برنامه ریزی ژنتیک

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می باشد. برای این منظور، از داده های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل های پیش بینی و از داده های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی مصنوعی و برنامه ریزی ژنتیک، از شاخص های ارزیابی خطای استاندارد نسبی، میانگین خطا، میانگین قدر مطلق درصد خطا و مجذور میانگین مربعات خطا استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک، نسبت به مدل شبکه عصبی مصنوعی و برنامه ریزی ژنتیک دارای بالاترین دقت در پیش بینی تقاضای انرژی بخش کشاورزی کشور می باشد. پیشنهاد می شود در تحقیقات آتی با استفاده از مدل ترکیبی مذکور به پیش بینی مصرف انرژی در سایر بخش های اقتصادی پرداخته شود و کارایی آن سنجیده شود.

در این تحقیق پیش بینی تراز آب زیرزمینی حوضه آبریز شریف آباد استان قم با بهره گیری از برخی مدل های هوشمند می باشد. به این منظور از داده های ماهیانه تراز آب زیرزمینی در سه حلقه چاه مشاهده ای واقع در حوضه آبریز شریف آباد در مدل سازی ها استفاده شده است. جهت مقایسه نتایج حاصل از مدل های هیبرید آنالیز موجک-شبکه عصبی (WNN)، برنامه ریزی ژنتیک (GP)، رگرسیون خطی چند متغیره (MLR) و شبکه عصبی مصنوعی (ANN) از دو معیار ریشه خطای مربع متوسط (RMSE) و ضریب کارایی نش- ساتکلیف (E) استفاده شده است. نتایج تحقیق نشان داده است که مدل ترکیبی موجک-عصبی پیش بینی دقیقتری برای تراز آب زیرزمینی ماهانه نسبت به مدل های ANN، GP و MLR ارائه داده، به طوریکه ضریب نش در مدل ترکیبی برای پیزومترهای 1، 2 و 3 به ترتیب 98/0، 98/0 و 95/0 حاصل شده است.

فرایند بارش- رواناب پیچیده و غیرخطی است و مدل سازی آن به دلیل عدم قطعیت های زیاد یکی از مهم ترین دغدغه های پژوهشگران در حیطة مسائل منابع آب به شمار می رود. از بین روش های مورد استفاده، مدل های هوشمند در پیش بینی چنین فرایندهایی مفید و مؤثرند. بنابراین، به منظور مدل سازی جریان رودخانه از روش های شبکة عصبی مصنوعی و همچنین برنامه ریزی ژنتیک به منزلة روشی صریح که جزو الگوریتم های تکاملی به شمار می رود در حوضة آبخیز معرّف امامه و در دورة آماری 1349 - 1350 تا 1390 - 1391 (42 ساله) استفاده شد. بدین منظور، از داده های هواشناسی و آب سنجی در مقیاس روزانه و در قالب 62 مدل پیشنهادی استفاده شد. نتایج نشان داد برنامه ریزی ژنتیکی، از میان مدل های فراوان، خطای کمتری داشت. خطای مدل ها نیز وقتی که فقط از عملگرهای اصلی ریاضی و توان استفاده شد به مراتب کمتر بود. سرانجام، با توجه به معیارهای ارزیابی مورد استفاده در این تحقیق، ساختار پیشنهادی با ورودی های (مدل 54) دما، باران، و تأخیرهای باران تا دو روز، رطوبت نسبی و تبخیر و تعرق و تأخیر جریان تا دو روز به عنوان بهترین مدل با خطای 001/0، 031/0، و 009/0 در مرحلة آموزش و 001/0، 032/0، و 009/0 در مرحلة آزمایش به دست آمد.

هدف پژوهش حاضر، بررسی تورش توده واری و مکانیسم قیمت گذاری متأثر از آن، با استفاده از شبیه سازی عامل بنیان و الگوریتم تکاملی-تطبیقی STGP است. بدین منظور، درمجموع تعداد 2000 عامل مجازی، در دو گروه، شامل یک زیرمجموعه کوچک از کل جمعیت به نام «بهترین عوامل» و یک گروه اصلی به نام سایر «عوامل مجازی» (باقی مانده جمعیت پس از کسر بهترین عوامل)، اطلاعات واقعی مربوط به قیمت بازگشایی و بسته شدن، کمترین و بیشترین قیمت، حجم و ارزش معاملات هر سهم را دریافت و در یک بازار مجازی، به معامله می پردازند. معاملات عوامل مجازی، سری قیمتی را به صورت درون زاد ایجاد می کند که ازآن جهت آزمون فرضیات استفاده می گردد. آموزش نرم افزار، به مدت 2500 روز معاملاتی است که از آبان 82 شروع می گردد. دوره آزمون نیز از ابتدای سال 92 تا آذر 97 می باشد. نتایج بیانگر این است که به دلیل تنوع ژنتیکی بالا، وجود استراتژی های معاملاتی متنوع و انسجام بیشتر ناشی از مکانیسم های قیمت گذاری رقابتی و تکاملی یک بازار کامل، رفتار توده ای در بازارهای مجازی مبتنی بر معاملات گروه اصلی، نسبت به بازارهای مبتنی بر معاملات بهترین عوامل، کمتر مشاهده می گردد. بعلاوه، در بلندمدت به دلیل جریان مداوم اطلاعات، رفتار توده ای منجر به تشکیل حباب یا سقوط قیمتی نمی گردد و قیمت ها به ارزش ذاتی خود بازمی گردند.

مطالعه و بررسی فرآیند رسوب زایی به عنوان یکی از معضلات اساسی و مطرح در مدیریت حوضه های آبریز، بدون شناخت ماهیت پیچیده و عوامل مؤثر در وقوع آن امکان پذیر نیست. در تحقیق حاضر با هدف بررسی این عوامل در حوضه ی آبریز لیقوان چای، ابتدا دبی رسوب معلق، برای روزهایی بدون داده برداری با استفاده از مدل سازی رابطه ی بین دبی جریان و دبی معلق رسوب در برنامه ریزی ژنتیک برآورد شد. سپس برازش توابع رگرسیونی بین پارامترهای دبی متوسط جریان و بارش با دبی رسوب معلق در محیط برنامه ی SPSS و مدل سازی در برنامه ریزی ژنتیک در بازه ی زمانی فصلی انجام گرفت. نتایج نشان داد که بین متغیر دبی متوسط جریان و دبی رسوب معلق اثر معنی دار همراه با همبستگی بالای 90 % وجود داشته و بین متغیر بارش و دبی رسوب معلق اثر معنی دار همراه با همبستگی پایین نسبت به دبی متوسط جریان برقرار است. بالاترین میزان همبستگی بین بارش و دبی رسوب معلق در فصل بهار و پایین ترین میزان این همبستگی برای فصول پاییز و زمستان بوده است. در برنامه ریزی ژنتیک از 3 تیپ مدل استفاده شد و با توجه ب ه معیارهای ارزیابی، مدل دوم (دبی متوسط جریان و دبی رسوب معلق) دق یق ترین مدل نسبت به مدل های اول (بارش و دبی رسوب) و سوم (دبی متوسط جریان و بارش با دبی رسوب معلق) شناسایی شد. در بیشتر موارد وارد کردن متغیر بارش همراه با دبی متوسط جریان در مدل، از دقت آن کاسته است.