الگوریتم انبوه ذرات

با توجه به عدم امکان ذخیره انرژی الکتریکی ، شناسایی عوامل موثر بر تقاضای این حامل انرژی و پیش بینی دقیق روند آتی آن، ضرورت دارد . تاکنون روش های مختلفی در این زمینه مورد استفاده قرار گرفته است که در میان آن ها روش های هوشمند و به ویژه روش های فازی، دارای قابلیت های بیشتری هستند. در مطالعه حاضر از سیستم استنتاج عصبی- فازی ترکیب شده با الگوریتم انبوه ذرات ( PSO -ANFIS ) استفاده شده و پس ازشبیه سازی روند تقاضای بلند مدت انرژی الکتریکی طی دوره 1359 تا 1389 و بررسی کارایی سیستم، روند تقاضای بلندمدت انرژی الکتریکی کل کشور تا سال 1404 پیش بینی شده است. نتایج مطالعه، قدرت بالای الگوریتم ترکیبی انبوه ذرات و سیستم استنتاج عصبی- فازی تطبیقی را در پیش بینی تقاضای بلندمدت انرژی الکتریکی تایید می کند. نتایج نشان می دهد که براساس محتمل ترین سناریو، تقاضای انرژی الکتریکی کشور در سال 1404 به 401 میلیارد کیلووات ساعت خواهد رسید . همچنین ، براساس نتایج بدست آمده، کارایی روش پیشنهادی در پیش بینی متغیرهای مستقل در مقایسه با الگوی خطی ARIMA بیشتر است.

مدیریت تقاضای انرژی از اهمیت فراوانی در برنامه ریزی و تامین امنیت اقتصادی کشورها برخوردار است. شناسایی عوامل موثر بر روند تقاضای انرژی کشور و پیش بینی مصرف آتی آن می تواند به سیاست گذاران و فعالان در بازار انرژی در جهت تصمیم گیری های اقتصادی و بهبود عملکرد بازار و تامین امنیت سوخت کشور کمک کند. امروزه روش های نوینی برای مدل سازی و پیش بینی پدیده های مختلف ابداع گشته است که در میان این روش ها الگوریتم های تکاملی جایگاه ویژه ای دارند. در میان الگوریتم های تکاملی، الگوریتم ژنتیک و الگوریتم بهینه یابی انبوه ذرات از جمله شناخته شده ترین و پرکاربردترین روش ها در علوم مختلف می باشند. از این رو، در این مطالعه برای تخمین و پیش بینی روند تقاضای انرژی کشور از الگوریتم های ژنتیک و انبوه ذرات در قالب دو الگوی خطی و نمایی استفاده شده و کارایی آنها مورد ارزیابی قرار گرفته است و با استفاده از کاراترین الگو و روش و بر اساس سناریوهای مختلف، روند آتی تقاضای انرژی کشور تا سال 1404 پیش بینی شده است . نتایج مطالعه نشان دهنده دقت وکارایی بالای الگوی نمایی برآورد شده با استفاده از الگوریتم انبوه ذرات در مقایسه با الگوریتم ژنتیک بوده است. همچنین نتایج مطالعه نشان می دهد که کارایی الگوهای خطی برآورد شده با استفاده از هر دو الگوریتم تفاوت محسوسی ندارند. با این حال، بررسی نتایج الگوها و روش های مختلف برآورد شده کارایی و دقت بالای الگوی نمایی برآورد شده با استفاده از الگوریتم انبوه ذرات را تائید می کند.

انرژی نقش اساسی در فرایند تولید و رفاه اجتماعی داشته و پیش بینی تقاضای آن به منظور تنظیم بازار و عرضه مطمئن آن امری ضروری می باشد. با توجه به روند پرنوسان و غیرخطی تقاضای انرژی و متغیرهای موثر بر آن، مدل های غیرخطی بخصوص شبکه-های عصبی و الگوریتم انبوه ذرات در این امر توفیق بیشتری داشته اند. با توجه به اینکه در کنار نقاط قوت فراوان، این تکنیک ها دارای نقاط ضعفی مانند نیاز به تعیین فرم تبعی خاص، نیاز به داده های آموزشی فراوان و ضعف در یافتن نقطه بهینه سراسری نیز می-باشند، در این مطالعه با ادغام آنان به صورت یک الگوریتم ترکیبی این نقایص مرتفع شده است. پس از بکارگیری و مقایسه این تکنیک ترکیبی با سایر روش ها در پیش بینی تقاضای انرژی طی سال های 1346 تا 1390 ، نتایج مطالعه قدرت پیش بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح دهندگی متغیرهای توضیحی بکار رفته را تائید می کند.

در چند دهه ی اخیر با پیشرفت فناوری تولید و کارایی مصرف انرژی، انرژی هایی با کیفیت بالا مانند الکتریسیته، جایگزین سوخت های با کیفیت پایین مانند زغال سنگ شده است. برق به عنوان یکی از نهاده های تولید در بخش های اقتصادی به خصوص بخش کشاورزی، از اهمیت ویژه ای برخوردار است. بنابر این پیش بینی مصرف و تامین به موقع انرژی الکتریکی مورد نیاز این بخش می تواند باعث افزایش تولیدات کشاورزی، افزایش صادرات غیر نفتی و در نهایت تسریع نرخ رشد اقتصادی کشور گردد. در این مقاله، ابتدا با استفاده از الگوریتم بهینه سازی انبوه ذرات(pso) به شبیه سازی تابع تقاضای برق در بخش کشاورزی برای دوره ی 1385-1357 در قالب معادلات خطی و نمایی پرداخته شده و سپس بر اساس معیارهای موجود، مدل برتر انتخاب شده است. در این مقاله تابع تقاضای برق در بخش کشاورزی تابعی از قیمت واقعی برق در بخش، ارزش افزوده ی بخش، تعداد مشترکین برق در بخش و مصرف دوره ی قبل می باشد. نتایج تحقیق نشان می دهد که تقاضای برق در بخش کشاورزی با قیمت واقعی برق، رابطه ی غیر مستقیم و با ارزش افزوده بخش، تعداد مشترکین و مصرف دوره ی قبل رابطه ی مستقیم دارد.

در این مقاله مساله ترکیبی انتخاب و زمان بندی پروژه در حالت محدودیت منابع، با معیار حداکثرکردن مقدار ارزش فعلی پروژه مدل سازی، تحلیل و حل می شود. در این پژوهش، وضعیتی بررسی و مطالعه می شود که از بین چندین پروژه در دسترس و موجود، باید برخی انتخاب و اجرا شوند تا با توجه به محدودیت منابع بیشترین سود حاصل گردد. مدل های انتخاب پروژه عموما زمان بندی پروژه ها را به عنوان بخشی از فرآیند انتخاب در نظر نمی گیرند. از طرفی، به جز مواردی که تنها یک پروژه در هر دوره فعال است، اولویت بندی پروژه های انتخاب شده بدون در نظر گرفتن زمان بندی آنها بهینه نیست. زمان بندی پروژه ها در سطح فعالیت های پروژه بر پیچیدگی تصمیم گیری در مورد انتخاب سبد می افزاید و فضای جستجو را برای انتخاب سبدی از پروژه ها گسترش می دهد. در این مقاله برای حل مساله در ابعاد بزرگ، یک روش فراابتکاری مبتنی بر روش انبوه ذرات ارائه می گردد. به منظور صحه گذاری بر مدل ارائه شده، چندین مساله نمونه در ابعاد کوچک و بزرگ حل شده و نتایج بررسی شده است. نتایج نشان دهنده عملکرد مناسب الگوریتم ارائه شده است.

امروزه روشی متداول در ایجاد پایگاه داده راه ها، استخراج آن ها از تصاویر رقومی هوایی و ماهواره ای است. با توجه به حجم بسیار دادههای شبکه راه و نیاز به بهنگام کردن آن ها با کمترین زمان و هزینه محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحله برداری سازی راه تأکید دارد، سیستمی هوشمند برای برداری سازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سیستم طراحی شده دارای دو مرحله اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آن ها است. نخست، با استفاده از تکنیک خوشه بندی بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمایانگر محور مرکزی راه تعیین می شوند. سپس، با در نظر گرفتن مدل گراف وزن دار برای شبکه راه های تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگین گیر وزن دار ترتیبی، هزینه هر اتصال محاسبه می شود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکه برداری راه شرکت می کنند. نتایج حاصل از پیاده سازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسه آن ها با نتایج الگوریتم درخت پوشای کمینه تأییدکننده موفقیت روش پیشنهادی در استخراج شبکه راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکه راه های تصویر را با میانگین RMSE حدود 9/0 متر، میانگین completeness حدود 94% و میانگین correctness بیش از 95% برداری کند. در مجموع، الگوریتم پیشنهادی در برداری سازی راه های با اشکال مختلف شامل راه های مستقیم، راه های دارای انحنا، راه های با ضخامت های متفاوت، راه های موازی با فواصل متغیر، تقاطع و میدان موفقیت آمیز عمل کرده است.

ماهیت فعالیت های تجاری و سرمایه گذاری به گونه ای است که کسب بازدهی مستلزم تحمل ریسک است. انتخاب سبد سهام عمل دشوار و سختی است که سرمایه گذار خود را در مقابل انتخاب زیاد و گوناگونی می بیند که باید یکی از آن ها را به عنوان بهترین روش انتخاب کند. پژوهش حاضر به مساله بهینه سازی سبد سهام با توجه به ارزش در معرض خطر  بر مبنای الگوریتم هوشمند آتش بازی و مقایسه آن با الگوریتم انبوه ذرات از روش شبیه سازی تاریخی با استفاده از نرم افزارMATLAB  می پردازد. تنظیم پارامترهای الگوریتم های فراابتکاری به روش تاگوچی با استفاده از نرم افزارMINITAB  انجام شد. در این پژوهش از اطلاعات سهام شرکت های پذیرفته شده در بورس اوراق بهادار که اطلاعات قیمت و بازده نقدی آن ها بین سال های  1396 تا شهریور 1399 ثبت شده است و مطابق ماده 141 قانون تجارت مشمول تعلیق نیستند، استفاده شد. جهت پایایی پژوهش از آزمون دیکی فولر تعمیم یافته و آزمون فیلیپس پرون استفاده شد. برای ارزیابی دقت مدل ارزش در معرض خطر از آزمون نسبت شکست کوپیک، آزمون استقلال کریستوفرسن و آزمون ترکیبی استفاده شده است. همچنین مقایسه ای نیز بین مدل ها توسط آزمون لوپز صورت گرفت. زمان اجرای الگوریتم انبوه ذرات نسبت به الگوریتم آتش بازی در هر سه سطح اطمینان کمتر بوده است اما سرعت همگرایی الگوریتم آتش بازی نسبت به الگوریتم انبوه ذرات در همه سطوح بیشتر بوده است. یافته های پژوهش نشان داد که مدل ارزش در معرض خطر با استفاده از الگوریتم آتش بازی علی رغم زمان اجرای بیشتر  به علت سرعت همگرایی بهتر و رتبه بالاتر آزمون لوپز از اعتبار مناسب تری جهت بهینه سازی سبد سهام برخوردار است.