مطالب مرتبط با کلیدواژه
۸۱.
۸۲.
۸۳.
۸۴.
۸۵.
۸۶.
۸۸.
۸۹.
۹۰.
۹۱.
۹۲.
۹۳.
۹۴.
۹۵.
۹۶.
۹۷.
۹۸.
۹۹.
۱۰۰.
الگوریتم ژنتیک
حوزه های تخصصی:
توسعه مدل های پیش بینی انرژی یکی از مراحل مهم در برنامه ریزی های کلان برای تامین پایدار انرژی در راستای توسعه اقتصادی و رفاه اجتماعی است و همواره مورد توجه سیاستگذران و تحلیلگران انرژی بوده است. بخش خانگی- تجاری بزرگترین مصرف کننده انرژی در ایران است و پیش بینی تقاضای این بخش از اهمیت بالایی برخوردار است. در تحقیق حاضر با استفاده از از توابع خطی و نمایی و با ضرایب بدست آمده از الگوریتم ژنتیک به پیش بینی تقاضای انرژی بخش خانگی – تجاری ایران پرداخته شده است. 54 سناریوی مختلف با ورودی های متفاوت مورد بررسی قرار گرفته و از داده های مربوط به سال های 1346 تا 1389 برای توسعه مدل ها و انتخاب سناریوی مناسب استفاده شده است. نتایج نشان داد مدل نمایی با ورودی های ارزش افزوده کل منهای بخش نفت، ارزش ساختمان های ساخته شده، تعدا کل خانوار و شاخص قیمت مصرف انرژی مناسب ترین مدل است. با استفاده از سناریوی انتخابی تقاضای انرژی بخش خانگی-تجاری تا سال 1410 پیش بینی شده است. نتایج نشان می دهد تقاضای انرژی این بخش در سال 1410 به حدود 1180 میلیون بشکه معادل نفت خام می رسد.
مقایسه روش های الگوریتم ژنتیک و خودتوضیح با وقفه های گسترده به منظور تخمین تابع تولید بخش کشاورزی ایران(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تاکنون مطالعات متعددی در تخمین تابع تولید در بخش کشاورزی صورت گرفته است. اغلب این مطالعات روش های اقتصاد سنجی را برای تخمین توابع تولید به کار برده اند. با توجه به اینکه اخیراً الگوریتم های ابتکاری در مدت زمان اندکی کاربردهای گسترده ای در مسائل بهینه سازی یافته است؛ در این مطالعه نیز با به کارگیری روش الگوریتم ژنتیک(GA) به منظور برآورد تابع تولید در بخش کشاورزی، به مقایسه ی این مدل با روش خودتوضیح با وقفه های گسترده(ARDL) پرداخته شده است. برای برآورد تابع تولید از داده های سری زمانی ارزش افزوده، نیروی کار، انرژی و سرمایه ی بخش کشاورزی طی دوره ی زمانی 86-1356 استفاده گردیده و نتایج مقایسه ی این دو روش براساس دو معیار خطای ریشه متوسط مربعات(RMSE) و ضریب تعیین(R2 ) حاکی از آن است که روش الگوریتم ژنتیک نسبت به روش ARDL از کارایی بالایی در تخمین تابع تولید برخوردار است.
پیش بینی میزان صادرات خرمای ایران با استفاده ازروش های اقتصادسنجی و هوش مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این مطالعه با استفاده از روش های اقتصادسنجی ARMA ، GARCH و روش های هوش محاسباتی، شبکه ی عصبی مصنوعی و الگوریتم ژنتیک اقدام به پیش بینی میزان صادرات خرمای ایران برای دوره ی 1395-1389 شد. به منظور انجام بررسی ها از داده های مربوط به دوره ی زمانی 1388-1346 استفاده گردید. از داده های دوره ی 1384-1346 به منظور مدل سازی و از داده های 4 سال آخر برای بررسی قدرت پیش بینی استفاده شد. نتایج مطالعه نشان داد که شبکه ی عصبی در مقایسه با سایر روش ها از خطای پیش بینی کمتری برخوردار است. بعد از شبکه ی عصبی الگوریتم ژنتیک دارای کمترین خطا بوده و معیار های عملکرد نشان دهنده ی توانایی الگوریتم ژنتیک در پیش بینی میزان صادرات خرما می باشند. با توجه به برتری شبکه ی عصبی در پیش بینی میزان صادرات خرمای ایران، پیش بینی های صورت گرفته توسط این مدل، روند افزایشی-کاهشی در میزان صادرات خرمای ایران را نشان می دهد.
مدلسازی توسعه شهری با استفاده از اتوماسیون سلولی و الگوریتم ژنتیک (منطقه مورد مطالعه: شهر شیراز)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
امروزه گسترش فیزیکی روزافزون و بدون برنامه ریزی شهرها، باعث کاهش کیفیت زندگی جوامع شهری و غیرشهری شده است. درک فرایند رشد شهری در برنامه ریزی و مدیریت شهری به منظور رسیدن به شهری پایدار بسیار مهم است. از طرف دیگر مدلسازی الگوهای فضایی شهری می تواند دید مناسبی در مورد اینکه چگونه شهرها تحت شرایط مختلف اجتماعی و اقتصادی و محیطی توسعه می یابند، ایجاد کند. تاکنون تلاش های زیادی در زمینه مدلسازی توسعه شهری با استفاده از اتوماسیون سلولی صورت پذیرفته است اما برای ایجاد یک مدل قابل اطمینان و معتبر هنوز برخی مسائل بصورت حل نشده باقی مانده است. پیچیدگی در فرآیند توسعه شهری، تعداد متغیرهای زیاد و وجود قوانین مختلف باعث گردیده تا کالیبراسیون مدل اتوماسیون سلولی، یکی از مسائل چالش برانگیز در شبیه سازی گسترش شهری باشد. در این تحقیق تلاش بر این بوده که با تلفیق اتوماسیون سلولی و الگوریتم ژنتیک مدلی مناسب جهت مدلسازی فرایند رشد شهری ایجاد شده و کاربردی عملی از آن در پیش بینی فرایند توسعه شهری شیراز بین سال های 1990 و2000 نشان داده شود. پارامتر های موثر در این فرایند تعداد همسایگی شهری، شیب زمین، فاصله تا راه های اصلی و مناطق غیر قابل توسعه می باشند که به هر کدام سهمی از ژن های کروموزوم اختصاص داده شده و نتایج بهینه از آن ها استخراج گشته و در نهایت از دقت کلی و شاخص کاپا برای ارزیابی مدل استفاده شده است. بدین ترتیب دقت کلی بدست آمده برابر با 91837/0 است که نشان دهنده ی این است که 837/91 درصد سلول ها درست شبیه سازی شده اند و مقدار شاخص کاپای نهایی 68406/0 بوده که نشان دهنده ی این است که نتایج شبیه سازی 406/68 درصد بهتر از زمانی است که شبیه سازی بطور تصادفی صورت پذیرد.
طراحی چند هدفه شبکه زنجیره تأمین با رویکرد الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
طراحی شبکه زنجیره تأمین از اساسی ترین مسائل مطرح در سازمان هاست، به خصوص سازمان هایی که در سطح بین المللی فعالیت می کنند. بهینه سازی این شبکه منجر به مدیریت کارا و مؤثر عملیات کل زنجیره تأمین می شود. طراحی شبکه تعداد، موقعیت، ظرفیت، نوع تسهیلات شبکه، مسیرهای توزیع، حمل مواد و محصولات از تأمین کننده تا مشتری و برعکس را مشخص می کند. این پژوهش روش حل جدیدی براساس الگوریتم های فرا ابتکاری MOGA و NSGAII برای یافتن مجموعه ای از جواب های پارتو بهینه ارائه می دهد. مسئله طراحی دو هدفه شبکه لجستیک یکپارچه، مجموعه ای از جواب های جایگزین را جهت توانمند ساختن تصمیم گیرندگان پیشنهاد می کند. نظر به اینکه در این تحقیق، سطح سرویس از اهمیت بالایی برخوردار می باشد، از این رو مدلسازی بر اساس برآورده شدن تمام تقاضای مشتریان انجام شده است.
اهداف مورد نظر برای بهینه سازی شبکه شامل کمینه سازی هزینه کل و بیشینه سازی استفاده متوازن از ظرفیت تسهیلات شبکه است که منجر به کاهش زمان در سرویس دهی به مشتریان (افزایش سطح سرویس) می شود. به این ترتیب نه مسئله آزمایشی از کوچک تا بزرگ طراحی شد و برای مقایسه کیفیت جواب های پارتو به دست آمده از الگوریتم ها، هفت معیار مطرح در فضای چند هدفه مورد استفاده قرار گرفت. نتایج نشان می دهد که جواب های تولیدی به وسیله الگوریتم NSGAII از کیفیت بالاتری برخوردارند.
کاربرد مساله اندازه انباشته چند سطحی با در نظر گرفتن موجودی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این پژوهش، مدل مسأله اندازه انباشته چند سطحی [i] مورد استفاده برای تعیین اندازه انباشته تولید در محیط های صنعتی، توسعه داده شده و مسأله جدیدی با عنوان مسأله اندازه انباشته چند سطحی با موجودی تخریب شدنی و هزینه های دفع [ii] ارائه می گردد. در مسأله ارائه شده، فرض موجودی تخریب شدنی [iii] به منظور با پوشش قرار دادن محصولاتی از قبیل الکل، گازوئیل، مواد رادیو اکتیو، مواد غذایی و سایر کالاهای تخریب شدنی به مدل مسأله اندازه انباشته چند سطحی افزوده شده است. علاوه بر این، میزانی هزینه با عنوان هزینه های دفع که بیانگر هزینه دور کردن موجودی های فاسد شده از محیط انبار با مدل تعمیم یافته ترکیب شده و این مدل را کامل تر و به واقعیت نزدیکتر می نماید. این هزینه دفع، شامل هزینه هر واحد دفع و هزینه ثابت دفع (مستقل از میزان موجودی فاسدشده) است. در مسأله جدید علاوه بر تعیین میزان تولید و زمان تولید هر یک از محصولات در هر یک از سطوح تولید، دوره های زمانی که در آن موجودی های فاسد شده دفع می شوند نیز تعیین می شوند و در تابع هدف مسأله نیز مجموع هزینه های دفع اضافه می گردد. از آنجایی که مسأله اندازه انباشته چند سطحی یک مسأله NP -hard است، برای حل مسأله از دو الگوریتم فراابتکاری شامل الگوریتم ژنتیک [iv] و شبیه سازی تبرید [v] استفاده می شود. به منظور مقایسه کارایی الگوریتم های پیشنهادی با یکدیگر و همچنین، با روش های موجود در ادبیات موضوع، مسائل نمونه مطابق با پژوهش های پیشین ایجاد شده و به بررسی و تحلیل روش های حل پرداخته شده است.
ارتقای روش MOLA با توجه به معیارهای سیمای سرزمین و بهره گیری از الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در فرایند اختصاص مکانی کاربری ها به یک پهنه، به طور معمول میان کاربری ها رقابت وجود دارد. برای حل این رقابت، دو رویکرد تخصیص زمین به چند کاربری (MOLA) و الگوریتم ژنتیک (GA) برای شهرستان گرگان به کار گرفته شدند. رویکرد MOLA بر اساس تناسب و روش نزدیکی به نقطة مطلوب عمل می کند و برای GA، با به کارگیری لایة تناسب و شاخص پیوستگی (Cohesion Index) کاربری تخصیص می شود. جهت بهبود رویکرد MOLA، لایة نهایی به عنوان جمعیت اولیه در GA استفاده شد. همچنین، با تعریف شاخص پیوستگی به عنوان معیار سیمای سرزمین، تلاش شد لکه های ایجادشده شکل منسجم تری داشته باشند، که این ویژگی در رویکرد MOLA غایب است. نتایج نشان داد به کارگیری GA بر اساس خروجی رویکرد MOLA در بهبود قابلیت این رویکرد از نظر معیارهای سیمای سرزمین تأثیری بسزا دارد. اگرچه واردکردن معیارهای سیمای سرزمین باعث ازدست رفتن بخشی از تناسب برای کاربری ها می شود، با متوازن کردن تناسب و شاخص سیمای سرزمین در GA می توان حد متعادلی از آن ها را لحاظ کرد. لایة ایجادشده توسط GA از لحاظ معیارهای سیمای سرزمین و تناسب، قابلیت به کاریگری ترکیبی از رویکردهای مختلف را در آمایش برای رسیدن به راه حل بهینه نشان داد.
مکان یابی مناطق بهینه توسعه اکوتوریسم در پارک ملی کویر با استفاده از GIS و الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
پارک ملی کویر به عنوان گستره ای از سرزمین ایران، با جاذبه های گردشگری چون ورزشی، تاریخی، علمی، تنوع خوب گیاهان و جانوران همساز با محیط و عوارض ژئومورفولوژیکی خاص، یکی از فضا های نادر در کشور است که در صورت مطالعه و شناسایی قابلیت های گردشگری آن و برنامه ریزی در این زمینه، قابلیت تبدیل به یک منطقة اکوتوریستی فوق العاده را دارد. با توجه به اینکه سازمان یونسکو به این منطقه، عنوان ذخیره گاه زیست کره را داده است، بهینه کردن فعالیت اکوتوریسم در راستای توسعة پایدار این منطقه ضرورت بیشتری می یابد. در این پژوهش، سعی برآن است تا بهترین مکان توسعة فعالیت اکوتوریسم مشخص شود. پس از استخراج معیار ها از طریق تکنیک دلفی و شناسایی و آماده سازی تمامی معیارها و عوامل مؤثر بر مکان یابی، وزن معیار ها از طریق مدل AHP محاسبه شد. پس از آماده سازی لایه های مربوطه، هریک از نقشه ها به صورت لایه های رستری در محیط سیستم اطلاعات جغرافیایی (Arc GIS) تهیه شدند. لایه های اطلاعاتی، پس از ارزشگذاری با یکدیگر تلفیق شدند و در آخر، نقشة مناطق بهینة توسعة اکوتوریسم منطقه تهیه شد. نتایج پژوهش گویای آن است که از مجموع 598/686 کیلومتر مربع مساحت منطقة مورد مطالعه، حدود 01/52 کیلومتر مربع آن برای گسترش اکوتوریسم، بسیار مناسب، 26/98 کیلومتر مربع آن مناسب، 03/169 کیلومتر مربع نسبتاً مناسب، 65/210 کیلومتر مربع نا مناسب و 156,08 کیلومتر مربع، بسیار نا مناسب است. در انتها، برای اطمینان از مکان بهینة نقشة نهایی GIS، مجدداً منطقه از لحاظ مکان های بهینه مطالعه و بازبینی شد. این مطالعه با استفاده از الگوریتم ژنتیک انجام شد که یک روش بهینه سازی است و با به کارگیری انتخاب طبیعی، روی مجموعه ای از جواب های بالقوه عمل می کند و هدف آن، تولید جواب های بهتر، برای رسیدن به جواب بهینه است. در این خروجی نیز منطقة قصر بهرام، بهترین نقطه در پارک ملی کویر از منظر گسترش اکوتوریسم است.
کاربرد الگوریتم ژنتیک چند هدفه در بهینه سازی پرتفوی تسهیلات بانک (مطالعه موردی تسهیلات اعطایی بانک ملی استان اصفهان)(مقاله علمی وزارت علوم)
حوزه های تخصصی:
حداکثر سازی سود به همراه حداقل کردن ریسک هدفی است که همواره مؤسسات مالی و اعتباری به دنبال تحقق آن هستند. دراین تحقیق که در چارچوب تسهیلات اعطایی یکی از بانک های تجاری ایران طی سال های 1388 الی1390 انجام گردیده به بررسی نرخ بهره مؤثر، نرخ نکول تسهیلات اعطایی در قالب عقود اسلامی دربخش های مختلف و سبد بهینه تسهیلات پرداخته شده است. بنابراین با استفاده از الگوریتم ژنتیک چند هدفه پرتفوی بهینه تسهیلات اعطایی تعیین شده است. یافته های پژوهش نشان می دهد که پرتفوی بهینه تسهیلات که توسط الگوریتم ژنتیک چند هدفه بدست آمده است متفاوت از پرتفوی فعلی بانک است و پوشش دهنده محدودیت های و سیاست های مختلف حاکم بر اعطای تسهیلات است. همچنین نرخ بهره مؤثر و درجه کارایی تسهیلات مبتنی بر مدل بالاتر از نرخ بهره مؤثر و درجه کارایی سبد فعلی تسهیلات است.
استفاده از الگوریتم ژنتیک برای بهینه سازی مسأله مکانیابی-تخصیص چندهدفه در محیط GIS (مطالعه موردی: ایستگاههای آتش نشانی منطقه 11 شهر تهران)
حوزه های تخصصی:
مسأله موردنظر در این مقاله،مسألهمکانیابی-تخصیص چندهدفه برایتعیین موقعیت و تخصیص ظرفیت بهینه به ایستگاههای آتش نشانی منطقه 11 شهر تهران در محیطGIS و با استفاده از الگوریتم ژنتیک می باشد. اهداف این تحقیق شامل: 1- کمینه کردن فاصله بین ایستگاه آتش نشانی و تقاضاها2- کمینه کردن زمان رسیدن به تقاضا از ایستگاههای آتش نشانی 3- بیشینه کردن پوشش ایستگاههای آتش نشانیمی باشد.مسألهمکانیابی-تخصیص یک مسأله بهینه سازی ترکیبی است و به دلیل پیچیدگی محاسباتی، معروف به NP-Hard است. بنابراین روشهای جبری رایج،نمی توانند در حل مسائل مکانیابی-تخصیص پیچیده با چندین شرط مختلف، موفق باشند. برای حل این مسألهمکانیابی-تخصیص، از روش فوق ابتکاری الگوریتم ژنتیک استفاده می شود.در این مدل ژنتیک چندهدفه،برای بررسی اثر هر هدف، ابتدا هر تابع به صورت تک هدفه اجرا و نتایج آنها مقایسه می شود. در مرحله دوم، خروجی مدل با یک بردار وزن ثابت ارزیابی می شود و نتیجه نشان می دهد که مدل بخوبی می تواند موقعیتهای بهینه ایستگاههای آتش نشانی را با در نظر گرفتن ظرفیت ایستگاههای آتش نشانی مشخص کند. در نهایت، برای ارزیابی مناسب بودن مدل، از یک برنامه وزندهی اتوماتیک استفاده می شود. در این حالت هر بار به هر جواب، بردار وزنی تصادفی تعلق می گیرد و در نهایت مجموعه ای از جوابهای غیرمسلط حاصل می گردد که به تصمیم گیرندگان، فرصت می دهد،جوابهای مناسب(Non-dominated)را با توجه به شروط مشخص و یا اولویت آنها به یک هدف،انتخاب کنند.
تعیین عوامل تأثیرگذار بر تورم و طراحی سیستم هشداردهنده تورم شدید برای اقتصاد ایران(مقاله علمی وزارت علوم)
حوزه های تخصصی:
با توجه به پیامدهای ناگوار تورم در بخش های مختلف اقتصاد، آگاهی از احتمال وقوع تورم شدید در آینده نزدیک،فرصتی بسیار مناسب جهت اجتناب از تبعات منفی تورم ایجاد می کند. برای آگاهی از وقوع تورم شدید درآینده نزدیک، در قدم اول باید عوامل مؤثر بر تورم را به درستی شناسایی کرد. در این مقاله از میان داده های ماهانه 21 متغیر احتمالی اثرگذار برتورم، در بازه زمانی فروردین 1375 تا دی ماه 1390ش، با ترکیب الگوریتم ژنتیک و شبکه های عصبی، متغیرهای اساسی مؤثر بر تورم ایران تعیین شده اند. این متغیرها عبارت اند از: حجم نقدینگی، مخارج دولت، شاخص دستمزد نیروی کار، نرخ سود بانکی، تولید ناخالص داخلی، تورم با وقفه زمانی و شاخص قیمت جهانی نفت خام. پس از شناسایی متغیرهای اساسی، یک سیستم هشداردهنده تورم شدید طراحی شده است. این سیستم با بهره گیری از مبانی شبکه های عصبی، احتمال وقوع تورم شدید در بازه شش ماه آتی را پیش بینی می کند. برای طراحی این سیستم از یک شبکه عصبی پیش خور با دولایه پنهان استفاده شده است. نتایجمدل، نشان دهنده عملکرد امیدوارکنندهسیستمهشداردهنده استو سیستمقادربهصدورسیگنال هایهشداردهندهزودهنگام وقوع تورم شدید در آینده نزدیک است.
سرریزهای تکنولوژی و اثرپذیری صادرات محصولات کشاورزی ایران (کاربرد روشهای الگوریتم ژنتیک(GA) و مدل تصحیح خطای(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف از مطالعه حاضر نخست بررسی اثر سرریز های تکنولوژی بر میزان صادرات محصولات کشاورزی ایران با استفاده از الگوی VECM و دوم بررسی و مقایسه عملکرد روشGA در مقابل روش VECM و شناسایی روش برتر در برآورد الگوی صادرات محصولات کشاورزی است. نتایج حاکی از تأثیر مثبت و معنی دار سرریز تکنولوژی بر میزان صادرات محصولات کشاورزی ایران است. اثر متغیر های رابطه مبادله تجاری، شاخص قیمت های نسبی، شاخص ارزش افزوده بخش کشاورزی و نرخ ارز حقیقی نیز مثبت وتنها اثر متغیرتولید ناخالص داخلی شرکای تجاری ایران منفی و از لحاظ آماری معنی دار است. همچنین مقایسه عملکرد الگوهای GA و VECM، بر اساس معیار های آماری و اقتصاد سنجی، نشان می-دهد که روش GA در برآورد الگوی صادرات از روش VECM عملکرد بهتری دارد و به عنوان روش برتر جهت بهینه کردن تابع صادرات محصولات کشاورزی است. با توجه به اثر مثبت سرریز های تکنولوژی بر میزان صادرات محصولات کشاورزی، شایسته است با ایجاد فضای امن سرمایه گذاری، ایجاد بستر ها و امکانات زیربنایی، اولویت بندی بخش های پر بازده به منظور تخصیص بهینه سرریزها و ارتقای دانش و مهارت نیروی انسانی زمینه جذب بیشتر FDI و استفاده مؤثرتر از مواهب تکنولوژی فراهم آید. همچنین با توجه به عملکرد بالای GA در امر بهینه یابی، استفاده از این روش در مطالعات علمی توصیه می شود. طبقه بندی :JEL Q1,Q16,Q17
بهینه سازی سیکل توربین گاز با مبدل حرارتی صفحه ای فین دار جهت ارتقای عملکرد و کاهش آلاینده ها(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف در این کار ارتقاء راندمان و کاهش تولید آلاینده های زیست محیطی توربوکمپرسور گازی با بازگردش حرارتی و جرمی گازهای حاصل از احتراق به کمک دو نوع مبدل حرارتی پوسته لوله ای و صفحه ای فین دار است. مدلسازی ترمودینامیکی با استفاده از آنالیز انرژی و اگزرژی انجام شده است. مدل ترموهیدرولیکی مبدل های بازیاب با استفاده از آنالیز انتقال حرارت بهبود یافته و روش -NTU ε برای تخمین سطح حرارتی مورد نیاز مبدل ها و افت فشار آن ها انجام گرفته است. بهینه سازی سه هدفه مبدل های بازیاب، با اهداف بیشینه سازی راندمان اگزرژی سیکل، کمینه سازی زمان بازگشت سرمایه و کمینه سازی میزان تولید آلودگی NOx هردو نوع مبدل حرارتی پوسته لوله ای و صفحه ای فین دار با استفاده از الگوریتم ژنتیک صورت پذیرفته و جبهه بهینه پارتو حاصل گردیده و نقطه بهینه نهایی از میان نقاط موجود بر روی جبهه با استفاده از سه روش تصمیم سازی بلمن- زاده، TOPSIS و LINMAP انتخاب و در نتیجه بهترین مبدل ها برای هریک از حالات قرارگیری مبدل حرارتی پوسته لوله ای و صفحه ای فین دار انتخاب شده است. در پایان با مقایسه ی مبدل های حرارتی پوسته لوله ای و صفحه ای فین دار بهینه، بهترین مبدل، برای بازگردش حرارتی توربوکمپرسورهای گازی برگزیده شده است. در نهایت طرح بهینه ی نهایی، منجر به افزایش 19.1 درصد در راندمان اگزرژی و کاهش 17.93 درصد در میزان آلاینده های NOx شده است.
پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در بازارهای سرمایه عامل های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری، تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری، هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش سه فرآیند جاگذاری داده های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می باشد.
الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.
یک روش تکاملی برای طبقه بندی اعتباری مبتنی بر رویکرد تجمیع زدایی ترجیحات(مقاله علمی وزارت علوم)
حوزه های تخصصی:
مدل های مبتنی بر روابط برتری یک شاخه مهم از روشهای تصمیم چندمعیاره هستند که نیاز به تعریف مقدار قابل
توجهی اطلاعات ترجیحی در قالب پارامترها توسط تصمیم گیرنده دارند. تعدد پارامترها، معنای اغلب گیی کننیده
آنها در فضای مسئله و طبیعت غیردقیق دادهها، این فرآیند را خصوصاً در مسائل طبقه بندی اعتباری با ابعیاد بیزر
که نیاز به تصمیمگیری بلادرنگ است بسیار زمانبیر و پییییده میی سیازد. بیدین منریور روی یرد ت مییی زداییی
ترجیحات این اطلاعات را از طریق قضاوتهای جامعی که توسط تصمیم گیرنده فراهم می شوند استنتاج می کند.
این روی رد در تصمیم گیری چندمعیاره معادل یادگیری ماشینی در حوزه هوش مصنوعی است.
تحت این روی رد، ایین مقالیه ییک روش جدیید پیشینهاد میی کنید کیه در آن الریوریتم ینتییک طیی فرآینید
یادگیری، به طور همزمان تمامی پارامترهای میدل ELECTRE TRI را از داده هیای آموزشیی اسیتنتاج و در
خاتمه فرآیند، پارامترهای استنتاج شده بیرای طبقیه بنیدی داده هیای آزمایشیی ب یار گرفتیه میی شیوند. تحلییل
آزمایشات روی دیتاست های اعتباری نشان از کیفیت بالا و قابل رقابت روش پیشنهادی در مقایسه با مدل هیا ی
استاندارد طبقهبندی دارد.
بهبود شناسایی تغییرات در مناطق شهری با انتخاب ویژگی های طیفی و مکانی بهینه مبتنی بر الگوریتم ژنتیک(مقاله علمی وزارت علوم)
حوزه های تخصصی:
آنالیز تصاویر چندزمانه سنجش از دور، تکنیک کارآمدی برای شناسایی تغییرات کاربری و پوشش اراضی در مناطق شهری می باشد. جدا از تکنیک بکار رفته برای شناسایی تغییرات،فضای ویژگی تأثیر بسیار زیادی در صحت نتایج دارد. حصول نتایج رضایت بخش در شناسایی تغییرات مناطق شهری، مستلزم بکارگیری ویژگی های طیفی و مکانی (بافت) بهینه می باشد. اگرچه جستجوی سراسری تنها تضمین دست یابی به مجموعه ویژگی های بهینه است، ولی در عمل فرآیندی بسیار زمانبر و غیرعملی است. در تکنیک های کاهش بعد همچون تکنیکPCA تنها استقلال آماری داده ها برای رسیدن به مؤلفه هایی جدید با وابستگی کمتر مدنظر بوده و بهبود صحت شناسایی تغییرات بطور مستقیم دنبال نمی شود. تعیین حدآستانه مناسب برای انتخاب ویژگی های بهینه در تکنیک تفکیک پذیری آماری (SAA) با فاصله JM نیز عملاً از کارایی این تکنیک می کاهد. تمرکز اصلی مقاله حاضر، انتخاب ویژگی های طیفی و بافت بهینه با الگوریتم ژنتیک و طبقه بندی کننده بیزین می باشد. جهت بررسی کارآیی تکنیک پیشنهادی، تغییرات شهر جدید سهند (شمال غرب ایران) با بکارگیری تصاویر سنجنده های IRS-P6 و Geo-Eye1اخذ شده در 14 جولای 2006 و 1 سپتامبر 2013 مورد بررسی قرار گرفت.تمامی تکنیک های مذکور در محیط برنامه نویسی MATLABR2013aپیاده سازی شدند.نتایج حاصل از این تحقیق نشان داد ویژگی های بافت می تواند به عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج شناسایی تغییرات در مناطق شهری شود. انتخاب ویژگی یک فرآیند تأثیرگذار در شناسایی تغییرات مبتنی بر ویژگی های طیفی و بافت می باشد. هریک از تکنیک های انتخاب ویژگی، محدودیت ها و مزایای خاص خودشان را داشته ولی در کل بهبود صحت شناسایی تغییرات را بدنبال دارند. مقایسه کارآیی تکنیک های انتخاب ویژگی نشان داد، تکنیک پیشنهادی در مقایسه با دو تکنیک متداولPCA و SAA (که نتایج مشابهی داشتند) از کارآیی و صحت بالاتری برخوردار است.با بکارگیری روش پیشنهادی، ضریب کاپا و صحت کلی نقشه تغییرات به ترتیب از 66/53% به 49/88% و از 94/58% به 39/90%،(در مقایسه با بکارگیری باندهای اصلی تصاویر)،افزایش یافت.
کاربرد روش انتخاب ویژگی هارک (HARC) در پیش بینی درماندگی مالی شرکت ها در بورس اوراق بهادار تهران
حوزه های تخصصی:
یکی از مسائل مهم در پیش بینی درماندگی مالی، انتخاب متغیرهای پیش بین می باشد. پژوهش پیش رو به نشان رویکردی جدید برای انتخاب ویژگی با استفاده از دسته بندی نسبت های مالی بر مبنای مفاهیم مالی و ترکیب روش های آماری با الگوریتم های فراابتکاری می پردازد. بدین منظور 34 نسبت مالی برای شرکت های تولیدی درمانده براساس ماده 141 قانون تجارت و به همان تعداد شرکت سالم به صورت تصادفی از شرکت های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1380 تا1390با استفاده از صورت های مالی حسابرسی شده برای یک و دو سال قبل از درماندگی جمع آوری شده است. سپس با استفاده از آزمون آماری تی و الگوریتم ژنتیک، بهترین نسبت ها انتخاب و با استفاده از ماشین بردار پشتیبان، پیش بینی درماندگی مالی انجام شده است. نتایج بدست آمده از پژوهش حاکی از آن است که روش پیشنهادی هارک در یک و دو سال پیش از وقوع درماندگی به طور معناداری در پیش بینی درماندگی مالی نسبت به رگرسیون لجستیک و مدل آلتمن از عملکرد بهتری برخوردار است.
پیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
هدف از این مقاله ارزیابی الگوی ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می باشد. برای این منظور، از داده های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل های پیش بینی و از داده های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی مصنوعی و برنامه ریزی ژنتیک، از شاخص های ارزیابی خطای استاندارد نسبی، میانگین خطا، میانگین قدر مطلق درصد خطا و مجذور میانگین مربعات خطا استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک، نسبت به مدل شبکه عصبی مصنوعی و برنامه ریزی ژنتیک دارای بالاترین دقت در پیش بینی تقاضای انرژی بخش کشاورزی کشور می باشد. پیشنهاد می شود در تحقیقات آتی با استفاده از مدل ترکیبی مذکور به پیش بینی مصرف انرژی در سایر بخش های اقتصادی پرداخته شود و کارایی آن سنجیده شود.
خوشه بندی مشتریان شعب بانک رفاه با تلفیق الگوریتم های ژنتیک و سی میانگین در محیط فازی(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در عصر حاضر یکی از چالش های بزرگ برنامه ریزان و مدیران در حوزه خدمات بانکی، شناخت مشتریان، ایجاد تمایز بین گروه های مختلف مشتریان می باشد. بدیهی است استفاده از الگوی مناسب به بانک این فرصت را می دهد که پیشنهادات ارزشمند خود را متناسب با نیازها و خواسته های بخشهای هدف گیری شده طراحی و ارائه نموده و در نتیجه عملکرد بانک از منظرهای مختلف بهبود یابد. هدف این مطالعه بکارگیری مدل مناسبی جهت خوشه-بندی مشتریان بر اساس شاخص هایی مانند تازگی، تعداد تراکنش ،و عامل مالی می باشد. در این مقاله جهت خوشه بندی داده ها از تلفیق الگوریتم ژنتیک با سی میانگین فازی جهت غلبه بر مشکلاتی مانند حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی استفاده گردیده است. جامعه آماری این پژوهش، متشکل از مشتریان شعب بانک رفاه شهر تهران می باشد. همچنین از روش نمونه گیری تصادفی ساده جهت اخذ نمونه استفاده شده است. یافته های تحقیق نشان می دهد که مشتریان متعلق به خوشه اول بدلیل دارا بودن عملکردی بالا در شاخص های ""تازگی""،""تعداد تراکنش""، و""عامل مالی"" جزء مشتریان وفادار و مشتریان خوشه دوم بخاطر دارا بودن عملکردی پایین در شاخص ""تازگی""، عملکرد متوسط در شاخص ""تعداد تراکنش""،و عملکردی بالا در شاخص""عامل مالی"" جزء مشتریان رویگردان از بانک می باشند. لذا پیشنهاد می گردد که با توجه به موارد فوق راهکارهای اجرایی را اتخاذ نمایند