الگوریتم ژنتیک

امروزه مدیریت شبکه های توزیع مواد غذایی با هدف پاسخ گویی سریع به تقاضای مصرف کنندگان، کاهش هزینه توزیع و افزایش سود در مقایسه با رقبای تجاری اهمیت بسیاری یافته است. فروشگاه های “شهرما” شبکه گسترده توزیع محصولات کشاورزی در شهر مشهد هستند که با هدف عرضه مستقیم محصولات کشاورزی و فراهم نمودن امکان دسترسی ارزان و سریع تر شهروندان به میوه و تره بار شکل گرفته اند. در این مقاله، مسیرهای توزیع بهینه و به موقع محصولات فروشگاه هایی با نام تجاری “شهرما” از مبدأ تا میدان میوه و تره بار مورد بررسی قرار می گیرد. به این منظور از الگوریتم های تکاملی ژنتیک و ازدحام ذرات برای بهینه کردن زمان توزیع استفاده شده است. برای توزیع عادلانه و به موقع محصولات میان تمام فروشگاه ها یک قید زمانی سه ساعته وارد مسئله شده است. به این معنی که اگر توزیع میان تمام فروشگاه ها در زمان کمتر از سه ساعت صورت نگیرد به تعداد یک وسیله نقلیه توزیع جدید به مسئله اضافه خواهد شد. این افزایش تعداد وسایل نقلیه تا جایی ادامه پیدا خواهد کرد که توزیع میان تمام فروشگاه ها کمتر از سه ساعت صورت پذیرد. به منظور تعیین زمان مسیر میان فروشگاه ها بر روی شبکه راه های شهر مشهد از آنالیز شبکه در نرم افزار ArcGIS استفاده شده است. در انتها دو الگوریتم ژنتیک و ازدحام ذرات توانستند توزیع میوه و تره بار را با چهار وسیله نقلیه انجام دهند. مقایسه نتایج دو الگوریتم نشان می دهد که مجموع زمانی توزیع در الگوریتم ژنتیک در مقایسه با الگوریتم ازدحام ذرات 47 دقیقه کمتر بوده و الگوریتم ژنتیک، مسیرهای بهتری را برای توزیع پیشنهاد داده است.

سرمایه گذاری برای تهیه تجهیزات صنعتی، از ضروریات هر واحد صنعتی است. در این پژوهش، مدل ریاضی نظارت هوشمند بر عملکرد تجهیزات صنعتی توربین های بادی با استفاده از اینترنت اشیا و پهپادهای غیرنظامی با رویکرد رایانش لبه بررسی شده است. در این مدل، عملکرد پهپاد برای نظارت هوشمند بر توربین های بادی در سه مرحله تشخیص، تخلیه محاسباتی و محاسبات محلی بررسی شد. با توجه به دو هدفه بودن مدل نهایی، مدل توسط الگوریتم ژنتیک با مرتب سازی ناچیره و روش محدودیت اپسیلون تقویت شده با استفاده از اعداد تصادفی حل شد. با توجه به یافته های پژوهش، روش محدودیت اپسیلون با افزایش ابعاد مدل کارایی خود را از دست می دهد و قادر به یافتن مرز پارتو در مسائل با ابعاد بزرگ نیست. به همین منظور مدل با استفاده از نسخه دوم الگوریتم فراابتکاری ژنتیک با مرتب سازی ناچیره و ساختاری جدید برای نمایش کروموزوم ها حل شد. این الگوریتم توانست مسائل در ابعاد بزرگ که روش محدودیت اپسیلون قادر به حل آن نبود را حل کند. طبق نتایج، روش محدودیت اپسیلون تقویت شده و الگوریتم ژنتیک با مرتب سازی ناچیره تنها در زمان حل با یکدیگر متفاوت بوده و در سایر معیارها عملکرد مشابهی دارند؛ در نتیجه، الگوریتم ژنتیک با مرتب سازی ناچیره به عنوان روش برتر پیشنهاد شد.

هدف: با توجه به پیشرفت بازارهای مالی، مقوله بهینه سازی سبد دارایی به یکی از موضوعات مهم مطرح شده در اقتصاد مالی تبدیل شده است؛ به گونه ای که تشکیل سبد دارایی به عنوان یک تصمیم گیری حساس برای سرمایه گذاران شناخته می شود و از این رو، شناسایی عوامل مؤثر بر انتخاب سبد دارایی با نرخ بازده بالا و ریسک کنترل شده، از موضوعاتی است که توجه محققان را به خود جلب کرده است. تاکنون الگوهای بسیاری برای حل مسئله مدیریت سبد سهام و بهینه سازی پرتفوی ارائه شده که هریک با توجه به وضعیت و محدودیت هایی طراحی شده است. بهینه سازی عبارت است از به حداقل رسانی (حداکثررسانی) یک تابع هدف، متشکل از چندین متغیر تصمیم که محدودیت های عملکردی را برآورده کند. از طرفی سرمایه گذاری، فرایندی در وضعیت عدم اطمینان است. از آنجایی که سرمایه گذاری یک تصمیم فردی است و هر انسانی بر اساس روحیه و ویژگی های فردی خود آن را اتخاذ می کند، معیارهای مختلفی دارد. با توجه به رفتار غیرخطی سرمایه گذاران، هدف اصلی پژوهش حاضر، ارائه الگوی بهینه سازی سبد سهام، بر اساس ترجیح رفتاری و حافظه سرمایه گذار است؛ به گونه ای که پرتفوی حاصل، ضمن بیشینه نمودن بازده، ریسک سرمایه گذاری را کمتر کند.روش: معتقدیم مسئله بهینه سازی سبد سهام، یک مسئله چندهدفه است. جامعه مطالعاتی پژوهش حاضر، شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. دوره زمانی پژوهش، سال ۱۴۰۰ در نظر گرفته شد. در پژوهش حاضر، از الگوریتم فراابتکاری ژنتیک جهت بهینه سازی سبد سهام استفاده شد؛ زیرا الگوریتم ژنتیک از جمله تئوری های بهینه سازی است که می تواند با درنظر گرفتن سطوح متفاوت ریسک، مسئله بهینه سازی سبد سهام را با موفقیت حل کند. در این پژوهش با استفاده از الگوریتم نام برده، به بهینه سازی سبد سهام تحت دو معیار ترجیحات رفتاری و حافظه سرمایه گذار پرداخته شد و پس از آن، به منظور انتخاب مؤثرترین معیار در بهینه سازی سبد سهام، مدل های یادشده دوبه دو مقایسه شدند. در انتها، ضریب تأثیر هر یک از روش های استفاده شده در پژوهش، روی جواب نهایی بررسی شد.یافته ها: نتایج مقایسه الگوی بهینه سازی تحت دو معیار حافظه سرمایه گذار و ترجیحات رفتاری، نشان دهنده آن است که حافظه سرمایه گذار در مقایسه با ترجیحات رفتاری، معیار مناسب تری برای بهینه سازی سبد سهام است. در اجرای مدل با بازدهی بازار برای دو معیار ترجیحات رفتاری و حافظه سرمایه گذار، نتایج به دست آمده گویای مناسب بودن حافظه سرمایه گذار با بازده بازار در بهینه سازی سبد سهام است.نتیجه گیری: هدف اصلی در مدیریت سبد سهام، کمک به سرمایه گذار در چیدمان سبد بهینه با توجه به ترجیحات، علایق وی، تجربه های گذشته سرمایه گذاری و محیط تصمیم است؛ از این رو سرمایه گذار همواره به دنبال تشکیل سبدی بهینه است تا مطلوبیت وی را افزایش دهد. با توجه به نتایج به دست آمده در این پژوهش، می توان گفت سبدهایی که با استفاده از اطلاعات حافظه سرمایه گذار و متغیر بازده بازار ایجاد شده اند، در مقایسه با ترجیحات رفتاری و متغیر بازده بازار، از کارایی بیشتری برخوردارند. در مقایسه دوبه دو سبدهای ایجاد شده با معیار حافظه سرمایه گذار و ترجیحات رفتاری، معیار حافظه سرمایه گذار نیز معیار مناسب تری برای بهینه سازی سبد سهام شناخته شد.

به لحاظ تاریخی، همواره توسعه ساختمان های بلند وابسته به پیشرفت های تکنولوژیکی بوده است. یکی از این فن آوری های قابل توجه، استفاده از کامپیوتر برای تجزیه و تحلیل سیستم های سازه ای پیچیده و توانایی آن جهت تولید مدارک ساخت و ساز است. با این حال، ابزارهای دیجیتال برای کمک در طراحی فرم های نوآورانه ساختمان های بلند قابل مقایسه با این پیشرفت نیست. در این مقاله که مشتمل بر دو بخش می باشد ابتدا در مورد تولید فرم های ساختمان های بلند و فرایند طراحی نوآورانه با استفاده از ابزارهای دیجیتالی بر اساس نگرش طراحی پارامتریک بحث خواهد شد که با استفاده از افزونه Grasshopper این امکان داده شده تا در محیطی گرافیکی، انتخاب اولیه مناسبی توسط معمار برای فرم کلی ساختمان های بلند انجام شود. بدین صورت که متغیرها و تابع هدف مسئله موردنظر تعیین شده و سپس با بهره گیری از روش الگوریتم ژنتیک و محیط برنامه نویسی Grasshopper سعی در نوشتن برنامه ای جهت ایجاد فرم های بهینه از نظر میزان دریافت نور مستقیم خورشید می شود. سپس برای اطمینان از نتایج حاصل شده، فرم های بهینه بدست آمده از پارامترهای مختلف، با استفاده از افزونه Ladybug با یکدیگر مقایسه می شوند. هدف کلی این مقاله ادغام معماری با روش های دیجیتال جهت رسیدن به فرم های بهینه می باشد.

هدف پژوهش حاضر مقایسه پیش بینی شاخص سهام با استفاده از مدل های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش بینی ارزیابی شده است. نتایج نشان می دهد دقت پیش بینی مدل های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.

رقابت های جهانی، صنابع پویا و چرخه های نوآوری و فناوری که به سرعت در حال کوتاه شدن هستند همگی چالش های مهمی را برای صنعت مالی، بانکداری و بیمه ایجاد کرده اند و نیاز به تجزیه و تحلیل داده ها جهت بهبود فرآیندهای تصمیم گیری- در این سازمان ها بیش از پیش اهمیت پیدا کرده است؛ در این میان، داده هایی که در پایگاه-های اطلاعاتی این سازمان ها نگهداری می شوند به عنوان منابع ارزشمند اطلاعات و دانش مورد نیاز جهت تصمیم-گیری های سازمانی مطرح می باشند؛ در این تحقیق بر روی مشتریان مشترک صنعت بانکداری و بیمه تمرکز شده است. هدف از این تحقیق، ارائه روشی جهت پیش بینی عملکرد مشتریان جدیدالورود بر مبنای رفتار مشتریان پیشین است؛ برای این منظور، از یک مدل ترکیبی مبتنی بر ماشین بردار پشتیبان و الگوریتم ژنتیک استفاده شده است؛ بدین ترتیب که ماشین بردار پشتیبان، وظیفه مدل سازی رابطه بین عملکرد مشتریان و اطلاعات هویتی آنها را بر عهده دارد و الگوریتم ژنتیک، وظیفه تنظیم و بهینه سازی پارامترهای ماشین بردار پشتیبان را عهده دار است. نتایج به دست آمده از طبقه بندی مشتریان- با استفاده از مدل پیشنهادی در این تحقیق- طبقه بندی مشتریان با دقت بالای ۹۹ درصد است.

مقدمه و اهداف: با توجه به رقابتی شدن بازار و جهانی شدن آن نیاز به دسترس پذیری در طراحی محصول در دهه های اخیر موردتوجه قرارگرفته است. امروزه دسترس پذیری شامل نیازمندی های عملکردی، استفاده از استانداردها، طراحی، پیش بینی دسترس پذیری، مدل سازی دسترس پذیری و بازیابی و بررسی آن است. یکی از اهداف دسترس پذیری، طراحی سیستم هایی با حداکثر دسترس پذیری است. دسترس پذیری یک سیستم معمولاً به واسطه بهبود دسترس پذیری هر یک از اجزاء یا تخصیص اجزای مازاد بهبود می یابد. این بهبودها در عمل به واسطه استفاده از مواد بهتر، فرآیند ساخت بهتر، اصول طراحی استفاده شده و غیره ایجاد می شود. روش ها: در این پژوهش، یک رویکرد نوآورانه برای بهینه سازی چندین سیستم سری موازی چندحالته بررسی می شود. این رویکرد به جای محدود کردن بهینه سازی به یک سیستم به صورت جداگانه، به بهینه سازی هم زمان چندین سیستم و بهبود کارایی و عملکرد کلی آن ها می پردازد. در این سیستم ها، تعدادی زیرسیستم موازی قرار دارند که هر یک از این زیرسیستم ها دارای اجزای چندحالته است. این اجزا می توانند در حالت های مختلف عمل کنند و با ترکیب این حالت ها، عملکرد متفاوتی را ارائه دهند. یکی از نکات مهم موردتوجه در این مدل، تأثیر نرخ های خرابی چندمرحله ای بر سیستم ها است که از طریق ترسیم نمودار حالت به وضوح بررسی می شود. فرضیه های مختلفی در این مدل در نظر گرفته می شود؛ از جمله قابلیت انتخاب تأمین کننده با شرایط متفاوت، با در نظر گرفتن محدودیت های موجود در سیستم. علاوه بر این، اثرات فعالیت های فنی و سازمانی بر روی بازه های پیوسته بهینه سازی سیستم ها نیز بررسی و تحلیل می شود. در پایان با استفاده از الگوریتم فراابتکاری ژنتیک، مدل ارائه شده بهبود می یابد و نتایج حاصل از آن نشان می دهد که عملکرد سیستم به طور کامل بهبود یافته است. یافته ها: در این پژوهش یک مدل بهینه سازی ریاضی برای مدل سازی مسئله موردبررسی تحت مفروضات مطرح شده ارائه می شود؛ همچنین برای نمونه یک نوع مثال عددی در شرایطی که تابع توزیع انتقال حالت نمایی و فعالیت های فنی و سازمانی با شدت عملکرد مختلف هستند، ارائه می شود. در این نمونه، فرض می شود که نرخ عملکردی هر زیرسیستم با مجموع نرخ عملکردی اجزا آن و عملکرد سیستم با حداقل نرخ عملکردی زیرسیستم ها برابر است. می توان با توجه به توضیحات داده شده احتمال دسترس پذیری سیستم را محاسبه و هزینه سیستم را نیز می توان با استفاده از تابع هدف مدل محاسبه کرد. در مرحله بعد با استفاده از الگوریتم ژنتیک، مثال های ارائه شده حل و نتایج آن گزارش می شود.نتیجه گیری: با مطالعه مقاله ها و پژوهش های سال های اخیر می توان دریافت که همواره پژوهشگران عرصه مدل های تخصیص افزونگی، چه در زمینه سیستم های باینری و چه سیستم های چندحالته، کوشیده اند تا با در نظر گرفتن فرضیه های جدید و یا حذف کردن فرضیه های ساده سازی که از سال های گذشته در مبانی نظری این مدل ها باقی مانده بود، شرایط این نوع مسائل را به دنیای واقعی نزدیک تر کنند و به سؤال های بیشتری که ذهن تصمیم گیرندگان چنین سیستم هایی را در امر بهینه سازی مشغول کرده بود، پاسخ دهند. این رویکردها از سوی پژوهشگران به نام این موضوع اهمیت و ضرورت ارائه مدل های بهینه سازی ریاضی با در نظر گرفتن همه شرایط و محدودیت های سیستمی کاربران و مدیران را بیش ازپیش مهم تر کرده است. در این پژوهش نیز نشان داده شده است که می توان با افزایش ابعاد بهینه سازی مسائل تخصیص افزونگی، مدل هایی را تنظیم کرد که با دنیای واقعی انطباق بیشتری دارند.

در این مقاله برای اولین بار روشی نوین جهت کنترل فرآیند تهیه مواد و تجهیزات در کارخانه با استفاده از الگوریتم های ترکیبی ژنتیک - فازی معرفی و در این روش به صورت ویژه اثر عوامل تصادفی خارجی را به صورت تقاضا و هدایت عدم قطعیت زمانی در نظر گرفته شده است. در مدل پیشنهادی از پارامترهای توابع عضو متغییر زمانی به صورت دینامیک استفاده گردیده تا مقادیر مجموعه های مختلط خروجی های مدل شده را توصیف نماید. روش ارائه شده در این مقاله بر اساس چهار معیار تایید شده که بر پایه اطلاعات واقعی استخراج شده از شهرک صنعتی ناحیه ساوجبلاغ استفاده شده که در ادامه به بررسی و تحلیل هر کدام از معیارها پرداخته شده است.

هدف: برای کاهش تضاد منافع بین مدیران و سهام داران، بر تسهیم منافع تمرکز می شود. پاداش به مدیران، یکی از راه های کاهش این تضاد است و به عنوان ابزاری برای هم سو کردن دیدگاه ها و عملکرد آنان در جهت افزایش ثروت سهام داران استفاده می شود. پاداش نقدی به مدیران باید بر عملکرد آنان مبتنی باشد تا هم سویی عملکرد مدیران با منافع سهام داران را تضمین کند. در طراحی بسته دستمزد مدیرعامل در شرکت ها، نقش سرمایه گذاران نهادی مطرح است. نظریه نمایندگی به مشکلاتی اشاره می کند که در زمان تفویض اداره شرکت به مدیران توسط مالکان به وجود می آید. برای کاهش تضاد نمایندگی، پاداش به مدیران با ارزش ایجاد شده برای سهام داران باید مرتبط باشد. یکی از روش های اصلی اندازه گیری عملکرد مدیر، گزارش های حسابداری است که به عنوان ابزاری برای اندازه گیری و ارزیابی عملکرد و انگیزش مدیر نقش دارد. با توجه به نکات ذکر شده، هدف این پژوهش ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات) است. روش: جامعه آماری این پژوهش را کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی ۱۳۹۰ تا ۱۴۰۰ تشکیل می دهد. در این پژوهش به منظور انتخاب نمونه، از روش حذف سیستماتیک استفاده و ۱۱۰ شرکت انتخاب شد. براساس دسته بندی پژوهش ها برحسب هدف، پژوهش حاضر از نوع کاربردی است. به علاوه، از نوع تحقیقات شبه تجربی است و در حوزه تحقیقات توصیفی (غیرآزمایشی پیمایشی) قرار می گیرد. روش های گردآوری داده های پژوهش مطالعه اسناد و مدارک، کاوش اینترنتی و مطالعه کتابخانه ای بسته به نیاز بوده است. در این پژوهش ۱۲ پارامتر تأثیرگذار، بر حساسیت جبران خدمات مدیرعامل، به عنوان ورودی مدل داده کاوی انتخاب شده است که عبارت اند از: مالکیت نهادی، مالکیت خانوادگی، قابلیت مقایسه صورت های مالی، مدیریت سود، محافظه کاری شرطی، تطابق درآمد و هزینه، ارزش افزوده بازار، اکتساب شرکتی، قراردادهای بدهی و رفتار هزینه با سه نوع (تغییرات بازده دارایی، تغییرات درآمد فروش و تغییرات هزینه های عملیاتی). همچنین پارامتر حساسیت جبران خدمات مدیرعامل نیز به عنوان خروجی مدل داده کاوی انتخاب شد. بدین منظور، سه مدل داده کاوی به تفکیک پارامتر رفتار هزینه ایجاد شد. افزون بر این، به منظور مقایسه، از سه مدل رگرسیون خطی استفاده شد. یافته ها: نتایج از برتری مدل شبکه عصبی عمیق، از لحاظ میزان ضریب تعیین و شاخص MSE حکایت می کند. این برتری برای هر سه مدل داده کاوی، نسبت به سه مدل رگرسیون خطی صادق است. در بین مدل های داده کاوی، مدل سوم با پارامتر رفتار هزینه: تغییرات هزینه های عملیاتی، بهترین نتایج را کسب کرده است. در سطح بعدی، مدل دوم با پارامتر رفتار هزینه: تغییرات درآمد فروش، بهترین نتایج را کسب کرده است. در نهایت مدل داده کاوی اول با پارامتر رفتار هزینه: تغییرات بازده دارایی، ضعیف ترین نتایج را کسب کرده است. نتیجه گیری: استفاده از شبکه های عصبی عمیق با بهینه سازی الگوریتم های فراابتکاری، می تواند مدل های پیش بینی مبتنی بر داده های واقعی را ایجاد کند و از آن ها می توان برای تصمیم گیری های مدیریتی و بهبود فرایندهای جبران خدمات در سازمان ها استفاده کرد. این روش ها با بهره گیری از داده های موجود و الگوریتم های هوش مصنوعی، عملکرد مدیرعاملان را بهبود و کیفیت خدمات ارائه شده توسط سازمان ها را ارتقا می دهد. از طرف دیگر، این پژوهش می تواند به سرمایه گذاران و تصمیم گیران اقتصادی کمک کند تا با دقت بسیار زیاد، به تحلیل و پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده شبکه های عصبی عمیق و الگوریتم های فراابتکاری بپردازند.

روش انگشت نگاری رسوب بر پایه ی ردیاب های ژئوشیمیایی، آلی، نسبت های ایزوتوپی و نیز استفاده از مدل های ترکیبی مختلف باعث شناخت سهم منابع مختلف رسوب در یک ناحیه می شود. در تحقیق حاضر با استفاده از ترکیب بهینه ی ردیاب های آلی و نسبت های ایزوتوپی اقدام به تفکیک منابع مختلف فرسایش، تولید رسوب و سپس تعیین سهم این منابع با استفاده از مدل های کالینز (Collins)، کالینز اصلاح شده (M Collins)، موتا (Motha)، لاندور (Landwehr) و اسلاتری (Slattery) در دو واحد سازندها و کابری های اراضی بر پایه ی بهینه سازی الگوریتم ژنتیک و سپس تهیه ی نقشه ی سهم مناطق مختلف (زیرحوضه ها) در سامانه ی اطلاعات جغرافیایی شد. برای تعیین بهترین مدل در این باره از شاخص های GOF و  MEاستفاده شد. عناصر کربن، مس، تیتانیوم، سیلیکون و عناصر استرانسیوم، تیتانیوم، مس، نسبت ایزوتوپی نئودیمیوم 144/143 به عنوان ردیاب های تفکیک کننده ی کاربری ها و سازندها شناخته شدند. مدل های ترکیبی کالینز اصلاح شده (MCollins) در واحد کاربری اراضی و کالینز (Collins) در واحد سازندها با شاخص های GOF، 95/99% و 996/99%  و ضریب کارآیی 16/99% و 977/99% به عنوان بهترین مدل ها انتخاب شدند. بیشترین سهم در فرسایش و رسوب حوضه ی مربوط به اراضی مرتعی و سازند آسماری به ترتیب با 65% و 5/56% می باشد. زیرحوضه های شماره ی 6 و 5 به ترتیب با 11/59% و 7/58% بیشترین و زیرحوضه ی شماره 31  با 54/7% کمترین سهم را بر فرسایش و رسوب حوضه داشتند.

شوری آب مشخص کننده ی پراکندگی حیات جانوری و گیاهی در دریاچه ها، دریاها و اقیانوس هاست. در این مقاله با مطالعه بازتابش از سطح آب، شاخص های شوری و همچنین داده های میدانی نقشه ی شوری دریاچه ی ارومیه تهیه گردید. سپس مدل سازی شوری این دریاچه با استفاده از رگرسیون بردار پشتیبان و تصاویر لندست-8 انجام گردید. جهت انتخاب ویژگی های مناسب از میان هفده ویژگی ورودی اولیه ی مدل از دو الگوریتم ژنتیک و انتخاب ویژگی ترتیبی به کمک نرم افزار متلب استفاده شد. در نهایت میزان شوری آب دریاچه ی ارومیه با خطا و دقت نسبتاً مناسبی تخمین گردید. به طوری که مدل رگرسیون بردار پشتیبان با تمام ویژگی ها با RMSE=24.55psu و R2=41%، مدل رگرسیون بردار پشتیبان مبتنی بر الگوریتم ژنتیک با RMSE=21.97psu و R2=54% و مدل رگرسیون بردار پشتیبان مبتنی بر انتخاب ویژگی ترتیبی با مقادیر RMSE=21.93psu و R2=53% توانستند میزان شوری دریاچه ی ارومیه را تخمین بزنند.