مطالب مرتبط با کلیدواژه
۲۱.
۲۲.
۲۳.
۲۴.
۲۵.
۲۶.
۲۷.
۲۸.
۲۹.
۳۰.
۳۱.
۳۲.
۳۳.
۳۴.
۳۵.
۳۶.
۳۷.
۳۸.
۳۹.
۴۰.
الگوریتم ژنتیک
حوزه های تخصصی:
در این مقاله، از رویکرد هوشمند تلفیقی، مشتمل بر نوعی از شبکه عصبی موسوم به GMDH و الگوریتم ژنتیک و بهینه سازی چند منظوره، برای تحلیل قیمت پیش خرید و پیش فروش نفت خام به منظور محاسبه حداکثر درآمد حاصل از پیش بینی در روندهای مختلف بازار مبتنی بر قواعد تحلیل تکنیکی استفاده شده است. نتایج نشان میدهد که در بازه زمانی 5 تا 10 روزه برای دوره های مختلف، بازار عایدی مطلق به 97% میرسد. هم چنین روند صعودی دارای بیش ترین عایدی و روند بیثباتی توام با تغییر، کم ترین عایدی را دارد.
تخمین تابع تقاضای بنزین در بخش حمل و نقل با استفاده از الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
مصرف فرآورده های نفتی سبک به ویژه بنزین، با در نظر گرفتن اهمیت آن در بخش حمل و نقل، نقش اساسی در رشد و توسعه اقتصادی کشورها ایفا می کند. بررسی عوامل موثر بر تقاضای بنزین در جهت شناخت دقیق و صحیح از ساختار رفتاری مصرف، به منظور برنامه ریزی دقیق در راستای تحقق اهداف مورنظر، امری ضروری است. در این مقاله با استفاده از تکنیک الگوریتم ژنتیک، به تخمین تابع تقاضای بنزین در بخش حمل و نقل برای دوره (1353-85) در قالب معادلات خطی، درجه دو و نمایی پرداخته شده و با انتخاب بهترین مدل تخمین براساس معیارهای مرسوم، تقاضای بنزین در بخش حمل و نقل تحت سناریوهای مختلف تا سال 1404 پیش بینی شده است. در این مقاله تقاضای بنزین تابعی از تولید ناخالص داخلی، قیمت بنزین، جمعیت، تعداد خودروهای بنزین سوز، عمر متوسط خودرو و راندمان مصرف در نظر گرفته شده است. نتایج تحقیق نشان می دهد که مدل درجه دو از دقت بالایی نسبت به سایر مدل ها در تخمین تقاضای بنزین برخوردار است.
کاربرد الگوریتم ژنتیک در ترکیب پیش بینی های تورم ١(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پیشبینی تورم به عنوان یکی از الزامات سیاستگذاری پولی در کشورهایی تبدیل شده است که مقامات پولی آنها سیاست هدفگذاری تورم را تعقیب می کنند. چرا که به واسطه استقلال بانک مرکزی از سویی و واگذاری سیاستگذاری پولی به این نهاد و از سویی دیگر به واسطه اینکه بهطور عمده سیاستگذاری پولی با وقفه بر روی تورم تاثیرگذار است، لذا مقام پولی میبایستی تصویر مناسبی نسبت به تورم آینده داشته باشد، تا با سیاستگذاری از قبل بتواند در مسیر هدفگذاری انجام رفته حرکت کند. در این بین، بهواسطه محدودیتهایی که مدلهای منفرد پیشبینی تورم به همراه دارند، از مدلهای مختلفی در پیشبینی تورم استفاده میشود، که هر یک از جهاتی نسبت به دیگر مدلها دارای نقاط قوت و ضعفی هستند. یکی از راه های استفاده از تمامی اطلاعات موجود در پیش بینی تورم، ترکیب مدلهای مختلف پیش بینی است، که در گزارش حاضر از رویکرد ابتکاری الگوریتم ژنتیک، به منظور ترکیب نتایج پیش بینی تورم شش مدل برای چهار فصل سال 1386 استفاده شده است.
تشکیل پر تفوی بهینه در بورس اوراق بهادار تهران با استفاده از الگوریتم های ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تشکیل پرتفوی به عنوان یک تصمیمگیری حساس و حیاتی برای شرکتها شناخته شده است. به همین دلیل انتخاب یک پرتفوی با نرخ بازدهی بالا و ریسک کنترل شده یکی از موضوعاتی است که مورد توجه بسیاری از محققان قرار گرفته است. در تعریف جدید ریسک، به جای یک عدد ویژه، از یک منحنی به عنوان ریسک استفاده میشود. در این مقاله روشی بر مبنای الگوریتم ژنتیک برای تشکیل پرتفوی ارائه میشود، که در آن ریسک با تعریف جدید در نظر گرفته شده است. در نهایت به عنوان یک مطالعه ی موردی، این الگوریتم برای تشکیل پورتفوی در بورس اوراق بهادار تهران مورد استفاده قرار گرفته است.
طراحی مدل کنترل موجودی با لحاظ هزینه های کل لجستیک در حالت منبع یابی چند گانه(مقاله علمی وزارت علوم)
حوزه های تخصصی:
" انتخاب عرضه کنندگان مناسب می تواند به گونه ای چشمگیر هزینه های خرید را کاهش و قابلیت رقابت پذیری سازمان را افزایش دهد: زیرا در بیشتر صنایع، هزینه مواد خام و اجزای تشکیل دهنده محصول، بخشی عمده از بهای تمام شده محصول را در بر می گیرد.
ادبیات موضوع نشان دهنده آن است که به مدل های تخصیص سفارش به تامین کنندگان در شرایط منبع یابی چندگانه، معیارهای چندگانه و محدودیت های ظرفیت عرضه کنندگان توجه کمی شده است و تنها شمار اندکی مدل های ریاضی برای تحلیل چنین تصمیماتی ارایه شده است که تنها به قیمت خاصل مانند هزینه خرید، توجه کرده اند. هرچند هزینه های حمل و نقل، سفارش و انبارداری ممکن است اهمیتی چشمگیر در چنین تصمیماتی داشته باشد. در این مقاله مدل برنامه ریزی غیرخطی مختلط عدد صحیح، برای حل مسایل منبع یابی چندگانه که هزینه های کل لجستیک را که شمال قیمت خالص، هزینه های نگهداری، حمل و نقل و سفارش را در بر می گیرد، ارایه شده است که محدودیت های خریدار مانند: بودجه، کیفیت، خدمت، عدد صحیح بودن تعداد سفارش، حداقل تعداد سفارش تخصصی به هر تامین کننده و غیره را نیز در نظر می گیرد. با توجه به ماهیت غیرخطی و پیچیده بودن مدل، مطالعه موردی این پژوهش به وسیله الگوریتم ژنتیک حل شده است.
"
بهینه سازی همزمان انرژی و ذخیره در بازارهای برق با مشارکت سمت تقاضا در ارائه خدمات ذخیره
حوزه های تخصصی:
این مقاله مدلی از بازار برق را با بهینه سازی همزمان انرژی و ذخیره که توسط واحدهای تولیدی و سمت تقاضا فراهم می شوند، پیشنهاد و تحلیل می نماید. در این مدل، تولید کنندگان و مصرف کنندگان، پیشنهادات فروش و خرید خود را در دو دسته تولیدات مجزا و مشخص شامل انرژی و ذخیره، ارائه می کنند.
انعطاف پذیری در برنامه ریزی که از طریق پیشنهادات ذخیره سمت تقاضا ایجاد می شود، منجر به اثرات قابل توجهی در کارایی اقتصادی سیستم می گردد. نتایج بدست آمده از بهینه سازی با استفاده از دو روش برنامه ریزی خطی عدد صحیح آمیخته و الگوریتم ژنتیک، آثار جالب توجهی از تغییر نرخ قیمت ذخیره سمت تقاضا بر پارامترهایی از قبیل قیمتهای بازار انرژی، رفاه اجتماعی و برنامه ریزی واحدهای تولید را نشان داده است. همچنین مطالعات نشان داده است که مصرف کنندگان با حضورشان در بازار، ضمن افزایش سود خود، منجر به کاهش قدرت بازار تولید کنندگان می شوند. ضمناً با کاهش میزان تقاضا در بازار که از طریق برنامه های متنوع پاسخ تقاضا قابل دستیابی است، آثار قابل توجه مورد بحث، کاهش خواهد یافت.
کلیدزنی بهینه خازن های قابل سوئیچ در شبکه های توزیع با استفاده از الگوریتم ژنتیک
حوزه های تخصصی:
امروزه فشار روز افزون در جهت بهره برداری حداکثر از سیستم های انتقال موجود و توسعه انواع جدید جبران کننده های استاتیکی و قابل کنترل توان راکتیو، لزوم استفاده از خازن های موازی در سیستم توزیع را بیش از پیش آشکار ساخته است. از آنجا که بارهای یک شبکه توزیع به طور دائم مشغول به کار نبوده و در طول ساعات شبانه روز تغییر می کنند، جهت جلوگیری از افزایش ولتاژ شبکه ناشی از وجود خازن ها، می بایست کلید زنی خازن ها به نحو موثری صورت پذیرد به طوری که در مواقع افزایش ولتاژ، میزان ظرفیت نصب شده کنترل شود.
در این مقاله یک طرح کنترلی برای تعیین ظرفیت بهینه خازن های قابل سوئیچ در شبکه های توزیع با استفاده از الگوریتم ژنتیک ارائه شده و ظرفیت بهینه با هدف حداکثر کردن سود حاصل از کاهش تلفات شبکه و ترانسفورماتور HV/MV با در نظر گرفتن هزینه خرید، نصب و نگه داری خازن ها به دست آمده است.
در نهایت حداکثر تعداد بانک های خازنی نصب شده در هر گره بار، با توجه به تغییرات روزانه بار و حالت بهینه کلید زنی خازن ها به صورت ساعت به ساعت تعیین می گردد.
پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی (مورد : تهران)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
گسترش سریع استفاده از شبکه های عصبی مصنوعی ( ANN) به عنوان مدل تجربی و کارآمد در علوم مختلف از جمله هواشناسی و اقلیم شناسی نشان دهنده ضرورت ارزش بالای مطالعه این مدل هاست. پیش بینی بارش برای اهداف مختلفی نظیر برآورد سیلاب، خشکسالی، مدیریت حوضه آبریز، کشاورزی و ... دارای اهمیت بسیاری است. هدف این مقاله پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی در شهر تهران می باشد. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1951-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتاً بهتری را ارائه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک برابر با 88/0 و ضریب تعیین برابر با 77/0 می باشد. همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه برابر با 91/0 و ضریب تبیین برابر با 83/0 می باشد.
شبیه سازی تابع تقاضای بنزین و نفت گاز در حمل و نقل زمینی ایران، با استفاده از روش الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مطالعه، با استفاده از روند متغیرهای تاثیر گذار بر تقاضای انرژی بخش حمل و نقل زمینی ایران، وضعیت آتی تقاضای انرژی (بنزین و نفت گاز) بخش حمل و نقل زمینی ایران پیش بینی شده است؛ به طوری که با استفاده از الگوریتم ژنتیک (GA)، دو فرم از معادلات تقاضای انرژی غیر خطی بنزین و نفت گاز بخش حمل و نقل زمینی ایران شبیه سازی شده است. مدل شبیه سازی تقاضای انرژی بخش حمل و نقل با استفاده از الگوریتم ژنتیک (GATEDS)، با استفاده استفاده از داده های سالیانه سال های 1375 تا 1386 و متغیرهای جمعیت، تولید ناخالص داخلی (GDP)، مسافت طی شده توسط خودروها و ارزش تجمعی تعداد خودروهای تولیدی و وارداتی بسط داده شده است. توابع تقاضای شبیه سازی شده در این مقاله نمایی و دومی درجه دوم می باشند؛ نتایج تحقیق نشان می دهد که فرم درجه دوم تابع تقاضای بنزین بخش حمل و نقل زمینی و فرم نمایی تابع تقاضای نفت گاز بخش حمل و نقل زمینی، با معیارهای کارایی شبیه سازی بهتر، نتایج بهتری را در پیش بینی تقاضای انرژی بخش حمل و نقل زمینی ایران فراهم می کند و می تواند در پروژه های بخش انرژی ایران به کار برده شوند.
به کارگیری الگوریتم ژنتیک در بهینه سازی درختان تصمیم گیری برای اعتبارسنجی مشتریان بانک ها(مقاله علمی وزارت علوم)
حوزه های تخصصی:
درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی می توانند به اعتبارسنجی مشتریان بانکی بپردازند. مسئله ی اصلی ساخت درختان تصمیم گیری است که بتوانند به طور بهینه مشتریان را طبقه بندی کنند. در این مقاله یک مدل مناسب اعتبارسنجی مشتریان بانک ها برای اعطای تسهیلات اعتباری متناسب با هر طبقه مبتنی بر الگوریتم ژنتیک ارایه می شود. الگوریتم های ژنتیک می توانند با انتخاب ویژگی های مناسب و ساخت درختان تصمیم گیری بهینه به اعتبارسنجی مشتریان کمک کنند. در ساخت این مدل فرآیند توسعه در شناخت الگو و فرآیند CRISP برای اعتبارسنجی مشتریان به کار رفته است. مدل طبقه بندی پیشنهادی مبتنی بر تکنیک های خوشه بندی، انتخاب ویژگی ها، درختان تصمیم گیری و الگوریتم ژنتیک است. این مدل به انتخاب و ترکیب بهترین درختان تصمیم گیری مبتنی بر معیارهای بهینگی و ساخت درخت تصمیم گیری نهایی برای اعتبارسنجی مشتریان می پردازد. نتایج نشان می دهد که دقت طبقه بندی مدل طبقه بندی پیشنهادی به طورتقریبی از تمام مدل های درخت تصمیم گیری مقایسه شده در این مقاله بالاتر است. هم چنین تعداد برگ ها و اندازه ی درخت تصمیم گیری و در نتیجه ی پیچیدگی آن از همه کمتر است.
بررسی تأثیر جمعیت بر رشد اقتصادی در چار چوب الگوی رشد بهینه در اقتصاد ایران (1386 -1350) کاربردی از الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله، تأثیر جمعیت بر رشد اقتصادی ایران در چارچوب الگوی رشد بهینه مورد بررسی قرار گرفته است. الگوی رشد بهینه، یک نوع برنامه ریزی پویا و غیرخطی تلقی میشود. برای حل این الگوها از روش های کلاسیک استفاده میشود، اما در این مطالعه برای اولین بار از الگوریتم ژنتیک استفاده شده است. براساس یافته های این پژوهش، به نظر میرسد رشد جمعیت در سال های (1386-1350)، سهم عمده ای از رشد سرمایهی سرانه و محصول سرانه را در اقتصاد ایران توضیح میدهد، به طوریکه رشد جمعیت دو و نیم درصدی در سال های گذشته، سطح مصرف سرانه، سرمایهی سرانه، درآمد سرانه و پس انداز سرانه را به ترتیب 46%، 14%، 14% و 8% افزایش داده است. هم چنین بر مبنای نتایج حاصل از الگو، نرخ رشد جمعیت صفر برای سال های آینده در اقتصاد ایران توصیه نمیشود و بهتر است جمعیت در آینده، همانند گذشته با یک نرخ رشد مثبت به افزایش خود ادامه دهد. بر اساس نتایج به-دست آمده چنین پیش بینی میشود که درصورت افزایش یک درصدی نرخ رشد جمعیت، مصرف سرانه، سرمایهی سرانه، درآمد سرانه و پس انداز سرانه به ترتیب رشدی معادل4.33%، 18%، 8.2% و 9.7% داشته باشند. طبقه بندی C61; C88; O47
ارائه یک مدل کنترل موجودی دوسطحی (R,Q) و حل آن با الگوریتم های ژنتیک و رقابت استعماری(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله، یک مدل کنترل موجودی برای سیستم دو سطحی ارائه شده است که سیاست (R,Q) را در هر سطح برایIHP هر قطعه یدکی غیر تعمیری استفاده می کند، که دارای فرضیاتی است که کاربرد آن را در شرایط واقعی محدود می کند. این تحقیق با فرض گسسته بودن سفارشات و محدودیت فضای انبار، این مدل را توسعه وکاربرد آن را افزایش داده است.در شرایطی جدید، مدل سازی صورت گرفت و سپس برای حل مدل به دست آمده، الگوریتمهای فوق ابتکاری ژنتیک (GA)ورقابت استعماری (ICA) توسعه و تطبیق داده شدند. همچنین با مقایسه عملکرد دو الگوریتم، کارایی آنها ارزیابی شده است.
طراحی و بهینه سازی شبکه لجستیک معکوس در شرایط عدم قطعیت با استفاده از الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در زنجیره تأمین، مدیریت برگشتی، در قالب لجستیک معکوس اعمال می شود. به دلایل مختلف، جریان مواد و کالاها در خلاف جهت عادی زنجیره، اجتناب ناپذیر است. پرداختن به موضوع شبکه لجستیک معکوس و مدیریت و هدایت موثر و ضروری است. با توجه به بررسیها یکی از مواردی که تأثیر بسیاری بر مدل سازی شبکه لجستیک معکوس دارد، در نظر گرفتن شرایط عدم قطعیت است. در لجستیک معکوس، پارامترهایی مثل ظرفیت مراکز، تقاضا، هزینه و کیفیت و... غیرقطعی هستند. با توجه به این موارد، در این تحقیق، یک مدل برنامه ریزی خطی عدد صحیح آمیخته احتمالی برای طراحی شبکه لجستیک معکوس ارائه شده است. برای حل این نوع مدل، ابتدا باید آن را به یک مدل قطعی تبدیل نمود. مدل ارائه شده در این تحقیق، چند محصولی و چند رده ای می باشد که همزمان، هزینه های حمل و نقل و احداث تسهیلات را در بر می گیرد. مدل مورد نظر با در نظر گرفتن کمینه سازی هزینه ها (هزینه های استقرار تسهیلات و هزینه های حمل و نقل) و همچنین در نظر گرفتن عدم قطعیت در تقاضای محصولات برگشتی، از نوع مسائل NP-Hard است که در آن، زمان حل مسأله به صورت نمایی و با توجه به ابعاد مسأله افزایش می یابد بنابراین، در این تحقیق، یک روش کارا با استفاده از الگوریتم ژنتیک با کدینگ اولویت ـ محور پیشنهاد داده شده است.
تشکیل صندوق شاخصی بهبود یافته با استفاده از الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
این تحقیق به ارائه مدلی برای بهینه سازی پرتفوی جهت مدیریت صندوق شاخصی بهبود یافته می پردازد. مدیریت صندوق شاخصی بهبود یافته دو هدف اساسی را نسبت به مدیریت فعال و مدیریت منفعلانه دنبال می کند. صندوق شاخصی بهبود یافته از یکسو در تلاش برای دست یابی به بازده بیشتر نسبت به شاخص است و از سوی دیگر، برای کاهش انحراف از شاخص تلاش می کند. در این مقاله چگونگی به کارگیری الگوریتم ژنتیک برای حل مسئله تشکیل صندوق شاخصی بهبود یافته با در نظر گرفتن محدودیت تعداد دارایی های مختلف و همچنین محدودیت در وزن تخصیص داده شده به دارایی های مختلف صندوق، شرح داده شده است. دوره زمانی مورد استفاده برای این پژوهش از خرداد 1378 تا خرداد 1389 در بورس اوراق بهادار تهران بود. نتایج حاصل از بارگیری مدل پیشنهادی با شاخص قیمت و بازده نقدی مقایسه گردید. نتایج این مقایسه بیانگر این است که میانگین بازده صندوق های شاخصی بهبود یافته تفاوت معنی دار آماری با بازده شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران دارد و از آن بیشتر است.
پیش بینی تقاضای تجهیزات پزشکی (سی تی اسکن) براساس شبکه های عصبی مصنوعی و روش ARIMA(مقاله علمی وزارت علوم)
حوزه های تخصصی:
بخش بهداشت و درمان و زیرساخت های مورد نیاز آن هم در بخش نرم افزاری و هم در بخش سخت افزاری همواره مورد توجه بوده است. در این میان اهمیت تجهیزات و اقلام پزشکی در سیستم سلامت کشور بر هیچ کس پوشیده نیست. سازمان ها و شرکت های فعال در این بخش باید بتوانند تصمیمات صحیح را با توجه به اطلاعات موجود در محیط پر نوسان کسب و کار امروز اخذ نمایند. بنابراین، تخمین مقدار تقاضا در دوره های آتی موضوعی حیاتی به نظر می رسد. روش و ابزارهای مختلفی برای انجام پیش بینی تقاضا وجود دارد که هر یک مزیت ها و نقاط ضعف مخصوص به خود را دارند. در این مقاله با استفاده از یک شبکه عصبی مصنوعی چند لایه پیشخور با دو لایه پنهان که با الگوریتم ژنتیک به عنوان الگوریتم یادگیری آموزش داده شده است، سیستمی مقایسه ای با روش رایج مورد استفاده در پیش بینی (روش باکس – جنکینز) با مدل ARIMA(2,1,1) برای پیش بینی تقاضای دستگاه سی تی اسکن ارائه شده است که با توجه به معیار سنجش دقت مدل ها یعنی میانگین مجذور خطا (MSE)، مدل شبکه عصبی اثربخشی و کارایی بیشتری را در مقابل با روش آریما در پیش بینی تقاضای دستگاه سی تی اسکن با توجه به داده ها و اطلاعات موجود از خود نشان داده است.
پیش آگاهی و برآورد بارش یزد با استفاده از شبکه های عصبی مصنوعی
حوزه های تخصصی:
بارش یکی از مهمترین داده های ورودی به سیستم های هیدرولوژیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعات رواناب، خشکسالی، آبهای زیرزمینی، سیلاب، رسوب و ... لازم و ضروری است. هدف این مقاله پیش آگاهی مقادیر بارش ماهانه یزد با استفاده از شبکه های عصبی مصنوعی است. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1950-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتاً بهتری را ارائه می کند و همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. لازم به ذکر است که تصادفی کردن داده ها برای آموزش شبکه باعث افزایش دقت و بهتر بودن مدل می شود.
پیش بینی بارش اصفهان با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
بارش مهمترین سنجهی هواشناسی و اقلیمی است. در این پژوهش به منظور پیشبینی بارش اصفهان از داده های بارش ماهانهی ایستگاه همدید اصفهان در بازهی آماری (1951-2009) به مدت 59 سال و به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت پیشبینی آن بهره گرفته شد. در این ارتباط، 70 درصد دادهها جهت آموزش شبکه و 30 درصد داده ها برای تست و اعتبار سنجی اختصاص داده شد. نتایج پژوهش بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف آشکار ساخت که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون با 2 لایه پنهان و ضریب یادگیری 4/0 نسبت به سایر حالتها و معماری شبکه، مدل نسبتاً بهتری را ارائه میکند. به بیانی دیگر، دادههای پیش بینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری، بیشتر با واقعیت انطباق دارد. آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نیز نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. بطور کلی می توان گفت که شبکه عصبی به خوبی رابطه غیر خطی بین مقادیر ماهانه بارش را با توجه به آموزش شبکه با خصوصیات ذکر شده، پیش بینی می کند. در عین حال، نتایج حاصل از تصادفی کردن دادهها تفاوتی چندانی با مرتب بودن دادهها برای آموزش شبکه ندارد.
کنترل توان راکتیو شبکه های توزیع بار متغیر در حضور منابع تولید پراکنده با استفاده از الگوریتم ژنتیک بهبود یافته
حوزه های تخصصی:
ورود منابع تولید پراکنده به شبکه توزیع، نحوه بهره برداری و طراحی این شبکه ها را دستخوش تغییر کرده است. تاثیر بر مدیریت توان راکتیو و خازن گذاری در شبکه های توزیع از این دسته می باشد. وجود انواع فناوری منابع تولید پراکنده (DG)، نحوه مدل سازی و ظرفیت گوناگون آنها در شبکه می تواند خازن گذاری بهینه را در شبکه توزیع تحت تاثیر قرار دهد. در این مقاله، تاثیر حضور منابع تولید پراکنده در مکان و ظرفیت خازن های ثابت و سوئیچ شونده مورد بررسی قرار می گیرد. هزینه تلفات انرژی، هزینه تولید توان در شرایط پیک بار و هزینه های خرید و نصب خازن های ثابت و سوئیچ شونده به عنوان تابع هدف درنظر گرفته شده است. الگوریتم ژنتیک بهبود یافته به همراه کدگذاری و اپراتورهای جدید به عنوان ابزار بهینه سازی مورد استفاده قرار گرفته است. مهمترین مشخصه الگوریتم ارائه شده فراهم کردن جدول کلیدزنی خازن های سوئیچ شونده در سطوح مختلف بار می باشد.
سودمندی اطلاعات حسابداری نسبت به اطلاعات بازار در پیش بینی ورشکستگی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
سودمندی اطلاعات حسابداری همواره به عنوان یکی از دغدغه های استاندارد گذاران مطرح بوده است؛ به طوری که مفاهیم نظری هدف اصلی از گزارشگری مالی را ارائه اطلاعاتی سودمند در تصمیم گیری می داند. پیش بینی ورشکستگی یکی از حوزه هایی است که تاکنون پژوهشگران بسیاری به بررسی سودمندی اطلاعات حسابداری در آن پرداخته اند. با این حال، به منظور درک موقعیت فعلی سودمندی این منبع اطلاعاتی لازم است تا توان پیش بینی آن را در مقابل سایر منابع اطلاعاتی مانند اطلاعات بازار مورد مقایسه قرار داد. در همین راستا با استفاده از الگوریتم ژنتیک، الگو هایی با ترکیبات مختلفی از متغیرهای حسابداری و بازار، طراحی شده و مورد آزمون قرار گرفته است. همچنین به منظور بهبود قابلیت تعمیم نتایج از اعتبارسنجی متقابل استفاده شده است. نمونه مورد آزمون شامل شرکت های عضو بورس اوراق بهادار تهران در بین سال های 1380 تا 1388 می باشد. یافته های پژوهش حاضر نشان داد که اطلاعات حسابداری در پیش بینی ورشکستگی از سودمندی بیشتری نسبت به اطلاعات بازار برخوردار بوده و اطلاعات بازار نمی توانند مکمل خوبی برای اطلاعات حسابداری در پیش بینی ورشکستگی باشند.
توسعه و حل یک مدل دو هدفه جهت تکمیل توأم موجودی چند کالا با محدودیت فضای انبار(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این تحقیق، یک مدل دو هدفه تکمیل موجودی همزمان چند کالا در حالیکه با محدودیت منابع روبرو هستیم،توسعه داده شده و حل شده است. مدل پیشنهادی دارای یک محدودیت فضای انبار بوده و به دنبال بهینه کردن دو تابع هدف می باشد که عبارتند از مینیمم کردن مجموع هزینه نگهداری و سفارش دهی سالیانه و نیز مینیمم کردن کل سرمایه درگیر در موجودی. در ادامه به توسعه یک الگوریتم ژنتیک چند هدفه برای حل آن پرداخته ایم.به منظور بررسی کارائی الگوریتم، عملکردآن را در اجرای 1600 مسئله که به صورت تصادفی ایجادشده اند و با پارامترهایی که از ادبیات موضوع استخراج شده اند بررسی کرده و نشان داده ایم که الگوریتم پیشنهادی توانایی خوبی در ارائه جوابهای بهینه پارتویی دارد.در پایان ، فرآیندحل مسئله و نتایج حاصل از الگوریتم پیشنهادی در مورد یک مسئله خاص که به صورت تصادفی تولید شده،نشان داده شده است.