصبی برای ارزیابی تغییرات در پنج کلاس استفاده شده است. ضریب تعیین (0.73) و منحنی راک (82.55%) نیز بیانگر دقت بالای مدل شبکه عصبی برای پیش بینی تغییرات گسترش شهری اند. با توجه به دقت بالای این مدل، که می تواند نتایج واقعی تری ارائه دهد، از نتایج این نوع طبقه بندی در پیش بینی تغییرات برای افق 2045 استفاده شده است. اراضی ساخته شده در سال 1989 برابر با 7469.1 هکتار بوده که در سال 2002 و 2015، به ترتیب، به 9217.3 و 9436.9 هکتار رسیده است. در سال 2045، براساس مدل پیش بینی شبکه عصبی، برابر با 22449.6 هکتار خواهد بود که 13012.7 هکتار افزایش را در اراضی ساخته شده نشان می دهد. نتایج حاصل گویای این است که تمامی این ساخت وسازها برمبنای نیاز واقعی شهر نبوده و پدیده اسپرال (گستردگی شهری) اتفاق افتاده است.
۸۸.

امکان سنجی توان شبکه عصبی در پیش بینی دیدگاه افراد جدیدالورود نسبت به هوش تجاری شرکت

نویسنده:
منبع: رهیافت های نوین در مطالعات اسلامی سال سوم بهار ۱۴۰۰ شماره ۶ 77-90
تعداد بازدید : ۳۶۴ تعداد دانلود : ۸۱۱
امروزه در شرکت های بزرگ تجاری، مالی و اقتصادی دیدگاه کارکنان و کارمندان آن نسبت به ماهیت، اهداف و اطلاعات مربوط به شرکت و نیز میزان دسترسی به اطلاعات برای آنان و همچنین دیدگاه آنان نسبت به هوش تجاری شرکت از اهمیت بسیار بالایی برخوردار است. از این رو ارزیابی و پیش بینی دیدگاه و رویکرد آنان، علی الخصوص افراد جدید الورود به شرکت در جهت بهبود بهره وری و مدیریت سازمانی از جمله اهداف مهم بسیاری از شرکتهاست و این شرکتها از طرق متعدد و با استفاده از روش های متعددی در صدد دستیابی به این هدف هستند. با توجه به اهمیت این موضوع در این مقاله سعی شده است که به منظور پیش بینی دیدگاه افراد در رابطه با هوش تجاری شرکت از روش شبکه عصبی و امکان سنجی توان آن استفاده گردد. به همین منظور در ابتدا نظرات افراد مورد نظر نسبت به میزان کارایی و اثربخشی هوش تجاری موجود از طریق پرسش جمع آوری و به شبکه جهت آموزش ارائه شد تا براساس میانگین هندسی صفر یا یک بودن هر سوال مورد بررسی و تحلیل قرار گیرد. سپس داده ها از طریق تایع متلب مورد تست قرار گرفته و با توجه به ماتریس بی نظمی کل و منحنی مشخصه عملکرد (ROC) داده ها تحلیل و ارزیابی شده است. یافته ها نشان می دهد که شبکه عصبی با اطمینان بالای ۹۵٪ قادر به پیش بینی نظرات افراد تازه وارد درباره هوش تجاری جاری شرکت خواهد بود.
۸۹.

ترکیب تصاویر چندطیفی و SAR با قدرت تفکیک مکانی بالا به منظور آشکارسازی ساختمان ها در مناطق شهری(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال سیزدهم بهار ۱۴۰۰ شماره ۱ (پیاپی ۴۹) 1 - 16

کلیدواژه‌ها: آشکارسازی ساختمان انتخاب ویژگی SVM شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۴۶۳ تعداد دانلود : ۲۳۳
در این مقاله، به منظور رفع برخی محدودیت های شناسایی ساختمان در تصاویر چندطیفی، از داده SAR به منزله داده مکمل استفاده می شود. در روش پیشنهادی، برای استفاده هم زمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنی بر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح می شود. همچنین، ازآن جاکه انتخاب ویژگی نقش بسزایی در شناسایی و طبقه بندی عوارض دارد، اغلب روش های مرسوم و رایج در این زمینه، مانند الگوریتم ژنتیک، نیازمند داده های آموزشی اند؛ اما دردسترس نبودن همیشگی این نوع داده های آموزشی یکی از دغدغه های مهم محققان به شمار می آید. پس در این تحقیق، دو روش انتخاب ویژگی فیلترمبنا بررسی می شود تا مشخص شود آیا روش های یادشده می توانند، در مواقع لازم (نبودِ داده آموزشی)، جایگزین الگوریتم ژنتیک شوند؟ بنابراین، در پژوهش حاضر، ابتدا بردار ویژگی بهینه از تصویر چندطیفی و SAR، با سه روش MNF وPCA  و ژنتیک، تعیین و هریک جداگانه وارد هر دو طبقه بندی کننده شبکه عصبی و SVM می شود. سپس به منظور رفع مشکلاتی، همچون تشابه طیفی پشت بام ها با پوشش آسفالت خیابان ها، در تصاویر چندطیفی و بهبود نتایج، دو تصویر چندطیفی و SAR در سطح ویژگی تلفیق می شود. در نهایت و در مرحله بعدی، بهترین تصاویر طبقه بندی شده با شبکه عصبی و SVM، در تمامی بررسی های صورت گرفته تا به این مرحله، وارد تلفیق در سطح تصمیم گیری می شوند. نحوه تلفیق در سطح تصمیم گیری بدین صورت است که اطلاعات همسایگی هر پیکسل در قالب پنجره مکانی متحرک در ابعاد متفاوت، با هدف تصمیم گیری درمورد ماهیت هر پیکسل، استفاده می شود. بنابراین، نتایج حاصل شده در این تحقیق، با صحت کلی و دقت شناسایی ساختمان، به ترتیب 92.82% و 80.14% بیانگر عملکرد مناسب این روش است.
۹۰.

مدل سازی رفتار اطلاعاتی کاربران پایگاه های اطلاعاتی با روش شبکه عصبی با تأکید بر تعاملات پیشین آنها با نتایج جست وجو(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه پردازش و مدیریت اطلاعات دوره ۳۷ پاییز ۱۴۰۰ شماره ۱ (پیاپی ۱۰۷) 255-276

کلیدواژه‌ها: بازخورد رفتاری بازیابی اطلاعات شبکه عصبی کاربر موتور جست وجو

حوزه‌های تخصصی:
تعداد بازدید : ۴۴۸ تعداد دانلود : ۴۳۳
در طراحی موتورهای جست وجو بررسی پایگاه داده مورد مطالعه و ایجاد ارتباط با آن دارای اهمیت است. در پژوهش حاضر با بررسی تعاملات کاربران پایگاه های اطلاعاتی با سیستم در حین جست وجو، به مدل سازی رفتار اطلاع یابی آن ها پرداخته می شود. این پژوهش یک مطالعه کاربردی است که با استفاده از شبکه عصبی اجرا شده است. داده ها از طریق مشاهده رفتار کاربران در استفاده از پایگاه داده «ایرانداک» و مطالعه لاگ کاربران گردآوری شده است. الگوی اغلب جست وجوهای انجام شده در بیشتر موارد به صورت «کلی به جزیی» و «اختصاصی» است. شرکت کنندگان جست وجوی خود را با اطلاعات کلی در مورد موضوع، مانند معرفی و بررسی حقایق، شروع نموده و سپس، هر یک بر روی جنبه های خاصی از موضوع تمرکز کردند. در بعضی موارد، کاربران در حین جست وجو ایده های جدیدی به دست آوردند. با توجه به نتایج به دست آمده می توان چنین استنتاج کرد که بر اساس مدل استخراجی، عواملی چون پیشینه کلی فرد در مورد موضوع، دانش موضوعی، محدوده زمان و ابزارهای در اختیار، پاسخ مورد نظر در جست وجو را تحت تأثیر قرار می دهد. موتورهای جست وجوی کنونی تنها بخشی از مدارک مرتبط با موضوع را در یک مجموعه داده بازیابی می کند. برای دسترسی به مطالب بیشتر و مناسب تر در حجم عظیم داده ها لازم است مدل های بهتری مورد بررسی قرار گیرد. روش شبکه عصبی پیشنهادی در این مطالعه امکان بهبود بازیابی اطلاعات را در مدت زمان کم فراهم می آورد. همچنین، با این روش می توان این امکان را به وجود آورد که مدل جست وجو هر مرتبه با جست وجوی کاربران به روزرسانی شده و نتایج کامل تر و دقیق تری به دست آید.
۹۱.

طراحی الگوی استعدادیابی ورزشکاران کاراته کار مبتنی بر الگوریتم های هوش مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش در طب ورزشی و فنآوری سال یازدهم بهار و تابستان ۱۴۰۰ شماره ۲۱ 54-37

کلیدواژه‌ها: کاراته استعدادیابی شبکه عصبی آنتروپومتری بیومکانیک

حوزه‌های تخصصی:
تعداد بازدید : ۷۶۳ تعداد دانلود : ۶۰۴
باوجود اهمیت استعدادیابی برای رشته های ورزشی، مستندات مرتبط با استعدادیابی در کاراته بسیار اندک است. هدف از انجام این مطالعه طراحی الگوی استعدادیابی ورزشکاران کاراته کار مبتنی بر الگوریتم های هوش مصنوعی است. آزمودنی ها به صورت نمونه گیری در دسترس به دو گروه کاراته کاران نوجوان نخبه (19 نفر) و غیر کاراته کاران (20 نفر) تقسیم شدند. برخی متغیرهای آنتروپومتریکی و بیومکانیکی مبتنی بر پیشینه تحقیق انتخاب و اندازه گیری شد. از آزمون شاپیرو-ویلک برای تعیین نرمال بودن توزیع داده ها استفاده شد. برای کاهش حجم داده ها و تعیین مهم ترین متغیرهای آنتروپومتریکی و بیومکانیکی، روش آماری آنالیز مؤلفه های اصلی ( PCA ) به کاربرده شد. سپس در مدل سازی از الگوریتم شبکه های عصبی با سه لایه ورودی (10 نرون)، میانی (7 نرون) و خروجی (2 نرون) استفاده شد. نتایج نشان داد که مهم ترین متغیرهای آنتروپومتریکی و بیومکانیکی کاراته کاران نوجوان نخبه به ترتیب چربی زیرپوستی سینه ای، قد، پرش، تعادل ایستا، قدرت نسبی پنجه دست، محیط سینه، محیط مچ پا، چربی زیرپوستی شکم و طول ظاهری پا هستند. همچنین درصد طبقه بندی صحیح و حساسیت داده ها بالا و به ترتیب 87 ٪ و 85 ٪ بود. با توجه به یافته ها می توان از این الگوی پیشنهادی هوشمند برای استعدادیابی کاراته کاران در کنار سایر روش ها استفاده کرد.
۹۲.

ارزیابی مدل سازی تخمین میزان رسوب رودخانه با روش شبکه عصبی مصنوعی و رگرسیون چند متغییره (رودخانه ونایی)(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال بیست و یکم پاییز ۱۴۰۰ شماره ۶۲ 56-41

کلیدواژه‌ها: ونایی شبکه عصبی تخمین رسوب رگرسیون خطی MLP

حوزه‌های تخصصی:
تعداد بازدید : ۴۰۵ تعداد دانلود : ۲۴۲
رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه ( MLP ) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخص های RMSE و MAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی MLP دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R2 که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار90.47 برای مدل MLP محاسبه شده است، مقدار R2 برای این مدل برابر 0.89 است. پس از مدل شبکه عصبی مصنوعی MLP . مدل رگرسیون خطی چند متغیره با مقدار R2 برابر با 0.353 قرار دارد. و این نشان دهنده ی دقت سه برابری مدل MLP نسبت به مدل رگرسیون می باشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد بیشترین میزان خطا را دارد.
۹۳.

پهنه بندی احتمال وقوع زمین لغزش در پایین دست سد سنندج(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحلیل فضایی مخاطرات محیطی سال هشتم تابستان ۱۴۰۰ شماره ۲ 70-55

کلیدواژه‌ها: پهنه بندی خطر زمین لغزش شبکه عصبی AHP حوزه آبریز قشلاق سنندج

حوزه‌های تخصصی:
تعداد بازدید : ۲۳۳ تعداد دانلود : ۲۹۳
هدف از این پژوهش انتخاب بهترین مدل و شناسایی پهنه های خطر زمین لغزش در حوضه های پایین دست سد سنندج است. منطقه مورد مطالعه به مساحت 7/970 کیلومتر مربع در پایین دست سد سنندج قرار دارد و بر روی زون ساختاری سنندج - سیرجان واقع شده است. در این مطالعه از 9 عامل موثر بر زمین لغزش، شامل شیب، جهت شیب، فاصله از گسل، فاصله از جاده، فاصله از آبراهه، لیتولوژی، کاربری اراضی و بارش استفاده شد . با استفاده از تصاویر ماهواره ای Landsat 8 ETM ، تعداد ۲۳۷ نقطه لغزشی مشخص گردید. سپس نقشه پراکنش زمین لغزشهای منطقه تهیه شد. همچنین 89 نقطه غیرلغزشی، به منظور استفاده در مراحل آموزش و آزمایش شبکه عصبی پرسپترون در داخل شیبهای کمتر از 5 درجه مشخص شدند. در مدل شبکه عصبی مصنوعی لایه ی میانی به صورت پیش فرض نرم افزار انتخاب شد. از 70 درصد زمین لغزشهای رخداده، جهت آموزش شبکه عصبی و از 30 درصد مابقی به عنوان داده های زمین مرجع جهت آزمایش و کالیبره کردن مدل استفاده شد. داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار نهایی شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه میانی و 1 نرون در لایه خروجی است. در مدل AHP پس از محاسبه ی وزن نهایی زیرمعیارها، وزن های محاسبه شده را به جدول توصیفی لایه های اطلاعاتی عوامل موثر اضافه نموده و در نهایت نقشه ی پهنه بندی خطر زمین لغزش در منطقه بدست آمد. پس از آماده سازی مدلها، منطقه ی مورد مطالعه با 9 متغیر ورودی تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. از 5 روش محاسبه میزان خطا جهت صحت سنجی مدلها استفاده شد . بر اساس مدل شبکه عصبی، حدود 31 درصد و مدل AHP ۳۵ درصد از منطقه در محدوده مناطق مطلوب جهت فعالیتهای انسانی قرار دارد. همچنین بر اساس مدل شبکه عصبی حدود 39 درصد و مدل AHP ۳۳ درصد از منطقه در محدوده مناطق نامطلوب و بسیار نامطلوب قرار گرفته اند. مناطق مخاطره آمیز عمدتا در غرب و جنوب غرب حوزه واقع شده اند. مقایسه نتایج صحت سنجی نشان می دهد که مدل شبکه عصبی پرسپترون دارای دقت بهتری نسبت به مدل تحلیل سلسله مراتبی است. بر اساس روش AHP پارامترهای شیب، لیتولوژی و کاربری اراضی بیشترین نقش را در وقوع زمین لغزش منطقه دارند.
۹۴.

برآورد وجه نقد ورودی و خروجی شعب بانک تجارت برای محاسبه وجه نقد مورد نیاز شعبه ها با استفاده از تحلیل چندمتغیره خوشه بندی بیزی و پیاده سازی آن در شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مالی دوره ۱۹ بهار ۱۳۹۶ شماره ۱ 41 - 60

کلیدواژه‌ها: بانکداری برآورد خوشه بندی رویکرد بیزی شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۲۶۶ تعداد دانلود : ۱۵۰
موضوع کفایت وجه نقد در بانک ها، یکی از مسائل مهم برای مدیران و به خصوص رؤسای هر شعبه به شمار می رود؛ چرا که کمبود وجه نقد روزانه در صندوق شعبه به عدم پاسخگویی به نیاز مشتری می انجامد و از سوی دیگر، مازاد وجه نقد در شعبه موجب افزایش هزینه بابت انتقال آن به خزانه بانک می شود. از این رو بانک ها همواره درصدد تعیین مقدار وجه نقد مورد نیاز خود با توجه به عملیات روزانه هستند. به همین منظور در این مقاله، شعب بانک تجارت ، با توجه به تنوع بین شعب، با دو روش خوشه بندی سلسله مراتبی و خوشه بندی برمبنای رویکرد بیزی در خوشه های متشابه دسته بندی شدند؛ سپس با در نظر گرفتن نتایج خوشه بندی، مقدار وجه نقد ورودی و نیز وجه نقد مصرفی از طریق شبکه های عصبی برآورد شد تا از این طریق امکان محاسبه وجه نقد لازم برای شعب فراهم شود. نتایج تحقیق نشان می دهد، برآورد وجه نقد مصرفی و ورودی شعب بانک با استفاده از شبکه عصبی و لحاظ کردن نتایج خوشه بندی شعب با رویکرد بیزی، دارای دقت بیشتری نسبت به نتایج خوشه بندی شعب با روش معمول است.
۹۵.

بررسی عملکرد شبکه عصبی بیزین و لونبرگ مارکوات در مقایسه با مدل های کلاسیک در پیش بینی قیمت سهام شرکت های سرمایه گذاری(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مالی دوره ۱۹ تابستان ۱۳۹۶ شماره ۲ 299 - 318

کلیدواژه‌ها: آریما پیش بینی قیمت سهام تابع آموزش بیزین تابع آموزش لونبرگ مارکوات شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۲۵۱ تعداد دانلود : ۱۳۷
پیش بینی دقیق قیمت سهام، با توجه به نوسان های زیاد و ریسک ذاتی بازار سرمایه، یکی از دغدغه های اصلی سرمایه گذاران و تحلیل گران مالی است، از این رو به کارگیری رویکردهای نوین پیش بینی قیمت سهام ضرورت اجتناب ناپذیری است. بر این اساس، هدف تحقیق حاضر، مقایسه عملکرد مدل های پیش بینی شبکه عصبی با مدل های کلاسیک و معرفی مدل مناسب برای پیش بینی قیمت روز آتی سهام است. برای طراحی مدل پیش بینی با شبکه عصبی، از داده های قیمت روزانه بازار و شاخص های تکنیکی مالی به عنوان متغیرهای ورودی استفاده شد و برای طراحی مدل آریما، داده های قیمت بسته شدن روزانه به عنوان متغیر ورودی و همچنین قیمت بسته شدن روز آتی به عنوان متغیر خروجی هر دو مدل در دوره زمانی 1390 تا 1393 در نظر گرفته شد. نتایج به دست آمده با شبکه عصبی بیزین بیان کننده خطای کمتر و قدرت پیش بینی بیشتر آن در مقایسه با مدل آریما است. یافته های تحقیق گویای کارایی بیشتر شبکه عصبی بیزین در استفاده از فرصت های سرمایه گذاری کوتاه مدت بازار است که می تواند به سرمایه گذاران در انتخاب پرتفوی مناسب و کسب بازده بیشتر کمک کند.
۹۶.

پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت های پذیرفته شده در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: بررسی های حسابداری و حسابرسی سال ۱۹ تابستان ۱۳۹۱ شماره ۲ 31 - 46

کلیدواژه‌ها: درخت تصمیم شبکه عصبی مدیریت سود

حوزه‌های تخصصی:
تعداد بازدید : ۲۴۸ تعداد دانلود : ۱۳۱
هدف اصلی تحقیق حاضر بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن با مدل های خطی است. برای این منظور از یازده متغیر تأثیرگذار بر مدیریت سود به عنوان متغیرهای مستقل و اقلام تعهدی اختیاری به عنوان متغیر وابسته استفاده شده است. در این تحقیق تعداد 55 شرکت از سال 1385 تا سال 1388 به صورت فصلی مورد بررسی قرار گرفت. از روش رگرسیون پنلی جهت مدل خطی و از شبکه عصبی پیشخور تعمیم یافته و درخت تصمیم کارت جهت بررسی از طریق شبکه عصبی و درخت تصمیم استفاده شد. نتایج حاصل از این تحقیق نشان داد که روش شبکه عصبی و درخت تصمیم در پیش بینی مدیریت سود نسبت به روش های خطی دقیق تر و دارای سطح خطای کمتری است. ضمناً مدیریت سود با متغیرهای اقلام تعهدی اختیاری و غیراختیاری دوره قبل و عملکرد شرکت ، اندازه، تداوم سود در هر دو روش دارای بیشترین ارتباط است.
۹۷.

پیش بینی رفتار بازار سهام بر اساس شبکه های عصبی مصنوعی با رویکرد یادگیری جمعی هوشمند(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت صنعتی دوره ۱۰ تابستان ۱۳۹۷ شماره ۲ 315 - 334

کلیدواژه‌ها: پیش بینی تغییر جهت قیمت پیش بینی قیمت سهام شبکه عصبی یادگیری جمعی مدل های پیش بینی هوشمند

حوزه‌های تخصصی:
تعداد بازدید : ۳۴۸ تعداد دانلود : ۲۱۴
هدف: پیش بینی دقیق بازار سهام برای معامله گران این بازار ارزشمند است. پیش بینی سری های زمانی مالی از دسته مسائل چالشی و مهم در پیش بینی است و پژوهشگران تلاش می کنند که الگوهای پنهان را برای پیش بینی آینده بازار سهام استخراج کنند. هدف این مقاله ارائه یک مدل هوشمند برای پیش بینی رفتار بازار سهام است. روش: این مقاله، برای افزایش دقت از مدلی بر مبنای الگوریتم های یادگیری جمعی با مدل های پایه شبکه های عصبی استفاده می کند. برای در نظر گرفتن جهت تغییر قیمت در پیش بینی، ساختار دومرحله ای به کار رفته است. در مرحله نخست، جهت بعدی حرکت قیمت سهام (افزایش یا کاهش) پیش بینی شده و از آن برای پیش بینی قیمت در مرحله دوم استفاده شده است. یافته ها: دقت نتایج و افزایش بازده پیش بینی، مهم ترین چالش مدل های پیشنهادشده در بازار سهام به شمار می رود. نکته مهم برای سودآوری معاملات، توجه به جهت تغییر قیمت سهام در پیش بینی قیمت آن است که در مدل های پیش بینی به این موضوع توجه کمتری شده است. مدل پیشنهادی با استفاده از روش های مبتنی بر هوش مصنوعی نشان می دهد که پیش بینی رفتار بازار سهام با وجود ماهیت نوسانی و ناپایدار آن، امکان پذیر است. نتیجه گیری: نتایج معیارهای ارزیابی روی داده های واقعی قیمت سهام نشان می دهد مدل پیشنهاد شده در مقایسه با سایر روش ها، با دقت بیشتری می تواند بر نوسان های بازار غلبه کرده و به عنوان روش قابل اطمینان و عملی در بازارهای سهام به کار گرفته شود.  
۹۸.

شناسایی تقلب در کارت های بانکی با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت فناوری اطلاعات دوره ۷ زمستان ۱۳۹۳ شماره ۴ 721 - 746

کلیدواژه‌ها: پرسپترون چندلایه تقلب شبکه عصبی کارت های بانکی

حوزه‌های تخصصی:
تعداد بازدید : ۳۳۶ تعداد دانلود : ۱۶۱
هرچند آمار دقیقی از تقلب در کارت های بانکی معتبرِ کشور وجود ندارد، به نظر می رسد تقلب در کارت های بانکی روند رو به رشدی دارد و می تواند در آینده نه چندان دور به یکی از معضلات سیستم بانکی کشور تبدیل شود. متأسفانه هنوز در کشورمان تحقیقات مناسبی در این خصوص صورت نگرفته و سیستم بانکی مدل یا مدل هایی کارا نیاز دارد که بتواند امنیت استفاده از کارت های بانکی را تضمین کند. لذا در این پژوهش، پس از شناسایی انواع تقلب های رایج در زمینه کارت های بانکی و شبیه سازی تراکنش های متقلبانه، با بهره گیری از شبکه های عصبی مصنوعی، مدلی برای طبقه بندی تراکنش ها به تراکنش های سالم و متقلبانه (مشکوک به تقلب) ایجاد شد. این مدل که از نوع شبکه عصبی پرسپترون چندلایه است، علاوه بر اینکه مبتنی بر سیستم بانکی داخلی کشور است، توانسته است با دقت 99درصد، عملکرد نسبتاً خوبی در طبقه بندی مزبور داشته باشد. با مقایسه معیارهای ارزیابی عملکرد محاسبه شده این پژوهش و نتایج مدل های ارائه شده در مطالعات دیگر، مشخص شد معیارهای ارزیابی عملکرد پژوهش حاضر از روایی و پایایی مناسبی برخوردارند
۹۹.

مقایسه برآورد تلاطم بازارهای مالی با استفاده از مدل رگرسیون و مدل شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد مالی سال ۱۴ پاییز ۱۳۹۹ شماره ۳ (پیاپی ۵۲) 223 - 240

کلیدواژه‌ها: تلاطم بازار سرمایه گذاری شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۴۷۹ تعداد دانلود : ۲۲۸
تلاطمبهعنوانیکعاملمؤثردرتعیینریسکسرمایه گذاری،میتواندنقشمهمیدر تصمیم گیریسرمایه گذارانایفاکند. یکتخمینمناسبازتلاطمبازاردریکدورهسرمایه گذارینقطهآغازینبسیارمهمیدرکنترلریسکسرمایه گذاری است. تلاطم در بازارهای مالی نقشی کلیدی ایفا می کند، بنابراین ان را باید شناخت واندازه گیری و پیش بینی کرد و برنامه ای  در نظر گرفت که بتوان تلاطم بازار را که برتصمیم سرمایه گذاران تاثیر دارد را مدیریت نمود. با توجه به اهمیت پیش بینی تلاطم بازار، هدف اصلی پژوهش حاضر مقایسه دو روش پیش بینی تلاطم بازار است. نتایج این پژوهش نشان می دهد که ترکیب شبکه عصبی مصنوعی و نسبت های مالی قابلیت پیش بینی تلاطم بازار سرمایه گذاری را دارند و با توجه به مجموع مجذور خطا مدل ارائه شده با استفاده از شبکه عصبی در این پژوهش عملکرد بهتری در پیش بینی تلاطم بازار سرمایه گذاری نسبت به رگرسیون خطی دارد. Volatility as an effective factor in determining investment risk can play an important role in decision making of investors. An appropriate estimate of market volatility in an investment period is an important starting point in investment risk control. Volatility plays a key role in financial markets, so it needs to be recognized and calculated, and plans to manage market volatility that affect investors ' decision. Due to the importance of market volatility, the main objective of this research is to compare two methods before market volatility. The results of this research show that the combination of artificial neural network and financial ratios are capable to predict the volatility of capital market volatility and according to the total error of the model presented using neural network in this research has better performance in the forecasting of capital market volatility than linear regression.                    
۱۰۰.

زمانبندی تولید کارگاهی انعطاف پذیر جغرافیایی- منطقه ای پایدار احتمالی با استفاده از مدل ریاضی الگوریتم تلفیقی فراابتکاری(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی منطقه ای سال یازدهم زمستان ۱۳۹۹ شماره ۱ (پیاپی ۴۱) 141 - 157

کلیدواژه‌ها: زمانبندی کارگاهی الگوریتم شبیه سازی تبرید شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۳۴۶ تعداد دانلود : ۱۶۹
در این مقاله، زمانبندی تولید کار کارگاهی در شرایطی که انجام عملیات ها دارای زمان های احتمالی هستند، مورد بررسی قرار گرفته است. یک مدل ریاضی به همراه رویه حل آن، برای تعیین زمانبندی سیستم های تولید کار کارگاهی با هدف از بین بردن این نقاط ضعف و درنظر گرفتن شرایط تولیدی بصورت احتمالی و همچنین کاهش هزینه های چندگانه تولیدی ارایه شده است. برای بدست آوردن یک جواب مناسب در یک زمان توجیه پذیر، یک رویه حل تلفیقی بر اساس مدل شبکه عصبی به منظور ایجاد جواب موجه اولیه و الگوریتم Annealing Simulatedبه منظور بهبود عملکرد و کیفیت جواب اولیه و ایجاد جواب بهینه/ نزدیک به بهینه ارایه شده است. برای ارزیابی این روش، چند مساله زمانبندی تولید کار کارگاهی متفاوت حل شده و جواب های بدست آمده با نرم افزار لینگو به عنوان حد پایین مقایسه شده است. نتایج محاسباتی دو روش نشان دهنده عملکرد مناسب الگوریتم پیشنهادی تحت شرایطی است که مقدار پارامترهای ورودی افزایش می یابد یا به عبارت دیگر مساله بزرگ می باشد. به منظور افزایش انعطاف پذیری در کاربرد الگوریتم فوق در شرایط واقعی صنعت، اعداد احتمالی براساس سه توزیع نرمال/ یکنواخت و نمایی از زمان انجام پردازش، به صورت تصادفی تولید می شوند. در عین حال مدل فوق توسط نرم افزارlingo6 برنامه نویسی شده است. در انتها مقایسه نتایج حاصل از حل مثال های نمونه، بهبودهای موثری را در جواب های بدست آمده از روش ابتکاری نشان می دهد