الگوریتم بهینه سازی ازدحام ذرات

برنامه ریزی برای برداشت بهینه از منابع نفتی با توجه به محدودیت های فنی و پیش بینی ها و مدل سازی های اقتصادی، به عنوان یک ضرورت برای کسب حداکثر سود از محل فروش نفت خام و متعاقباً تامین منافع ملی بین نسلی کشورهای تولیدکننده و صادرکننده نفت شناخته می شود. در این مطالعه، مسیر بهینه تولید از میدان نفتی آزادگان جنوبی با استفاده از یک روش بهینه یابی فراابتکاری به نام الگوریتم ازدحام ذرات(PSO) ، در یک دوره سی ساله برآورد شده است. همچنین به منظور شبیه سازی حداکثری شرایط فنی و فیزیکی میدان، از مفهوم حداکثر نرخ تخلیه کارا(MER) و به منظور اعمال پویایی های اقتصادی بازار جهانی نفت نیز، از سه سناریوی قیمتی و دو سناریوی نرخ تنزیل استفاده شده است. نتایج مطالعه نشان می دهد که در صورت اجرای برنامه های ازدیاد برداشت(EOR) و تزریق گاز به طاقدیس سروک این میدان، همزمان با تولید از آن، در طول دوره شبیه سازی، بیش از 6 میلیارد بشکه نفت اضافی به حجم قابل استحصال میدان اضافه شده و تولید تجمعی میدان نیز از حدود 4/1 میلیارد بشکه بر اساس تولید برنامه ریزی شده کنونی درRMDP میدان، به بیش از 3 میلیارد بشکه بر اساس مسیر تولید بهینه پیشنهادی این مطالعه می رسد.

سرعت فزاینده تغییرات فن آورانه، از یک سو، و تغییر ماهیت تقاضای مشتریان و تشدید رقابت بین سازمان ها، از سوی دیگر، باعث شده است که سازمان ها به شدت به دنبال کسب مزیت های رقابتی جدید برای برتری بر رقبا و تامین بهتر نیاز مشتریان باشند. حصول چنین اهدافی در سایه مفهوم جدیدی به نام «چابکی سازمانی» به دست می آید اما چابکی سازمان تحت تاثیر عامل های خود می باشند که در شرکت های خدماتی ، کارکنان تاثیر گذارترین عامل می باشند. در این پژوهش که دانشگاه علوم و تحقیقات به عنوان مطالعه موردی مطرح شده است کارکنان به سه دسته نرم ، خاطی و مقصور تقسیم بندی شده اند که عامل های مذکور تعیین کننده سه عنصر اصلی چابکی زنجیره تامین سازمان که عبارتند از محرک های چابکی، توانمندیهای چابکی و توانا سازهای چابکی می باشند. همچنین با استفاده از الگوریتم بهینه سازی ازدحام ذرات یک مدل هوشمند طراحی شده که تاثیرگذاری و تاثیر پذیری عوامل بر یکدیگر مورد سنجش قرار گرفته است. و پس از اجرای مدل در مطالعه موردی در نقطه Time=769 ، بهبودی سازمان در بهترین حالت ممکن می باشد.

براساس تحقیقات بازار سرمایه، شوک منفی قیمت سهام در هر بازار تابع عوامل محیطی و ویژگی های خاص شرکتی بوده و هر بینشی درمورد چگونگی تشریح و پیش بینی شوک، می تواند بر تصمیمات سرمایه گذاران و فعالان حاضر در بورس اثرگذار باشد. در این پژوهش بر اساس داده های مرتبط با 140 شرکت ها اقدام به پیش بینی شوک قیمتی سهام با تأکید بر نسبتهای مالی شده است. به منظور انتخاب متغیرهای بهینه از مجموعه 96 متغیر، از دو الگوریتم تکاملی بهینه سازی ازدحام ذرات و الگوریتم ژنتیک استفاده شده است. پس از به کارگیری الگوریتمهای ذکرشده درنهایت 8 متغیر تأثیرگذار بر شوکهای دائم و موقت استخراج گردید که در مدل رگرسیونی باقیمانده مستحکم در تحقیق تأثیر آنها بر متغیر پیشبینی شونده شوک بررسی گردید. نتایج حاصل از RSME مدلهای بررسی شده بهترتیب برای شوک دائم (الگوریتم ژنتیک)، شوک دائم (الگوریتم تکاملی بهینه سازی ازدحام ذرات)، شوک موقت (الگوریتم ژنتیک) و شوک موقت (الگوریتم تکاملی بهینه سازی ازدحام ذرات)، 5.8433، 5.6284، 7.537 و 7.295 میباشد. همان طور که مشاهده میشود RSME در شوک دائم براساس الگوریتم ژنتیک، بیشتر از RSME مدل شوک دائم براساس الگوریتم تکاملی بهینه سازی ازدحام ذرات میباشد. همچنین در مدل شوک موقت براساس الگوریتم ژنتیک RSME مدل، بیشتر از RSME مدل شوک موقت براساس الگوریتم تکاملی بهینه سازی ازدحام ذرات میباشد. بنابراین می توان بیان نمود که رگرسیون برآورد شده بر اساس متغیرهای انتخابی از الگوریتم تکاملی بهینه سازی ازدحام ذرات دارای RSME پایین تر بوده و قدرت پیش بینی کنندگی بهتری نسبت به متغیرهای انتخابی از الگوریتم ژنتیک دار

در سال های اخیر با افزایش ضریب نفوذ بازار سرمایه، افراد بیشتری متمایل به سرمایه گذاری در بورس شده اند. پیش بینی دقیق قیمت سهام با کمترین خطا می تواند ریسک سرمایه گذاری را کاهش و بازده سرمایه گذاری را افزایش دهد. پیش بینی قیمت سهام به دلیل نوسانات غیرخطی اغلب به عنوان مسئله سری زمانی غیرخطی توصیف می شود که تحت تأثیر عوامل زیادی است. در این پژوهش، روش BiLSTM برای پیش بینی قیمت سهام ارزیابی می گردد. در این راستا، از چندین تکنیک یادگیری ماشین جهت پیش بینی قیمت سهام با استفاده از داده های سری زمانی قیمتهای سهام استفاده می شود و نهایتاً دو روش یادگیری عمیق شامل الگوریتم شبکه عصبی خود بازگشتی (LSTM) و الگوریتم شبکه عصبی خود بازگشتی دوطرفه (BiLSTM) در این راستا پیاده سازی و نتایج آنها مقایسه می شوند. داده های سری زمانی مشخصه های قیمتی شامل قیمت باز، قیمت بسته، قیمت بالا و قیمت پایین برای سهام ارزشی شرکت های پذیرفته شده در بورس و فرابورس اوراق بهادار تهران از ابتدای سال ۱۳۹۲ تا پایان سال ۱۳۹۸، در جهت پیاده سازی روش های مذکور به عنوان مطالعه موردی استفاده می گردند. نتایج این پژوهش نشان داد که مدل ترکیبی PSO-BiLSTM در نظر گرفتن معیارهای ارزیابی RMSE و R-Square خطای کمتری در پیش بینی قیمتهای سهام مورد مطالعه و عملکرد بهتری نسبت به الگوریتم های SVR ،CART ، MLP، LSTM و BiLSTM دارد.