مطالب مرتبط با کلیدواژه
۴۱.
۴۲.
۴۳.
۴۴.
۴۵.
۴۶.
۴۷.
۴۸.
۴۹.
۵۰.
۵۱.
۵۲.
۵۳.
۵۴.
۵۵.
۵۶.
۵۷.
۵۸.
۵۹.
۶۰.
الگوریتم ژنتیک
حوزه های تخصصی:
در این مقاله، یک مدل ریاضی جدید برای مسأله زمانبندی چند هدفه در سیستم تولید سلولی ارایه می شود که هدف آن کمینه سازی حداکثر زمان تکمیل کارها، هزینه زودکرد و هزینه دیرکرد است. به علت پیچیدگی این مسأله، یک الگوریتم تلفیقی بر پایه الگوریتم ژنتیک و بهینه سازی ذرات انبوه برای حل آن در زمان قابل قبول پیشنهاد می گردد. همچنین، از یک الگوریتم تکاملی چند هدفه معروف به نام الگوریتم ژنتیک مرتب شده غیر مغلوب (NSGA-II) برای مقایسه و نشان دادن کارایی الگوریتم تلفیقی پیشنهادی استفاده می شود. در ادامه، نتایج حاصل از خروجی الگوریتم ها با هم مقایسه و سپس تحلیل می گردند. در خاتمه، نتیجه گیری و پیشنهادهایی برای تحقیقات آتی ارایه می شود. واژه های کلیدی: مسأله زمانبندی چندهدفه، سیستم تولید سلولی، الگوریتم ژنتیک، بهینه سازی ذرات انبوه، NSGA-II.
مکان یابی تجهیزات رقابتی بر اساس مدل تعامل فضایی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله یک مدل غیرخطی برای مکان یابی تجهیزات سرویس دهی در ناحیه رقابتی معرفی می شود. در مدل پیشنهادی عوامل زمان سفر، کیفیت تجهیزات سرویس دهی و قیمت لحاظ شده است که از مهم ترین عوامل موثر بر جذب و حفظ مشتریان در محیط های رقابتی محسوب می شوند. برای بیان رفتار احتمالی مشتریان در انتخاب تجهیزات رقیب و شرکت واردشونده از مدل تعامل فضایی و تابع لاجیت استفاده می شود. نظر به این که تصمیم گیری در خصوص مکان یابی تنها بر اساس میزان فروش و جذب تقاضای بازار صورت نمی گیرد و غفلت از اهداف مهم سازمانی دیگر نظیر کاهش هزینه ها، شرکت ها را در بلندمدت دچار مشکل می سازد؛ لذا علاوه بر میزان جذب تقاضا، هزینه ثابت استقرار نیز در مدل بررسی می شود که در مسایل دنیای واقعی نتایج بهتری خواهد داشت. به دلیل پیچیدگی محاسباتی، الگوریتم ژنتیک برای حل مدل ارایه می گردد. نتایج عددی، عملکرد مدل پیشنهادی و کارایی الگوریتم ژنتیک را در حل آن تایید می کنند و نشان می دهند که بررسی تقاضای احتمالی مشتریان با در نظر گرفتن عوامل قیمت، زمان سفر و کیفیت تجهیزات سرویس دهی نقش اساسی در افزایش فروش و سود شرکت واردشونده دارد؛ به طوری که با وجود انتخاب مناسب ترین مکان ها توسط رقیب، در شرایط یکسان قیمت، کیفیت و تعداد تجهیزات، میزان فروش و سود شرکت واردشونده بیشتر از رقیب است.
الگوریتم ژنتیک برای مسئله زمان بندی تک ماشین با جرایم زودکرد، خطی و دیرکرد توان دوم و با در نظر گرفتن زمان بیکاری و شکست کار(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مقاله، مسئله زمانبندی تک ماشین با هزینه های زودکرد و توان دوم دیرکرد، با در نظر گرفتن شکست کار و بیکاری مجاز مورد بررسی قرار گرفته و یک مدل ریاضی غیر خطی جدیدی برای مسئله زمان بندی تک ماشین ارائه شده است. با توجه به پیچیدگی حل، این مسئله به عنوان یک مسئله NP-hard تلقی می گردد. بنابراین استفاده از روش هایی که نتایج بهینه تولید می کنند، تنها برای مسائل با اندازه کوچک مناسب است. براین اساس یک الگوریتم ژنتیک برای حل این مسئله در اندازه های متوسط و بزرگ ارائه شده است بطوریکه زمان حل به مقدار بهینه یا نزدیک به آن کاهش پیدا کرده است. نمونه های عددی نشان می دهد که الگوریتم ارائه شده کارا و مؤثر می باشد.
پیش بینی جریان رودخانه های کارون شمالی با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پیش بینی جریان رودخانه ها نقش بسزایی در برنامه ریزی، مدیریت و بهره برداری از منابع آب دارد . هدف اصلی این تحقیق بررسی امکان پیش آگاهی و پیش بینی دبی رودخانه های کارون شمالی (رودخانه ارمند و بازفت) با استفاده از روش های نوین شبیه سازی می باشد . در این مطالعه نوسانات جریان رودخانه های ارمند و بازفت در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی بررسی شده است. بدین منظور از داده های ماهانه شاخص نوسان جنوبی (SOI )، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO4،NINO3 ، NINO3.4 و NINO1+2 استفاده گردید. تمامی داده های مربوط به سیگنال های اقلیمی از مرکز داده های آنالیز شده NCEP دریافت شد. داده های مربوط به دبی روزانه ایستگاه های هیدرومتری ارمند و مرغک نیز از مرکز داده های وزارت نیرو تهیه گردید. در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهت پیش بینی دبی رودخانه ها براساس سیگنال های اقلیمی از الگوریتم ژنتیک بهره گرفته شد. نتایج تحقیق نشان داد که سیگنال های ENSO در ناحیه NINO1+2 و NINO3 به عنوان موثرترین سیگنال بر تغییرات جریان رودخانه های ارمند و بازفت هستند و برای پیش آگاهی از وضعیت دبی رودخانه های کارون شمالی می توان از سیگنال های فوق استفاده کرد.
مقایسة قابلیت الگوریتم های فراابتکاری در حل مسئلة مکان یابی مراکز آتش نشانی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
مکانیابی و تخصیص از نوع مسائل NP-Hard است که با افزایش تعداد نقاط تقاضا و مراکز خدماتی، پیچیدگی و حجم محاسبات مسئله به صورت نمایی افزایش می یابد. برای حل این گونه مشکلات، از روش های فراابتکاری متناسب با شرایط مسئله استفاده می شود. در این تحقیق، روشهای فراابتکاری جست وجوی ممنوع، ژنتیک و شبیه سازی بازپخت به عنوان روش های بهینهسازی برای مکانیابی مراکز آتشنشانی و تخصیص مناطق شهری به آن ها استفاده شده اند. این روشها با توجه به معیارهای زمان حل مسئله، مقدار تابع هدف، تعداد تکرار و نحوة پوشش منطقه در سناریوهای مختلف ارزیابی شده اند. سناریوهای مختلف در روش ژنتیک بر اساس تغییر در تعداد تکرار و جمعیت اولیه و در روش شبیهسازی بازپخت بر اساس تغییر در تعداد تکرار حرکات و تغییرات دما تولید شده اند. روش جست وجوی ممنوع دارای بیشترین زمان محاسباتی (38 دقیقه و 42 ثانیه) و کمترین (بهترین) مقدار تابع هدف (104×749/4) است و با توجه به نقشة تولید شده، بهترین پوشش را در منطقه توسط مکان های بهینة برگزیده ایجاد می کند. الگوریتم شبیهسازی بازپخت، در بین روش های اجرا، دارای کمترین زمان حل مسئله است و هنگامی که تعداد تکرارها در این روش از اندازة مسئله (در اینجا تعداد پارسل ها) بزرگ تر باشد، جواب های مطلوبی تولید می شود. نتایج به دست آمده در سناریوی دوم روش SA در این تحقیق، صحّت این ادعا را اثبات کرده است. بر اساس یافته های این تحقیق، می توان نتیجه گیری کرد که در صورت نیاز به اجرای سریع (زمان بسیار کوتاه عملکرد الگوریتم) روش شبیه سازی بازپخت سریع ترین روش خواهد بود؛ در شرایط نیاز به سرعت و دقت مناسب و متوسط، الگوریتم ژنتیک گزینة مناسبی است و سرانجام در حالت نیاز به دقت و کیفیت بالای جواب و بدون محدودیت زمان، روش جست وجوی ممنوع گزینة برتر است.
طراحی و ایجاد یک سیستم استنتاج فازی، با به کارگیری خوشه بندی فازی و الگوریتم ژنتیک در محیط GIS (مطالعه موردی: مکان یابی جایگاه های سوخت)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
اکثر موجودیت ها در سامانه های اطلاعات مکانی (GIS) ماهیتی غیرقطعی دارند؛ و به همین خاطر نیاز به ارائه سیستمی که توانایی استنتاج از داده های مکانی غیرقطعی را داشته باشد کاملاً احساس می شود. یکی از تواناترین سیستم های استنتاجی که در سال های اخیر مورد توجه دانشمندان قرار گرفته، سیستم های استنتاج فازی (FIS) است. هدف این مقاله ارائه روشی نو برای طراحی و ایجاد سیستم استنتاج فازی در محیط GIS است. در این تحقیق بخشی از توابع عضویت و قوانین فازی به صورت خودکار و با استفاده از داده های ورودی ـ خروجی، و بخشی دیگر به صورت غیرخودکار و از طریق مصاحبه با کارشناس استخراج شدند. برای استخراج خودکار توابع عضویت و قوانین فازی، خوشه بندی فازی و الگوریتم ژنتیک (GA) به کار گرفته شد. ابتدا توابع عضویت و قوانین فازی اولیه با خوشه بندی داده ها و تصویر کردن آنها بر روی محورهای مختصات استخراج گردیدند و سپس با به کارگیری الگوریتم ژنتیک به بهینه سازی فرم توابع عضویت و قوانین فازی اولیه پرداخته شد. در مرحله نهایی، بخش دیگری از توابع عضویت و قوانین فازی از طریق مصاحبه با کارشناس استخراج گردیدند و به سیستم استنتاج فازی افزوده شدند. سیستم استنتاج فازیِ طراحی شده، دارای کاربردهای مختلفی است. در این تحقیق از این سیستم برای به کارگیری در مکان یابی جایگاه های سوخت در منطقه 2 شهر تهران استفاده شد. با توجه به دیدگاه های کارشناسان سوخت و داده های موجود، از 10 لایه اطلاعاتی تأثیرگذار در مکان یابی جایگاه های سوخت استفاده گردید. نتایج به دست آمده نشان دادند که الگوریتم ژنتیک دقت مدل سازی سیستم استنتاج فازی را 53 درصد بیش از خوشه بندی افزایش داده است. همچنین با بررسی هیستوگرام نقشه مطلوبیت جایگاه های سوخت ملاحظه شد که 9 درصد از مساحت کل منطقه پتانسیل لازم را برای احداث جایگاه های سوخت در خود دارد.
روشی تازه به منظور درون یابی مشاهدات بارندگی با کمک کریجینگ شاخص نرم و الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
درون یابی از جمله مهم ترین مسائل در علوم مکانی است؛ زیرا همیشه این نیاز وجود دارد که از یک حجم محدود داده، مجموعه ای از اطلاعات دقیق فراهم گردد. کریجینگ نیز از کاربردی ترین و دقیق ترین روش های درون یابی به شمار می آید که به زیر روش های مختلفی از جمله کریجینگ معمولی، کریجینگ شاخص و کریجینگ شاخص نرم تقسیم می شود. الگوریتم ژنتیک در زمرة الگوریتم های تکاملی است که برای یافتن یک جواب بهینه از مجموعه ای از جواب های بالقوه استفاده می شود. در این مقاله، از الگوریتم ژنتیک برای آموزش بهینه برخی از پارامترهای کریجینگ شاخص نرم با توجه به تابع هدف برای رسیدن به جواب بهینه استفاده می شود. در این تحقیق، از چهار روش کریجینگ معمولی، کریجینگ شاخص، کریجینگ شاخص نرم و کریجینگ شاخص نرم با الگوریتم ژنتیک بر یک مجموعه داده از 15 ایستگاه سینوپتیک استان مازندران استفاده گردید. داده های استفاده شده، مشاهدات بارندگی در این ایستگاه ها مربوط به بهمن ماه سال 1387 بود. با مقایسه مقادیر مشاهداتی و محاسباتی در دو حالت اعتبارسنجی متقابل و جکنایف در چهار روش ذکر شده، ثابت گردید که روش کریجینگ شاخص نرم با الگوریتم ژنتیک دقیق ترین روش است. به عنوان معیار این تصمیم گیری، از میانگین قدرمطلق اختلاف بین مقادیر مشاهداتی و محاسباتی هر روش استفاده گردید. این کمیت برای روش کریجینگ شاخص نرم با الگوریتم ژنتیک برابر با 3/10 میلی متر است که نسبت به سه روش اول (3/12، 3/13 و 8/12) کمینه است.
طبقه بندی و ارائه راه حلی هوشمند برای مسائل مکان یابی و تخصیص منابع مرتبط با اشیای متحرک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
اهمیت مکان یابی و تخصیص صحیح منابع در صرفه جویی هزینه و بهبود کارایی در ارائه خدمات، موضوعی است که مقالات و تحقیقات فراوانی در خصوص آن انجام شده است. دسته بندی های مختلفی نیز برای این مسائل پذیرفته است. هر یک از دسته بندی های موجود، این مسائل را از دیدگاه خاصی مورد بررسی قرار می دهند. در چارچوب تحقیق حاضر، مسائل مکان یابی و تخصیص منابع مرتبط با اشیای متحرک به عنوان دسته ای از مسئله های مکان یابی و تخصیص منابع، مطرح و به سه دسته اصلی تقسیم بندی شده اند. در مقاله حاضر دستة پرکاربردی از مسائل مذکور به صورت مسئله بهینه سازی ریاضی فرمول بندی شده و روش حلی بر اساس الگوریتم ژنتیک برای حل همزمان تخصیص منابع و تعیین ترتیب ارائه خدمات مطرح شده است. به منظور ارزیابی کارایی روش پیشنهادی، مسئله نمونه ای مرتبط با اشیای متحرک طرح و با دو روش رایج و پیشنهادی حل شده و در نهایت نتایج به صورت عددی مقایسه شده اند. نتایج حاصل از پیاده سازی، نشانگر کارایی روش حل پیشنهادی است.
ارائه یک روش بدون نظارت در شناسایی تغییرات تصاویر SAR با استفاده از الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در مقاله حاضر یک روش بدون نظارت برای آشکارسازی تغییرات در تصاویر ماهواره ای رادار با روزنه ترکیبی (SAR) معرفی می شود. اساس این روش جست وجوی بهینه در فضای جواب های ممکن با اتکا بر الگوریتم ژنتیک است. برای این منظور یک تابع هزینه براساس معیار کمترین میانگین مربعات خطا و با در نظرگرفتن تصویرِ نسبت به دست آمده از تصاویر مشاهده شدة غیرهم زمان از ناحیه جغرافیایی یکسان، معرفی می شود. به منظور کاهش مدت زمان همگرایی الگوریتم به جواب بهینه، از پنجرة متحرک با ابعاد مناسب به منظور انتخاب نواحی مختلف از تصویرِ نسبت با احتمال وجود پیکسل های تغییریافته، استفاده می شود. این کار افزون بر ایجاد امکان مدیریت حجم محاسباتی و زمان اجرای الگوریتم، توانایی مدیریت نویز لکه ای را نیز فراهم می کند. به این ترتیب که می توان نواحی یکنواخت نویزی محصور در یک پنجرة انتخاب را تشخیص داد و آن را از فرایند آشکارسازی حذف کرد. علاوه بر این، استفاده از روش های پیش پردازشی کاهش نویز مانند اعمال فیلتر تطبیقی وینر، برای بهبود روند آشکارسازی استفاده شده است. نتایج به دست آمده از پیاده سازی الگوریتم توسعه یافته، حاکی از کاهش زمان اجرای الگوریتم و مدیریت آن با حفظ دقت مطلوب، در مقایسه با روش پیشین آشکارسازی تغییرات به کمک الگوریتم ژنتیک است. به منظور بررسی عملکرد الگوریتم از دو مجموعه داده استفاده می شود. مجموعه اول شامل تصاویر شبیه سازی شده با در نظر گرفتن نویز لکه ای و مجموعه دوم شامل تصاویر سنجنده ASAR ماهواره Envisat، دریافت شده از منطقه تأثیرگرفته از سونامی اخیر کشور ژاپن است. استفاده از روش پیشنهادی در آشکارسازی تغییرات به روش پیکسل مبنا و بر روی مجموعه داده فوق، دقت آشکارسازی در حدود 94 درصد در مقایسه با کل پیکسل های تصویر را به دست داد.
کاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه سازی و پیش بینی تقاضای انرژی
حوزه های تخصصی:
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.
طراحی مدل سفارش دهی ترکیبی قطعات خودرو در زنجیره تامین دو سطحی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
3استاد گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاٯودیت حجم ارسالی حل شد و نتایج آن با یکدیگر مقایسه شد، مشاهده شد که با اعمال محدودیت حجم ارسال، دوره سفارش دهی افزایش می یابد و بدنبال آن هزینه های کل سالانه نیز افزایش می یابد. در نهایت جهت اعتبار سنجی، مدل ارائه شده با داده های موجود در ادبیات حل شده و با مدلهای ارائه شده در ادبیات مقایسه شده است.
پیش بینی مصرف انرژی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی و مقایسه آن با الگوهای سنتی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
طی دهه های اخیر، انرژی در کنار سایر عوامل تولید نقش تعیین کننده ای در رشد اقتصادی کشورها داشته و اهمیت آن همچنان رو به افزایش است. وابستگی روزافزون به انرژی موجب تعامل این بخش با سایر بخشهای اقتصادی شده و سرعت در روند رشد و توسعه ی اقتصادی را وابسته به سطح مصرف انرژی کرده است، به طوری که طی دهه های اخیر، رشد اقتصادی جهان و روند صنعتی شدن، موجب افزایش تقاضا و مصرف انرژی شده است. در این صورت به منظورکنترل پارامترهای عرضه و تقاضای انرژی و برنامه ریزی صحیح در هدایت مصرف آن بایستی مصرف انرژی را به صورت دقیق پیش بینی نمود. هدف از این مقاله کاربست مدل ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی مصرف انرژی ایران می باشد. لذا در این بررسی، از داده های سالانه مصرف انرژی کشور به عنوان متغیر خروجی مدل پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی، واردات و صادرات به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شده است. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی و رگرسیون چند متغیره، از شاخص های ارزیابی خطای استاندارد نسبی (RSE)، میانگین خطا (ME) و مجذور میانگین مربعات خطا (RMSE) استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک (ANN-GA)، نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی مصرف انرژی کشور می باشد.
به کارگیری الگوریتم ژنتیک برای انتخاب پرتفولیوی بهینه ای با اهداف غیرخطی (بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
عموماً سرمایه گذار در مسئله انتخاب پرتفولیو اهداف چندگانه و متناقضی از قبیل بازدهی، ریسک و نقدشوندگی مدنظر دارد. از طرف دیگر سرمایه گذار دارای ترجیحات خاص خود در مورد اهداف است. مرور ادبیات تحقیق نشان می دهد، از جمله اهدافی که در مسئله انتخاب پرتفولیو استفاده نشده است، حداقل کردن ریسک غیرسیستماتیک و حداکثرسازی چولگی بازدهی پرتفولیو است. در این تحقیق سعی شده است به منظور انتخاب پرتفولیوی بهینه، از بین سهام 50 شرکت برتر بورس اوراق بهادار تهران مدلی چندهدفه برای بهینه کردن اهداف، بازدهی، ریسک سیستماتیک، ریسک غیرسیستماتیک، نقدشوندگی، ضریب چولگی و نسبت شارپ طراحی شود. مدل طراحی شده غیرمحدب است و نمی توان آن را با الگوریتم های تحقیق در عملیات بهینه کرد. بنابراین از الگوریتم ژنتیک برای بهینه کردن مدل استفاده شده است. مقایسه جواب حاصل از الگوریتم ژنتیک با مدل کلاسیک مارکویتز و مدل آرمانی با اهداف خطی و غیرخطی (درجه دوم) نشان می دهد که اگرچه بازدهی پرتفولیو حاصل از الگوریتم ژنتیک کمتر از مدل های دیگر است، اما کاهش بازدهی با کاهش در میزان ریسک جبران شده و معیارهای تعدیل شده بر مبنای ریسک بر بهتر بودن جواب حاصل از الگوریتم ژنتیک صحه می گذارد. همچنین پرتفولیو حاصل، تنوع بیشتری نسبت به پرتفولیو مدل های دیگر دارد.
انتخاب مؤلفه های تأثیرگذار بر پیش بینی سود آتی سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل ترکیبی شبکه ی عصبی و الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تصمیم گیری همواره، یکی از مهم ترین وظایف مدیر بوده، در این بین، پیش بینی نتایج ورودی به سیستم و در حقیقت، نتایج شقوق مختلف تصمیم، جزءِ دغذغه های اصلی فرایندهای بهینه سازی تصمیم بوده است. از سوی دیگر، شناسایی عواملی که بر خروجی تصمیم یا نتیجه ی پیش بینی تأثیرگذارند اهمیت دارند؛ چرا که با شناسایی این عوامل می توان مدل مناسبی برای پیش بینی تدوین و سپس، کسب نتیجه از آن اقدام نمود. یکی از عوامل مهم برای تصمیم گیری سرمایه گذاران در مورد با خرید و فروش سهام یک شرکت، پیش بینی سود نقدی سهام بوده، در این مورد می توان از صورت های مالی در جایگاه ابزاری برای این پیش بینی استفاده نمود؛ بدین ترتیب که نسبت هایی را از صورت های مالی استخراج نموده، بر اساس آنها، مدلی برای پیش بینی سود آتی سهام توسعه داد و در نهایت تصمیم گرفت.
در این مقاله سعی شده با استفاده از الگوریتم ژنتیک[1] و تلفیق آن با شبکه ی عصبی مصنوعی[2]، عوامل مؤثر بر پیش بینی سود آتی سهام (شامل نسبت های استخراج شده از صورت های مالی) شناسایی شده، در نهایت، این متغیرهای مؤثر بر خروجی، در مدلی که به مدد شبکه ی عصبی طراحی و برای پیش بینی سود آتی سهام به کار گرفته شوند. برای موردکاوی، به پیش بینی سود نقدی سهام 194 شرکت پذیرفته شده، در بورس توجه شده و 24 متغیر موجود در صورت های مالی که بر اساس نظر خبرگان در تغییرات سود نقدی سهام دخالت دارند، به مدل وارد شده اند. در نهایت، مدل ترکیبی با توجه به دینامیسم موجود بین متغیرهای ورودی، ده متغیر را به عنوان ترکیب بهینه ی متغیرهای تأثیرگذار انتخاب نموده که در مرحله ی دوم، به یک شبکه ی عصبی که برای پیش بینی طراحی شده، وارد شده اند و خطای حاصل از پیش بینی مبنای مقایسه با دیگر روش ها قرار گرفته است.
بررسی کاربرد الگوریتم ابتکاری ‐ ترکیبی ژنتیک و نِلدر ‐ مید در بهینه سازی پورتفوی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
همچنان مدل پورتفوی مارکویتز در حرفه و مباحث علمی سرمایه گذاری، رویکرد غالب است. در قیاس با رشد روزافزون استفاده از پورتفوی ها و با وجود ادبیات غنی آن، همچنان مشکل ها و سؤال های بی پاسخ فراوانی در این باره وجود دارد. چگونگی انتخاب پورتفوی، از جمله مسائل بحث برانگیز است. انتخاب روش بهینه سازی پورتفوی نیز، یکی از مهم ترین زیرشاخه های این مقوله است. هدف این پژوهش، ارائة ابزاری مفید و کارآمد برای کمک به متخصصان حوزة مالی در عمل و همچنین محققان مالی در تئوری انتخاب پورتفوی است. این پژوهش، علاوه بر بررسی روش های کلاسیک و ابتکاری در بهینه سازی، الگوریتم های ابتکاری را با یکدیگر ترکیب کرده و آن را بر مسئلة بهینه سازی پورتفوی در بورس اوراق بهادار تهران بین سی و پنج شرکت از پنجاه شرکت برتر بازار، اعمال می کند. نتایج تحقیق نشان می دهد که ترکیب الگوریتم های ژنتیک و نِلدر ‐ مید با مسئلة بهینه سازی پورتفوی به خوبی سازگاری دارد و در مقایسه با کاربرد جداگانة الگوریتم ژنتیک، ترکیب با سرعت همگرایی بهتر به پاسخ بهینه و ریسک ‐ بازدهی مناسب تر، عملکرد بهتری را دارد. همچنین نتایجِ مقایسه پورتفوی های روش ترکیبی نشان می دهد که اگرچه سرعت همگرایی و تنوع بخشی پورتفوی اطلاعات ماهانه، بیشتر از پورتفوی سالانه است؛ اما عملکرد ریسک ‐ بازدهی پورتفوی اطلاعات سالانه، بهتر از پورتفوی ماهانه است.
ارائه روشی ابتکاری برای حل مسئله مسیریابی «فروشنده دوره گرد»(مقاله علمی وزارت علوم)
حوزه های تخصصی:
مسیریابی یکی از مسائل بسیار پرکاربرد GIS است که هدف اصلی آن یافتن بهترین مسیر گذرنده از یک سری موقعیت های از پیش تعیین شده است. این فرایند می تواند تأثیر بسزایی در تصمیم گیری های حساس مکانی داشته باشد. به همین دلیل از دیرباز تحقیقات بسیاری در مورد بهینه سازی این مسئله با استفاده از الگوریتم های مختلف صورت گرفته است. مسئله فروشنده دوره گرد یکی از مسائل بسیار کهن در علوم کاربردی است که پیش از پیدایش GIS نیز مطرح بوده است. این مسئله با ظهور فناوری های جدید مانند GIS کاربردهای بسیاری یافته و روش های جدیدی نیز برای حل آن پیشنهاد شده است. الگوریتم های تکاملی (ژنتیک) یکی از روش هایی هستند که برای حل مسائل بهینه سازی مختلف به کار گرفته می شوند. تحقیقات نشان داده است که تلفیق روش های جست وجوی محلی (Local Search) با عملگرهای ژنتیک می تواند منجر به نتایج بهتری در حل مسئله فروشنده دوره گرد شود. در نوشتار حاضر، روشی تازه و ابتکاری برای حل مسئله مسیریابی ارائه و پیاده سازی شده است. در این روش با بهره گیری از مفهوم مرکز هندسی به برازش چندضلعی ها با رئوس شهرها، به گونه ای پرداخته شده است که مسیر نهایی محدب ترین چندضلعی باشد. این الگوریتم با رویکردی پوششی با جهت بیرونی ـ درونی بزرگ ترین دایره محیطی شهرها را به کوچک ترین چندضلعی محدب ممکن تبدیل می کند. همچنین با استفاده از جست وجوی محلی مبتنی بر الگوریتم ژنتیک و روش نزدیک ترین همسایه (NN)، به حل مسئله مسیریابی فروشنده دوره گرد پرداخته شده است. ارزیابی نتایج حاصل از روش پیشنهادی با نتایج حاصل از روش های ژنتیکی، جست وجوی محلی و نزدیک ترین همسایه حاکی از این بود که روش پیشنهادی، سرعت و دقت بالایی را در تولید مسیرهای نهایی ارائه می کند. بررسی نتایج نهایی ژنتیک با روش ابتکاری نشان دادکه این الگوریتم همواره نمی تواند به جواب های بهتری برسد. مثلاً در تعداد 25 بار اجرای جداگانة جست وجوی ژنتیک، 3/69 درصد از جواب ها از جواب روش پیشنهادی، بهتر نبودند. از طرف دیگر روش پیشنهادی می تواند چندین هزار برابر سریع تر از الگوریتم قدرتمند ژنتیک جواب های نهایی را تولید کند.
الگوسازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از الگوهای هوش مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه و بالفعل در کارکرد بخش های مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند. از این رو، مسئولان هر کشور باید تلاش کنند تا با پیش بینی هر چه دقیق تر مصرف انرژی و برنامه ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. هدف پژوهش حاضر، الگو سازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگو های پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگو های پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگو های مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگو ها از بیشترین دقت در پیش-بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تأثیر را در مصرف انرژی دارد.
استخراج پایگاه دانش فازی بهینه به منظور تلفیق و وزن دهی لایه های مکانی در محیط GIS (مطالعة موردی: تهیة نقشة پتانسیل معدنی)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
وزن دهی و تلفیق لایه های مکان مرجع یکی از مباحث بسیار مهم در آنالیز های اطلاعات مکانی است. از سوی دیگر، به دلیل عدم قطعیت در لایه های مکانی نیاز به روشی است که بتواند عدم قطعیت را در میزان تأثیر این لایه ها درنظر بگیرد. هدف این تحقیق، استخراج پایگاه دانش بهینه به منظور تلفیق مؤثر لایه های مکانی با درنظر گرفتن عدم قطعیت موجود در آن هاست. در روش های رایج و سنتی، پایگاه دانش براساس تجربه و دانش فرد خبره ایجاد می شد. باوجود این، تبدیل دانش و تجربة فرد خبره به توابع عضویت و قوانین فازی بسیار دشوار است و در اکثر موارد می تواند به نتایج ناکارآمد منجر شود. در این تحقیق دو روش خوشه بندی فازی و الگوریتم ژنتیک برای استخراج پایگاه دانش فازی از مشاهدات محیطی (داده های ورودی- خروجی) به کار رفتند. برای ارزیابی این دو روش، دو پایگاه دانش فازی استخراج شده در یک سیستم استنتاج فازی برای تهیة نقشة پتانسیل معدنی به کار گرفته شدند. نتایج نشان می دهند پایگاه دانش فازی به دست آمده از الگوریتم ژنتیک با RMSE، 16.21 دقت بالاتری را نسبت به خوشه بندی فازی برای داده های آموزشی و کنترل به دست آورده است.
زمانبندی دو هدفه شیفت کاری و گردش شغلی کارکنان چند مهارته با رویکرد مهندسی عوامل انسانی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف اصلی این پژوهش ارائه یک رویکرد بهینه یابی برای مسأله دو هدفه زمانبندی شیفت کاری و گردش شغلی بمنظور بهرهبرداری از عملکرد بهینه کارکنان می باشد. در این مقاله مسأله زمانبندی شیفت کاری و گردش شغلی کارکنان بصورت همزمان با اهداف کمینه سازی هزینه های نیروی کار و بیشینه سازی تعداد گردش شغلی کارکنان بررسی شده است. همچنین عوامل خستگی، یادگیری و فراموشی نیروی انسانی نیز به عنوان مفاهیم مهم و تأثیر گذار بر عملکرد نیروی کار نیز مدلسازی ریاضی شده است. مدل ارائه شده از نوع عدد صحیح مختلط و غیر خطی بوده و برای حل مدل ریاضی و ترسیم مرز پارتو از الگوریتم ترکیبی ژنتیک و روش ε-محدودیت استفاده شد. مقایسه کارایی الگوریتم ژنتیک نسبت به روشهای دقیق حل مسأله نشان داد که کارایی الگوریتم از ابعاد مدت زمان محاسباتی و کیفیت راه حل نسبت به نرم افزار LINGO بهتر می باشد. برای تعیین رابطه بین اهداف مسأله زمانبندی-گردش شغلی، مجموعه مسائل مختلف با پارامترهای متفاوت با استفاده از الگوریتم ارائه شده حل شد. تحلیل مجموعه جوابهای بهینه مرز پارتو برای مسائل ارائه شده نشان داد که بین اهداف مسأله، رابطه متضاد وجود دارد. بنابراین با در نظر گرفتن عوامل انسانی تأثیر گذار بر عملکرد کارکنان، می بایستی برنامه ریزی شیفت کاری و گردش شغلی بصورت همزمان انجام شود. نتایج همچنین نشان داد که روش بهینه سازی ارائه شده قابلیت ارائه گزینه های تصمیم گیری مدیریتی با توجه به سیاستهای کاهش هزینه، افزایش تنوع شغلی و آموزش چند مهارتی کارکنان را دارد.
ارایه الگوریتمی برای مدل کنترل موجودی (R,Q) با تابع تقاضای احتمالی و متاثر از مقدار کمبود(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این تحقیق سیستم سفارش های مستمر با اضافه کردن محدودیت تاثیرپذیری تقاضا از متوسط درصد کمبود بررسی شده که در آن بین افزایش مقدار کمبود و تعداد دفعات رخ دادن آن با کاهش تقاضا و انصراف مشتریان رابطه مستقیم وجود دارد. هدف از محدودیت فوق، مدل سازی هزینه های مرتبط با کسر اعتبار سازمان در فضای رقابتی است. در این تحقیق، ابتدا مدل ریاضی مساله مورد بررسی ارایه و سپس با توجه به پیچیدگی آن با دو الگوریتم فراابتکاری ژنتیک و انجماد تدریجی حل گردیده است. با توجه به اهمیت اجزا و پارامترها در عملکرد الگوریتم های فراابتکاری، اجزا و پارامترهای الگوریتم های ارایه شده براساس نتایج آزمایش ها صورت گرفته تنظیم شده است. در انتها با استفاده از تجزیه و تحلیل آزمایش ها صورت گرفته، نشان داده شده است که در این نوع مساله، الگوریتم انجماد تدریجی نتایج بهتری را ارایه می نماید.