الگوریتم ژنتیک

تجزیه سیستم قدرت به صورت کنترل شده به جزایر پایدار، به عنوان آخرین اقدام کنترلی برای جلوگیری از خاموشی های گسترده در مواقع اضطراری است. توابع هدف متداول در حل این مسئله شامل کمینه کردن عدم تعادل بار و تولید و کمینه کردن اختلال شارش توان است که با توجه به تأکید این مقاله بر پایداری دینامیکی، تابع هدف کمینه کردن اختلال شارش توان استفاده شده است. در این مقاله با فرض اینکه تصمیم برای جزیره سازی گرفته شده است، ابتدا ژنراتورهای هم نوا شناسایی شده و سپس گروه های هم نوای ژنراتوری به عنوان ورودی به الگوریتم جستجوی ژنتیک داده می شود. جهت تشخیص قید یکپارچگی سناریوهای جزیره سازی تولیدشده توسط الگوریتم ژنتیک از الگوریتمBFS استفاده شده است که از تشکیل شین های ایزوله جلوگیری می کند. الگوریتم در برنامهMATLAB شبیه سازی شده و در شبکه 39 شینهIEEE در نرم افزار صنعتیDigsilent صحت سنجی شده است. همچنین نتایج با الگوریتم خوشه بندی طیفی که یکی از بهینه ترین روش های ارائه شده تاکنون است، مقایسه شده و نشان می دهد که الگوریتم پیشنهادی کارآیی بهتری نسبت به روش های موجود به ویژه در خصوص بهبود پایداری ولتاژ دارد.

نظام مالیاتی ایران شامل تعداد زیادی از اشکال مشوق های مالیاتی، از جمله مشوق مالیاتی هدفمند منطقه ای، است. براساس ماده 132 قانون مالیات های مستقیم که این نوع مشوق را در بر دارد، درآمد ابرازی مشمول مالیات ناشی از فعالیت های تولیدی و معدنی در مناطق کمتر توسعه یافته به میزان صد درصد (100% ) و به مدت ده سال از پرداخت مالیات بر درآمد اشخاص حقوقی معاف هستند. هدف این مطالعه برآورد تأثیر معافیت های مالیاتی این ماده قانونی بر اشتغال شهرستان های کمتر توسعه یافته کشور برای دوره زمانی 1387-1375 بوده است. در مقاله حاضر از یک روش دو مرحله ای استفاده شده است. در مرحله اول با استفاده از روش گروه کنترل ترکیبی ( SCM ) و روش ژنتیک، برای هر شهرستان مشمول معافیت مالیاتی (شهرستان درمان) یک گروه کنترل مناسب انتخاب، و در مرحله دوم با استفاده از روش DID ، تأثیر مشوق های مالیاتی ماده قانونی 132 بر اشتغال مناطق کمتر توسعه یافته کشور برآورد شده است. نتایج بیانگر آن است که معافیت های مالیاتی ماده قانونی مذکور تأثیری بر اشتغال مناطق کمتر توسعه یافته کشور نداشته اند .

چالشی که امروزه سیستم توانگری مالی شرکتهای بیمه با آن مواجه است، درک مفهوم ریسک و به دنبال آن اندازه گیری و کمی کردن ریسک است. یکی از ریسکهای مهم یک شرکت بیمه، ریسک بازار ناشی از سرمایه گذاری است . هدف اصلی این مقاله، رفع نواقص و ایرادات آیین نامه نحوه محاسبه و نظارت بر توانگری مالی مؤسسات بیمه و لحاظ کردن دقیق تر ویژگیهای سریهای زمانی مالی برای برآورد ارزش در معرض ریسک پرتفوی سرمایه گذاری ( سهام شرکتهای بورسی، حسابهای ارزی، و املاک و مستغلات ) است . ابتدا از مدلهای گارچ برای مدل سازی توزیعهای حاشیه ای سری زمانی لگاریتم بازدهیها استفاده می کنیم. سپس با استفاده از روش فراابتکاری الگوریتم ژنتیک، برای حصول بهترین آستانه در نظریه ارزش فرین، دنباله های توزیع را مدل سازی و از تابع مفصل برای مدل سازی همبستگی بین توزیعهای حاشیه ای استفاده می کنیم. روشهای پس آزمایی نشان می دهند که مدل پیشنهادی نسبت به مدل سنتی شبیه سازی تاریخی عملکرد بهتری دارد و نتایج حاصل شده از تابع مفصل تی- استیودنت قابل قبول تر است و ضریب ریسک بازار برابر با 403/9 درصد به دست آمد.

هدف این مقاله ارائه مدلی جدید از جستجوی استراتژی های بهینه در بازی معمای زندانی تکراری با استفاده از الگوریتم ژنتیک است. بدین منظور با شبیه سازی رقابت بین ایران و عربستان در ائتلاف اوپک نفتی، از 12 نوع استراتژی مطرح در بازی معمای زندانی تکراری طی 20 اجرای الگوریتم ژنتیک به منظور حداکثرسازی امتیازات فردی بازیکن و نیز حداقل سازی امتیاز برازندگی رقیب استفاده شده است. نتایج نشان داد استراتژی ""عمل متقابل"" حائز بالاترین بازدهی متوسط در هر دو رقابت بوده و در رتبه های بعدی استراتژی های ""اکثریت موافق""، ""ماشه"" و ""عمل متقابل پس از دو بار نقض همکاری رقیب"" جای گرفته اند. استراتژی ""همواره عدم همکاری"" نیز در رقابت ها با کمترین بازدهی به عنوان ناکاراترین استراتژی شناخته شده است.

پ با توجه به اینکه مکان گزینی برای اسکان موقت پس از بروز سانحه زلزله را سازمان امدادرسانی بدون در نظر گرفتن استانداردهای لازم انجام می دهد؛ از این رو، این کار با مشکلات زیادی به ویژه در کلان شهرها همراه خواهد بود. برای پیشگیری از وقوع مشکلات و برای داشتن برنامه عملیاتی مدون پس از وقوع بحران زلزله، لازم است مناطق زلزله خیزی همچون کلان شهر اهواز به لحاظ مناطق خطرپذیر، مناطق امن برای اسکان موقت پس از بحران و همچنین مسیریابی بهینه برای رسیدن به مناطق امن، پهنه بندی و بررسی دقیق شو د. در این پژوهش، اهداف یادشده با استفاده از سیستم استنتاج فازی، تحلیل سلسله مراتبی فازی و همچنین GIS در منطقه یک کلان شهر اهواز مطالعه و نتایج حاصل مقایسه شده است. به همین منظور، مؤثرترین داده ها برای یافتن محل های پر خطر زلزله، امن و مسیریابی گردآوری و استفاده شد. بر اساس نتایج به دست آمده، سیستم استنتاج فازی در خصوص پهنه بندی خطر به میزان 85% منطبق بر نظر کارشناسان، و تحلیل سلسله مراتبی فازی تنها به میزان 41% منطبق بر نظر کارشناسان بود که این نتایج قابلیت و دقت بالاتر سیستم استنتاج فازی را در مقایسه با تحلیل سلسله مراتبی نشان می دهد. برای یافتن مناطق امن برای اسکان موقت پس از زلزله، نیز بعد از بررسی مساحت ها و نوع کاربری های پهنه های پیشنهادی با دو مدل، در مدل سیستم استنتاج فازی تعداد 25 سایت اسکان موقت و در مدل تحلیل سلسله مراتبی فازی 18 پهنه اسکان موقت استخراج و شناسایی شد . همچنین، در زمینه مسیریابی نتایج نشان داد، برای محدوده مورد مطالعه، هر دو مدل الگوریتم ژنتیک و دایجسترا مناسب و قابل به کارگیری است. مقدمه: سرعت شهرنشینی در شهرهای کشورهای در حال توسعه منجر به این گردیده است که نصف جمعیت جهان در حال حاظر در مناطق شهری مستقر شوند. بیشتر این مناطق با تراکم جمعیتی بالا، در برابر وقوع بحران هایی همچون زلزله آسیب پذیر می باشند. در مورد شهرهای زلزله خیز بهترین و مناسبترین اقدام، جداسازی انسان از منطقه خطر است. بهمین خاطر شناسایی قبلی و برنامه ریزی در شناسایی پهنه های خطر پذیر، مناطق امن و همچنین مسیریابی بهنیه برای رسیدن به سایت های اسکان موقت لازم و ضروری می باشد. با توجه به اینکه مکان گزینی برای اسکان موقت پس از بروز سانحه زلزله توسط سازمان امدادرسانی بدون در نظر گرفتن استانداردهای لازم انجام می شود لذا این کار با مشکلات زیادی بویژه در کلان شهرها توام خواهد بود. برای داشتن برنامه عملیاتی  مدون پس از وقوع بحران زلزله، لازمست مناطق زلزله خیزی همچون کلان شهر اهواز بلحاظ مناطق خطرپذیر، مناطق امن جهت اسکان موقت پس از بحران و همچنین مسیریابی بهینه برای رسیدن به مناطق امن پهنه بندی و مورد بررسی دقیق قرار گیرند. شرایط خاص کلان شهر اهواز و مشکلات آن نظیر جمعیت میلیونی، وجود بافت های فرسوده، ساختمان های با مصالح غیرمسلح سنگین، معابر باریک، بالا بودن سطح آب های زیرزمینی و ...، تدوین معیارها و ضوابطی جهت پهنه بندی مناطق در معرض خطر را امری انکارناپذیر می گرداند. هدف این مقاله  پهنه بندی خطرپذیری زلزله و تعیین مناطق امن جهت اسکان موقت پس از بحران با استفاده از سیستم استنتاج فازی و تحلیل سلسله مراتبی فازی و همچنین مسیریابی بهینه برای رسیدن به مناطق امن و مراکز تسهیلاتی با استفاده از الگوریتم ژنتیک و دایجسترا برای منطقه یک شهرداری کلان شهر اهواز واقع در استان خوزستان و مقایسه نتایج روش ها می باشد. روش شناسی تحقیق: در این پژوهش از دو روش سیستم استنتاج فازی و تحلیل سلسله مراتبی فازی برای پهنه بندی خطرپذیری زلزله و تعیین مناطق امن جهت اسکان موقت و از دو الگوریتم ژنیتیک و دایجسترا برای مسیریابی بهینه جهت رسیدن به مناطق امن و مراکز تسهیلاتی استفاده و نتایج با یکدیگر مورد مقایسه قرار گرفت. داده های مورد استفاده :  شامل نقشه موقعیت گسل ها، نقشه خطوط پرفشار انتقال نیرو، نقشه خطوط پرفشار گاز، نقشه کاربری اراضی، نقشه خطوط مترو، نقشه راههای ارتباطی درون شهری، اطلاعات جمعیتی و نقشه های ممیزی املاک که موثرین پارامترها بر یافتن محل های پر خطر زلزله می باشند. 3- بحث و نتایج: 3-1) پهنه بندی خطرپذیری زلزله: 3-1-1) پهنه بندی خطر پذیری زلزله با استفاده از سیستم استنتاج فازی: برای ایجاد سیستم استنتاج فازی ابتدا متغیرهای زبانی و محدوده های استاندارد معیارها تعریف شد...

شبکه های عصبی مصنوعی  به عنوان یکی از تکنیک های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی به خود اختصاص داده اند. تغییراقلیم و به دنبال آن گرمایش جهانی از پدیده های اقلیمی به شمار می رود. شمار روزهای خشک و تداوم آن خشکسالی را به دنبال دارد. در این پژوهش از داده های بارش روزانه طی سال های (1976-2008) و شبکه عصبی مصنوعی در نرم افزار MATLAB به منظور پیش بینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه به کار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری می باشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با 4 ورودی و 5 نرون در لایه پنهان و 1 نرون در لایه خروجی به مطلوب ترین ساختار (1-5-4) جهت پیش بینی بهینه با بیش ترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیش بینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سال های (2018-2009) با استفاده از زنجیره مارکوف، موارد فوق تأیید گردیده است. ضریب همبستگی مقادیر پیش بینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک 86 درصد است. بعد از آموزش شبکه با ترکیب  الگوریتم ژنتیک با لایه های مختلف این مقدار به 88درصد رسید که می توان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه می دهد.

جلوگیری از تبدیل بلایای طبیعی به فجایع طبیعی مستلزم افزایش توان مدیریتی و برنامه ریزی های مدیریت بحران است. به این منظور، سیستم حمل ونقل مصدومان هنگام تخریب زیرساخت های شهری نقش غیرقابل انکاری ایفا می کند؛ بنابراین، وجود یک سیستم حمل ونقل اضطراری مبتنی بر علوم مهندسی و کاربردی در چنین شرایطی ضروری به نظر می رسد. در این پژوهش، سیستم حمل ونقل مصدومان به مراکز درمانی با رویکرد انتقال دومرحله ای و حمل ونقل اشتراکی معرفی شده است. در این رویکرد، مصدومان در مرحله اول به طور مستقیم به مراکز امدادی واسط و در مرحله دوم به صورت اشتراکی و با استفاده از امداد هوایی به مراکز درمانی اصلی منتقل می شوند. هدف تعیین نحوه تخصیص مصدومان به وسایل نقلیه امدادی، تعیین اولویت حمل آن ها و مسیریابی وسایل نقلیه امدادی به نحوی است که زمان انتظار مصدومان به منظور رسیدن به مراکز درمانی اصلی کمینه شود. پیچیدگی این مسئله از نوع NP-hard است، درنتیجه حل بهینه آن در زمان معقول با استفاده از روش های دقیق ممکن نیست. به همین منظور، از الگوریتم ژنتیک برای حل مسائل استفاده و سپس نتایج در سه سناریوی مختلف تحلیل شده است. سناریوی اول انتقال مستقیم مصدومان به مراکز درمانی اصلی، سناریوی دوم انتقال مستقیم مصدومان به مراکز امدادی واسط و حمل زمینی و غیراشتراکی آن ها به سوی مراکز درمانی اصلی و سناریوی سوم رویکرد پیشنهادی پژوهش است. به منظور بررسی عملکرد هریک از سناریوها، 216 مسئله برای پوشش طیف متنوعی از شرایط اضطرار درنظر گرفته شده اند. نتایج نشان می دهد سناریوی سوم تأخیر کمتری در رسیدن مصدومان به مراکز درمانی اصلی در پی دارد که به طور مستقیم موجب بهبود کیفیت در انتقال مصدومان می شود.

مسأله برنامه ریزی دو سطحی (BLP) یکی از مسائل مهم در تئوری تصمیم گیری می باشد که زیر مجموعه مسائل برنامه ریزی چند سطحی به شمار می رود. این مسأله دارای دو سطح بیرونی و داخلی می باشد که فضای جواب مسأله بیرونی یا سطح اول توسط مسأله داخلی یا سطح دوم معین می شود. با توجه به اینکه BLP یک مسأله NP-hard می باشد، حل آن توسط روشهای سنتی به راحتی امکان پذیر نیست. در این مقاله ابتدا مسأله BLP و کاربردهای آن بررسی و سپس برای یافتن نقطه بهینه مسأله از روش شمارش نقاط رأسی استفاده می شود. در این مقاله برای جستجوی فضای اطراف نقاط رأسی و یافتن جواب بهینه از الگوریتم ژنتیک استفاده می گردد. همچنین با استفاده از یک پارامتر کنترلی، شعاع فضایی را که باید جستجو شود کنترل می شود تا از افزایش زمان حل مسأله اجتناب گردد. نتایج خروجی نشان

در عصر حاضر، برنامه ریزی فعالیتی ضروری و اجتناب ناپذیر در تمام امور فردی، اجتماعی و سازمانی محسوب میشود. به نحوی که بدون توجه به آن هیچ فعالیتی به صورت کارآمد و موثر تحقق نخواهد گرفت. یکی از مسائل مهم مورد بحث در علم تحقیق در عملیات راجع به موضوع زمان بندی است. این مطالعه به مسئله کارگاه باز میپردازد، زیرا در سالهای اخیر، کاربرد مدل های ریاضیاتی برای حل بهینه ای مسائل زمانبندی توجه بسیاری از محققین را به خود جلب کرده است. در این راستا، بسیاری از تحقیقات درباره مدلسازی کار کارگاهی و جریان کارگاهی بوده و روی فرمول بندی مسئله زمان بندی کارگاه باز انجام شده است. هدف این تحقیق یافتن راه حلی ساده و بهینه برای مسئله زمان بندی کارگاه باز با تابع هدف تفکیکپذیر با استفاده از روش فراابتکاری الگوریتم ژنتیک می باشد. در الگوریتم این مسئله، عملگر تقاطع PMX و عملگر جهش جابهجایی استفاده شد. در ادامه نیز مقایسهای میان جوابهای به دست آمده به سه روش انتخاب متفاوت در کدبندی الگوریتم ژنتیک شامل روشهای انتخاب برتر، انتخاب تورنمنتی و انتخاب چرخ رولت صورت می گیرد. اطلاعات مورد نیاز برای این پژوهش بهصورت کتابخانهای و مراجعه به اسناد، مدارک و سایتهای معتبر جمع آوری شد. نتایج پژوهش حاضر حاکی از آن بود که مسئله زمانبندی کارگاه باز با استفاده از الگوریتم فراابتکاری ژنتیک راحت تر و سریعتر به جواب می رسد و روش انتخاب برتر جواب بهتری را نسبت به دو روش دیگر نشان میدهد.

در این مطالعه، کاربرد شبیه سازی در بهینه سازی دو هدفه ی یک مسئله ی بالانس خط مونتاژ تشریح گردیده است که در آن هدف، تعیین مقادیر بهینه تخصیص نیروی انسانی و تجهیزات موازی به ایستگاهها می باشد، به طوری که با حداقل هزینه های افزایش تجهیزات و نیروی انسانی در ایستگاهها، خروجی خط تولید به بیشترین مقدار خود افزایش یابد. به عبارت دیگر با استفاده بهینه از منابع موجود خروجی تولید حداکثر شده و بهرهوری به حداکثر میزان ممکن ارتقاء یابد. بدین منظور، به کمک بهینه سازی ازطریق شبیه سازی، فرایند خط تولید ، تحت یک مدل شبیه سازی در نرمافزار ED شبیه سازی شده است. پس از اعتبارسنجی مدل با استفاده از طرح آزمایش سناریوهای متنوعی طراحی و در مدل شبیه سازی اجرا شد، مقادیر ممکن برای دو متغیر تعداد نیروی انسانی و تعداد تجهیزات موازی با استفاده از الگوریتم ژنتیک به دست آمده و در یک نمودار پارتو نشان داده شده است و نتایج با وضعیت فعلی خط تولیدمقایسه گردیده است.

دو مسئله مهم در طراحی یک سیستم تولید سلولی، مسائل تشکیل سلول و چیدمان گروهیی میی باشیند مسیئله تشکیل سلول شامل گروه بندی قطعات در قالب خانواده قطعات و گیروه بنیدی ماشیی هیا در قالیب سیلول هیای تولیدی می شود مسئله چیدمان گروهی نیز شامل تعیی چیدمان ماشی ها درون سلول ها و تعیی چییدمان خیود سلول ها می گردد در ای مقاله یک رویکرد یکپارچیه بیرای حیل مسیائل تشیکیل سیلول، چییدمان گروهیی و مسیریابی ارائه می گردد در ای رویکرد، با درنظر گرفت ابعاد ماشیی آلات، پهنیای راهروهیا و حیداکطر طیول مجاز برای قرارگرفت ماشی ها بصورت طولی، از یک چیدمان می ارپیچی جدیید بیرای طراحیی سیسیتم تولیید سلولی استفاده می شود برای کاربردی تر ساخت مسئله، پارامترهیایی نظییر تقاییای قطعیات، تیوالی عملییات، زمانهای پردازش و ظرفیت ماشی آلات، در مدلسازی مسئله مد نظر قرار می گیرند مسئله بصیورت ییک میدل برنامه ریزی عدد صحیح، با دو هدف کمینهسازی هزینه های حملونقل، و بیشینهسازی تشابهات میان ماشیی هیا فرموله می شود بدلیل پیچیدگی محاسباتی مسئله، سه الگوریتم فرا ابتکاریِ مبتنی بیر الگیوریتم هیای ننتییک و شبیهسازی تبرید، برای حل آن پیشنهاد می گردد در ای الگوریتم ها از برنامه رییزی پوییا بیرای حیل قسیمتی از مسئله بهره برده می شود با حل چند مطال عددی از ادبیات مویوع، کیارایی الگیوریتم هیا میورد ارزییابی قیرار می گیرد در نهایت، مقایسه ای بی چیدمان مارپیچی ارائه شده در ای تحقیق و چیدمانی خطیِ چند سطری که - اخیراً در ادبیات مویوع ارائه شده بود، صورت می گیرد

در مدل های کلاسیک مکانیابی تسهیلات به طور ضمنی فرض می شود که تسهیلات انتخاب شده همواره طبق برنامه کار خواهند کرد، در حالی که، در دنیای واقعی تسهیلات همواره در معرض ریسک اختلال هستند و گاهی این اختلالات اثر بلند مدت روی شبکه زنجیره تأمین گذاشته و آن را با بحران مواجه می کند. در این مقاله، یک مدل برنامه ریزی عدد صحیح مختلط جهت تعیین نحوه خدمت رسانی به مشتریان در زمان اختلال مراکز توزیع در یک زنجیره تأمین دو سطحی شامل توزیع کنندگان و مشتریان ارائه شده است. این مدل مکان هایی را برای توزیع کننده ها انتخاب می کند که علاوه بر حداقل نمودن هزینه های معمول زنجیره تأمین، هزینه های حمل و نقل بعد از مختل شدن توزیع کننده ها نیز حداقل شوند. در واقع سعی می شود انتخاب محل توزیع کنندگان با کم ترین هزینه و بیشترین قابلیت اطمینان صورت گرفته و ضمناً تخصیص مشتریان به آنها انجام شود. با استفاده از رویکرد لاگرانژ مسأله آزاد سازی شده و به دو زیر مسئله تقسیم می شود. با بررسی شرایط بهینگی زیر مسئله ها، حل ابتکاری برای زیر مسأله اول و الگوریتم ژنتیک برای زیر مسأله دوم به منظور حل مسائل با ابعاد بزرگ استفاده شده است. در پایان، عملکرد و کارایی مدل و روش پیشنهادی در قالب مثال های عددی مورد بررسی قرار می گیرند .

مدیریت و برنامه ریزی آب شهری، به ویژه در کلان شهر ها، اهمیت بسیار زیادی دارد. توسعة مناطق شهری، تبدیل شهرها به کلان شهر و افزایش پیچیدگی عوامل تأثیرگذار در مصرف آب در شهر ها سبب دشواری مدیریت مصرف، تأمین و توزیع آب شده است. بنابراین، استخراج قوانین نقش مهمی در کشف الگو های حاکم بر مجموعة داده و کاهش پیچیدگی ها دارد. اصل نظریة مجموعه های راف، که پائولاک در دهة 80 مطرح کرد، روشی توانمند و انعطاف پذیر در پردازش داده های دارای عدم قطعیت شمرده می شود و در این تحقیق، به منظور استخراج قوانین حاکم بر مصرف آب، به کار رفته است. در این تحقیق، از روش ترکیب الگوریتم های مجموعه های راف و ژنتیک از روش های داده کاوی، برای بهبود استخراج قوانین و طبقه بندی داده های آب مصرفی، با کاربری مسکونی در شهر تهران به منزلة منطقة مورد مطالعه استفاده شده است. داده های مورد استفاده در این تحقیق شامل داده های اجتماعی اقتصادی، محیطی، اقلیمی و فنی مدیریتی می شوند. این داده ها به دو زیرمجموعه، شامل 60 %با هدف آموزش و 40 %به قصد ارزیابی نتایج، تقسیم شدند. نتایج نشان می دهند که تلفیق الگوریتم های ژنتیک و مجموعه های راف کارآیی بالاتری برای استخراج مؤثر قوانین از داده های مصرف آب شهر تهران را دارند. دقت طبقه بندی مجموعه دادة آزمون، ازطریق قوانین استخراج شده از مجموعه های راف، 77 %بود. پس از بهینه سازی قوانین با استفاده از الگوریتم ژنتیک در مجموعه های راف، دقت طبقه بندی در نسل ششم، با سرعت همگرایی متوسط، به 88 %و در نسل دهم، به 92 %افزایش یافت. براساس قوانین استخراج شده، عوامل مؤثر در مصرف سالیانة آب به ترتیب میزان تأثیرگذاری، جمعیت ساکن، آب بها، تراکم جمعیت در واحد سطح، بعد خانوار، موقعیت مکانی (عرض جغرافیایی)، تحصیلات ساکنان و سرانة فضای سبز به شمار می روند.

هدف اصلی این پژوهش به کارگیری مهندسی عوامل انسانی در تئوری زمان بندی به منظور بهینه سازی عملکرد نیروی کار است. در این مقاله مسأله زمان بندی نیروی کار موقت با عملکرد متغیر مورد بررسی قرار گرفته شده است. تابع هدف مدل مورد بررسی کمینه سازی هزینه های نیروی کار است و مدل ریاضی ارائه شده بهترین طول زمانی شیفت کاری و تخصیص کارکنان را مشخص می کند. ویژگی منحصر به فرد این پژوهش در نظر گرفتن ابعاد ارگونومی (خستگی کارکنان) در زمان بندی کارکنان است. برای حل مدل ریاضی ارائه شده از الگوریتم ژنتیک استفاده شد. برای بررسی اثربخشی و کارایی مدل و الگوریتم ژنتیک مجموعه ای از مسائل حل شد. برای بررسی کارایی الگوریتم ژنتیک راه حل های به دست آمده با راه حل های نرم افزار لینگو مورد مقایسه قرار گرفت. مقایسه نتایج نشان داد که الگوریتم ژنتیک کارایی مطلوبی در یافتن پاسخ رضایت بخش در مدت زمان محاسباتی مناسب دارد. این پژوهش نشان داد که می توان خستگی کارکنان را در برنامه ریزی و زمان بندی کارکنان مدل سازی کرد و به منظور کاهش هزینه های کارکنان و افزایش کارایی تولید، شیفت های کاری انعطاف پذیر در نظر گرفت. پیشنهاد می شود که با استفاده از مدل ارائه شده به منظور بررسی سیاست های کاهش خستگی کارکنان و افزایش ظرفیت کاری آنان هزینه های این سیاست ها (چون آموزش، گردش شغلی، اتوماسیون و...) با میزان بهینگی اقتصادی ناشی از آن در زمان بندی، مقایسه و بهترین برنامه ها انتخاب گردد.

پیش بینی سود هر سهم از اهمیت فراوانی برای سرمایه گذاران و مدیران داخلی شرکت ها برخوردار است. بررسی پژوهش های قبلی حاکی از این بوده است که در اکثر آن ها، به فرضیه وجود رابطه غیرخطی میان سود وعوامل تعیین کننده آن توجه نشده است. این در حالی است برخی از پژوهشگران نشان داده اند که رابطه میان سود و عوامل تعیین کننده آن خطی نیست. به همین دلیل و همچنین نقش محوری سود هر سهم در تصمیمات سرمایه گذاران، با استفاده از مدل های مختلف شبکه عصبی مصنوعی و مدل های سری زمانی، سود هر سهم میان دوره ای 126 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1389 تا 1395 بررسی و پیش بینی شده است. در ادامه و در گام بعدی برای تعیین متغیرهای ورودی مؤثر بر سود هر سهم از الگوریتم بهینه سازی ژنتیک و تجمع ذرات استفاده شده است. به کارگیری روش ترکیبی شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم تجمع ذرات می تواند علاوه بر استفاده از روش های نوین برای پیش بینی سود هر سهم، سرمایه گذاران را نیز در تصمیم گیری های آتی یاری رساند. نتایج نشان می دهد روش پیشنهادی قادر است تا متغیرهای ورودی مؤثر بر سود هر سهم را از میان تمام متغیرهای ورودی استخراج و توانایی و قدرت تعمیم شبکه عصبی مصنوعی را افزایش دهد.

شبکه پشتیبانی حمل و نقل هوایی سبز سیستمی متشکل از تقاضا و برآوردن تقاضا با اهداف زیست محیطی می باشد. در این مقاله در صدد ایجاد شبکه پشتیبانی سبز در صنایع هوایی هستیم به نحوی که از احداث مراکز آلوده کننده در مناطق آلوده تا حد امکان جلوگیری شود. متمرکزسازی باعث استفاده بهینه از تسهیلات حمل ونقل و در نهایت کاهش آلودگی می شود. یک شبکه پشتیبانی چند مده در حمل ونقل می تواند با توجه به اهداف شبکه از جمله کمینه سازی آلودگی زیست محیطی، با مکان یابی بهینه ی هاب نقش مهمی در این راستا ایفا کند. در این مقاله با در نظر گرفتن زمان برنامه ریزی شده برای تحویل هر قطعه به پایگاه های هوایی، یک مدل ریاضی بهینه ارائه شده است. حمل ونقل چند مده یکی از نوآوری های این پروژه است که با برنامه ریزی یک مدل جامع و انعطاف پذیر در حمل ونقل ایجاد می گردد. همچنین به دلیل ماهیت غیر قطعی در بسیاری از مسائل دنیای واقعی، پارامتر زمان حمل ونقل به صورت فازی در نظر گرفته شده است. برای قطعی سازی مدل از روش خمینز استفاده شده است. مدل پس از خطی سازی با نرم افزار GAMS و حل کننده CPLEX حل و اعتبارسنجی شده است و هم چنین برای حل مدل در ابعاد بزرگ از روش فراابتکاری الگوریتم ژنتیک استفاده شده است. الگوریتم ژنتیک با خطای قابل قبولی وضعیت بهینه را شناسایی و نمایش می دهد.

ذرات معلق با قطر کوچک تر از 10 میکرون (PM10) و دید افقی، به عنوان دو فراسنج مهم در پژوهش های مرتبط با ریزگردها و گرد و غبارهای تروپوسفری شناخته می شوند که آلودگی هوا تا اندازه ی زیادی وابسته به مقدار این دو فراسنج در زمان است. این پژوهش، رابطه ی میان فراسنج های PM10 و دید افقی را با کاربست الگوریتم تکاملی ژنتیک واکاوی کرده است. منطقه ی مورد بررسی شهر یزد در جایگاه نماینده ی ایران مرکزی بوده است. دیدهای افقی به تفکیک شرایط همدیدی 05، 06، 07 و 09 در یک بازه زمانی پنج ساله (2010 تا 2015) از دفاتر سینوپتیک اداره کل هواشناسی استان یزد و داده های PM10 از ایستگاه های پایش آلودگی هوا وابسته به اداره کل محیط زیست استان یزد گرفته شده است. برای رسیدن به روابط ریاضی گفته شده، معادله خط رگرسیون و چندین گونه تابع نامی دیگر مورد هم سنجی قرار گرفتند؛ که تابع گوسین به عنوان مناسب ترین تابع برازندگی گزینش گردید. دست آوردهای این پژوهش، روابط ریاضی میان PM10 و دید افقی در حالت فراگیر، PM10 و دید افقی هنگام رخداد کد همدید 05 و PM10 با دید افقی هنگام رخداد کد همدید 09، با کاربست تابع گوسین با دوره ی 1؛ و رابطه میان PM10 و دید افقی در هنگام رخداد شرایط همدید با کد 06 و 07 با کاربست تابع گوسین با دوره 2 می باشند.

با توجه به ماهیت فعالیت های صنعت بانکداری که عمدتاً مبتنی بر تجهیز و تخصیص منابع است، این صنعت به طور گسترده با ریسک های اعتباری مواجه است. بنابراین شناخت منشأ ریسک اعتباری و تخمین آن همواره یک مسئله اساسی برای صنعت بانکداری است. در همین خصوص، تحقیقی از نوع داده کاوی با هدف شناسایی ویژگی های مؤثر بر ریسک اعتباری مشتریان حقیقی بانک سپه و همچنین طراحی مدلی برای پیش بینی احتمال نکول تسهیلات، از طریق مدل های الگوریتم ژنتیک و رگرسیون پروبیت انجام گرفته است. داده های این تحقیق مربوط به تسهیلات اعتباری پرداخت شده به اشخاص حقیقی در سال ۱۳۹۵ است. از میان کلیه تسهیلات اعتباری پرداخت شده به اشخاص حقیقی در سال ۱۳۹۵ دو نمونه ۳۶۰۰ تایی (به منظور برازش مدل) و ۴۰۰ تایی (به منظور راستی آزمایی مدل به وسیله منحنی ROC) به صورت تصادفی انتخاب شدند. همچنین به منظور تجزیه و تحلیل داده ها از نرم افزار متلب استفاده شده است.<br /> نتایج تحقیق نشان می دهد که روش الگوریتم ژنتیک در تعیین متغیرها در سه سطح متفاوت براساس درجه اهمیت، توانایی بالاتری در پیش بینی احتمال نکول تسهیلات نسبت به روش رگرسیون پروبیت دارد. نتایج راستی آزمایی نشان می دهد که سطح زیر منحنی ROC در روش الگوریتم ژنتیک برابر ۰/۹۲، اما در روش رگرسیون پروبیت برابر ۰/۷۲ است و همچنین نتایج در ماتریس  ROC نشان داد که روش الگوریتم ژنتیک ۹۱/۸ درصد پیش بینی صحیح نموده و روش رگرسیون پروبیت ۹۰ درصد پیش بینی صحیح کرده است.

هدف این مقاله، بررسی زمان بندی وسایل نقلیه در یک زنجیره تأمین چند محصولی با در نظر گرفتن رابطه متقابل بین بخش حمل ونقل و بخش تولید است. سطح یکپارچگی در نظر گرفته شده در زنجیره تأمین، شامل شرکت سازنده محصولاتِ نهایی و تأمین کنندگان رده اول است که یک ناوگان حمل ونقل آنها را به یکدیگر مرتبط می کند. هدف، نحوه تخصیص سفارش ها به تأمین کنندگان و تعیین توالی ساخت آنها در هر تأمین کننده به همراه تخصیص سفارش ها به وسایل نقلیه و تعیین توالی حمل آنها است؛ به قسمی که مجموع زمان تحویل سفارش ها حداقل شود. این مسأله تاکنون در ادبیات موضوع بررسی نشده است. ابتدا مدل ریاضی مسأله، ارائه می شود. پس از نشان دادن NP-Hard بودن مسأله، برای حل آن یک الگوریتم ترکیبی - تلفیقی جدید از دو الگوریتم ژنتیک و شبیه سازی تبرید - با نام شبیه سازی تبرید جمعیتی (PSA) ارائه می شود. برای اعتبارسنجی الگوریتم PSA نتایج آن با نتایج الگوریتم شبیه سازی تبرید و توسعه الگوریتم DGA مقایسه می شود .این دو الگوریتم، نزدیک ترین مسأله در ادبیات موضوع به مسأله بررسی شده در این مقاله هستند. افزون بر این با ریلکس کردن برخی فرضیات، نتایج الگوریتم PSA با نتایج الگویتم DGA مقایسه می شود. نتایج مقایسه ها نشان دهنده برتری عملکرد الگوریتم PSA در همه مقایسه ها است. همچنین مقایسه نتایج الگوریتم PSA برای مسائل با ابعاد کوچک، نشان دهنده کارایی مناسب آن است.

چیدمان یکی از مسائل شناخته شده در حوزه تحقیق در عملیات به ویژه در زمینه برنامه ریزی تولید است. هدف اصلی بررسی مسأله چیدمان، کاهش ضایعات ناشی از برش با استفاده از بهینه چینی قطعات است. مسائل چیدمان از نوع مسائل اِن پی-سخت هستند که روش های دقیق قادر به حل آنها نیستند. برای بهینه سازی این نوع مسائل، در مقاله حاضر از الگوریتم نوظهور فرا ابتکاری رقابت استعماری استفاده و نتایج آن با نتایج الگوریتم ژنتیک مقایسه شده است. برای دستیابی به نتیجه بهتر، پارامترهای اولیه الگوریتم فرا ابتکاری با روش طراحی آزمایش های تاگوچی تنظیم شده است. کارآیی روش پیشنهادی با استفاده از مجموعه ای از مسائل معیارِ مطرح در این زمینه ارزیابی و کیفیت آن با استفاده از روش آماری ANOVA آزمون شده است. نتایج این پژوهش نشان می دهد الگوریتم رقابت استعماری، الگوریتمی کارآمدتر و سریع تر در حل این نوع مسائل است.