الگوریتم کلونی مورچه ها

سیاست های دو دهه ی گذشته ی دولت، با تاثیرگذاری بر روند عوامل مؤثر بر جذب سرمایه گذاری مستقیم خارجی (FDI) ایران، زمینه را برای ورود فزآینده ی FDI به کشور فراهم کرده است؛ در این مطالعه با رویکردی تکنیکی، به منظور اعمال چشم انداز اثرات آتی سیاست های دو ده ی گذشته ی دولت در روند آتی عرضه FDI ایران، با استفاده از خط سیر شاخص های کلان اقتصادی تاثیرگذار بر جذب FDI، دو فرم از معادلات عرضه ی FDI غیر خطی محاسبه شده است، به عبارت دیگر کارائی برآورد عرضه ی FDI ایران، با استفاده از الگوریتم بهینه سازی کلونی مورچه ها (ACO) بهبود یافته است. مدل شبیه سازی عرضه ی FDI با استفاده از بهینه سازی کلونی مورچه ها (ACOFDISS) ، به کارگیری از متغیرهای شاخص مقیاس بازار، شاخص سرمایه ی انسانی، شاخص منابع طبیعی در دسترس و شاخص توجه به زیر ساخت ها، بسط داده شده است. معادلات پیشنهادی در این مقاله درجه ی دوم و دومی نمایی هستند. فرم درجه ی دوم نتایج بهتری را در شبیه سازی و توصیف خط روند عرضه ی FDI ایران فراهم می کند و می تواند با معیارهای کارائی پیش بینی بالاتر، در پیش بینی عرضه ی FDI ایران به کار برده شود.

هدف این تحقیق بررسی این موضوع است که آیا می توان مدیریت سود را براساس مدل های مبتنی بر یادگیری ماشین کشف کرد. در این تحقیق برای پیش بینی مدیریت سود از مدل های مبتنی بر یادگیری ماشین (الگوریتم کلونی مورچه ها و غذایابی باکتری) استفاده شده است. برای این منظور 143 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1388 تا 1392 مورد مطالعه قرار گرفتند. در این تحقیق با استفاده از الگوریتم حرکات ذرات اقدام به شناسایی متغیر های معنادار با مدیریت سود شده و در نهایت بوسیله نرم افزار متلب اقدام به پیش بینی مدیریت سود شده است. نتایج برازش الگوریتم غذایابی باکتری و کلونی مورچه ها نشان می دهد که این دو الگوریتم با دقت بالای 98 درصد توانایی پیش بینی مدیریت سود را دارند. نتایج مبین آن است که مدل کلونی مورچه ها توانایی بیشتری (خطای 97/0درصد) در پیش بینی مدیریت سود نسبت به مدل غذایابی باکتری (خطای 19/1 درصد) دارد.

 توجه ویژه به نیازهای اطاعاتی استفاده کنندگان صورت های مالی، یکی از رسالت های اصلی گزارشگری می باشد و در این راستا افشای مناسب و کامل اطلاعات نقش اساسی را دارد. هدف این تحقیق بررسی این موضوع است که آیا می توان کیفیت افشای شرکتی را بر اساس مدل های مبتنی بر یادگیری ماشین کشف کرد. در این تحقیق امتیازبندی سطح افشای شرکت های بورس ایران توسط سازمان بورس و اوراق بهادار به عنوان نماینده سطح افشای شرکتی در نظر گرفته شده و برای پیش بینی از مدل الگوریتم های کلونی مورچگان و تکامل تفاضلی استفاده شده است. برای این منظور 171 شرکت عضو بورس اوراق بهادار تهران طی دوره زمانی 1389-1393 مورد مطالعه قرار گرفتند. در این تحقیق با استفاده از نرم افزار متلب اقدام به پیش بینی کیفیت افشای شرکتی شده است. نتایج برازش الگوریتم های کلونی مورچگان و تکامل تفاضلی نشان می دهد که این دو الگوریتم با دقت بالای 95 درصد توانایی پیش بینی مدیریت سود را دارند. در واقع نتایج مبین آن است که مدل کلونی مورچه ها توانایی بیشتری (خطای 3. 316 درصد) در پیش بینی مدیریت سود نسبت به مدل تکامل تفاضلی (خطای 4. 139 درصد) دارد.

خوشه بندی یکی از عملیات مهم در داده کاوی به شمار می رود که نتایج آن برای محققان و سیاست گذاران در زمینه های مختلف به منظور تحلیل و برنامه ریزی مفید است. از آنجا که در سال های اخیر، اقتصاد دانش بنیان با حمایت از شرکت های دانش بنیان در ایران در حال توسعه است، تحلیل ویژگی های این شرکت ها و خوشه بندی آنها به منظور برنامه ریزی اثربخش، چشم انداز مناسبی برای سیاست گذاران فراهم می آورد. از این رو، در این مقاله شرکت های دانش بنیان کشاورزی ایران با استفاده از اطلاعات سال 2017 بر مبنای حوزه فناوری، تنوع محصولات و ارزش فروش محصول با استفاده از روش های خوشه بندی K-میانگین ساده و K-میانگین در ترکیب با الگوریتم های سلسله مراتبی و کلونی مورچه ها در نرم افزار MATLAB 16a خوشه بندی شدند. بنا بر نتایج، خوشه بندی K-میانگین در ترکیب با الگوریتم کلونی مورچه ها در مقایسه با دو روش دیگر توزیع متوازن تری از شرکت ها بین شش خوشه داشته است و میانگین ضریب نیمرخ 7/0 اعتبار این خوشه بندی را تأیید می کند. پیشنهاد می شود، به منظور اثربخشی و پرهیز از هدررفت بودجه حمایت از شرکت های دانش بنیان، برای شرکت هایی که به دلیل ویژگی های مشابه در یک خوشه قرار گرفته اند، برنامه های حمایتی همسانی طرح ریزی شود. برای شرکت های دانش بنیان با میانگین فروش اندک که در یک خوشه قرار گرفته اند برنامه های حمایتی ورود به بازار و برای شرکت های با تنوع محصول و درآمد متوسط بالا برنامه های توسعه بازار صادراتی توصیه می شود.