اسماعیل علی نژاد
-
اجتماعیابی (کشف اجتماعات) یکی از شاخههای نوظهور و پرطرفدار در علم داده کاوی و تحلیل شبکههای اجتماعی است که کاربردهای فراوانی در کشف و تحلیل اجتماع ها در سایت های اینترنتی، شبکه های زیستی، علمی و پژوهشی و غیره دارد. اجتماعیابی صفحات اینترنتی میتواند به طور ویژه به مدیران سایتهای اینترنتی در تخصیص پهنای بهینه به شبکه صفحات وب تحت نظارتشان کمک کند. در اکثر روش های اجتماعیابی موجود فقط از توپولوژی شبکه (ارتباطات، یالها) برای گروهبندی گرهها (صفحات وب) استفاده می‌شود؛ درحالی که نتایج پژوهشهای اخیر نشان داده است که اینگونه روشها باید به گونه ای تغییر کند که در آن ها علاوه بر توپولوژی، ویژگی های ذاتی گرهها نیز در فرآیند اجتماعیابی لحاظ شود. ازاین رو در این مقاله برای اولین بار با لحاظ کردن هم زمان ویژگی های ذاتی صفحات وب و ارتباطات میان آن ها، یک مدل ریاضی برای کشف اجتماعات در شبکههای اینترنتی توسعه داده شده است. روش پیشنهادی این پژوهش بدین صورت است که برای لحاظ کردن ویژگیها در فرآیند اجتماعیابی، ابتدا با استفاده از یک رویکرد ریاضی، میزان شباهت صفحات وب به کمک یک سنجه شباهت (مانند جاکارد یا ضریب انطباق) و بردار ویژگیها محاسبه و به عنوان وزن به یال های موجود بین آن ها در شبکه اینترنتی موردنظر افزوده می‌شود. با این کار عملا یک شبکه اینترنتی ویژگیدار با یال های غیر موزون به یک شبکه بدون ویژگی با یالهای موزون تبدیل می‌شود. سپس با استفاده از یک مدل ریاضی (که مختص شبکههایی با یال های موزون است)، اجتماعات موجود در این شبکه موزون کشف می‌شود. برای اعتبارسنجی و اثبات کارایی، در قالب آزمونهای فرض آماری ادعاشده است که کیفیت اجتماعات کشفشده توسط رویکرد ریاضی پیشنهادی (که ویژگیهای صفحات وب را لحاظ میکند) به طور آماری بهتر از مدلهای ریاضی پیشین (که از ویژگیها چشمپوشی میکند) است. نتایج آزمونهای آماری روی شبکه اینترنتی واقعی نشان میدهد که مدل پیشنهادی این پژوهش در حالتی که از معیار جاکارد برای محاسبه میزان شباهت صفحات وب استفاده میکند به طور معنی داری (با P-value=0.01) باعث کشف اجتماعاتی بهتر در قیاس با مدلهای ریاضی پیشین شده است. همچنین نتایج دیگر آزمونهای آماری نیز نشان میدهد که انتخاب سنجه شباهت متناسب با ماهیت شبکه، تاثیر بسزایی در میزان کیفیت رویکرد پیشنهادی دارد.
کلید واژگان: اجتماع یابی، بهینه سازی پودمانگی، توپولوژی شبکه، شبکه اینترنتی، صفحات وب، مدل ریاضی، ویژگی های گرهCommunity detection is one of the emerging and well-known topics in the area of data mining and social network analysis, which has wide variety applications in discovering communities in real-world networks such as biological networks, internet weblogs, scientific and research websites, etc. Web community detection can especially help admins assign the optimal bandwidth to the websites of theirown networks. Most of web community detection approaches only use the network topology to discover the web communities. However, the results of the most recent researches show that traditional community detection methods have to be substantially modified to consider web attributes as well as network topology. Therefore, in this paper, a mathematical programming approach is developed for community detection in attributed internet networks by simultaneously considering both network topology and node attributes. In this approach, first, similarities of web pages are calculated using node attributes and a desired similarity measure and are considered as the weight of the corresponding edges. Then, communities of the resulted weighted network will be detected by the proposed mathematical model. To validate and prove the efficiency, it is hypothesized that the detected communities of the proposed approach have a better quality than that of previous models. Experimental results demonstrate that the proposed approach has the ability to significantly improve the quality of detected web communities, when the model uses the Jaccard index. However, the results of other hypotheses indicate that the correct selection of similarity measure has a significant impact on the quality of the detected communities.
Keywords: community detection, Internet network, mathematical model, Modularity optimization, Network topology, Node attributes, web pages -
تصمیم گیری برای سرمایه گذاری یک پارچه و کارا یکی از پیچیده ترین و پرچالش ترین موضوعات مدیریت و تحلیل سرمایه گذاری است. از نظر مارکویتز،یک پورتفولیوی کارا سبد سهامی است که در سطح مشخصی از بازده، کم ترین ریسک را دارد. در این نوشتار کاربرد مدل میانگین واریانس چولگی (M V S)، به جای مدل میانگین واریانس (M V) مارکویتز، به منظور سنجش کارایی پیشنهاد می شود. البته این گونه مدل ها در عین برخورداری از کارایی بالاتر، پیچیدگی های محاسباتی خاص خود را نیز دارند که برای غلبه بر آن، روشی ساده و کاربردی برمبنای روش تحلیل پوششی داده ها (D E A) پیشنهاد شده است. ایده ی اصلی این روش، ترکیب سه معیار میانگین،واریانس و چولگی بازده و نیز ارائه ی معیاری واحد برای ارزیابی کارایی سهام است. این معیار، امکان رتبه بندی واحد سرمایه گذاران را فراهم می کند. نکته ی جالب دیگر درمورد این پژوهش آن است که با استفاده از D E A، ارزیابی کارایی بدون رسم مرز کارا و تنها با تصویرکردن سهام بر آن صورت می گیرد. به عنوان یک مطالعه ی موردی، این مدل برای شرکت های برتر بورس ایران اجرا و مجموعه سهام های کارا مشخص شده است.
کلید واژگان: ارزیابی عملکرد، مدل میانگین، واریانس، چولگی، مرز کارا، تصویر سهام، تحلیل پوششی داده ها، بازار بورس ایرانPeople, during their lifetime, make investment decisions in various areas including real estate, gold, stocks, and bonds, and these decisions have an internal relationship between them that is unbreakable. The link between these decisions lies in the risks taken and the return on investments for the selected market. Decision making, with regard to investments, is one of the most difficult and complicated subjects in management and investment analysis. Generally speaking, an efficient portfolio is a portfolio with a specified return amount and the lowest possible risk level. The content of this article suggests that to find an efficient frontier, instead of using the Markowitz mean-variance (MV) model, we can use the Mean-Variance-Skewness model (MVS). This paper introduces a practical model for evaluation of an efficient portfolio based upon the MVS model using a Data Envelopment Analysis approach. The main idea of this approach is to evaluate the performance of a set of funds by taking into account expected returns, variance and skewness, and synthesizing them in a numerical value via an input oriented data envelopment analysis model. The DEA technique is a multi criterion decision making tool for making appropriate and sound decisions. In this technique, we can, at the same time as using some input and output variables, calculate and separate the efficiency of a set of efficient company stocks from inefficient ones. In addition, the optimal portfolio among the efficient companies can be determined using the information obtained. The high point of this research is efficient frontier generation through projecting the stocks on the frontier without actually generating the frontier at all, and then determining the efficiency of the stocks. As a case study, this model was implemented for the top 37 companies in Iran's stock markets. The results obtained from the model execution indicate that the stocks of three companies; Saipa, Alborz Daru and Tehran Cement, are the most appropriate for portfolio selection, due to their appropriateness of returns and variance of stocks, as well as their skewness positivity.Keywords: Mean, Variance, Skewness model, stock projection, portfolio performance, efficient frontier, data envelopment analysis, Iran stock market -
برنامه ریزی و زمان بندی پیشرفته، نوعی فرآیند مدیریت تولید است که در آن منابع و ظرفیت های تولیدی به طور بهینه به تقاضاهای مشتریان تخصیص داده می شود. این رویکرد به طور خاص در محیط هایی که روش های برنامه ریزی ساده نمی توانند جوابگوی شرایط پیچیده باشند کاربرد دارد. یک فرض رایج در مساله برنامه ریزی و زمان بندی پیشرفته این است که زمان پردازش یک محصول ثابت و مستقل از جایگاهش در توالی تولید است؛ اما در بسیاری از موارد عملی، عملکرد اپراتور به طور پیوسته با گذشت زمان بهبود و زمان پردازش کارها کاهش می یابد که این پدیده به عنوان اثر یادگیری شناخته می شود. در این مقاله، یک چارچوب بهینه سازی توسعه یافته برای مساله برنامه ریزی و زمان بندی پیشرفته در محیط تولید انعطاف پذیر با در نظر گرفتن اثر یادگیری ارائه شده است تا توانایی بیشتری در بیان شرایط واقعی محیط های تولیدی فراهم و عوامل انسانی را در امر زمان بندی دخیل کند. هم چنین به دلیل پیچیدگی محاسباتی بالای مدل پیشنهادی، یک الگوریتم حل ژنتیک چند مرحله ای نیز پیشنهاد شده است. نتایج عددی نشان می دهد که الگوریتم حل پیشنهادی، توانایی رسیدن به جواب های بهینه/ نزدیک بهینه را در زمان های محاسباتی بسیار کمتر از روش های دقیق دارد.
کلید واژگان: برنامه ریزی و زمان بندی پیشرفته، اثر یادگیری موقعیت گرا، الگوریتم ژنتیک چندمرحله ایJournal of Industrial Engineering Research in Production Systems, Volume:1 Issue: 1, 2013, PP 13 -24Advanced planning and scheduling is a production management process in which the resources and production capacities are optimally assigned to the customers’ demands. This approach can particularly be applicable in the complex environments. A common assumption in the advanced planning and scheduling problems is that the processing time of a given product is constant and independent of its position in the production sequence. However, in the real-world situations, an operator’s skill may continuously be improved when the production time is passing which is known as the learning effect phenomenon. In this article, with regard to the learning effect, an extended multi-product optimization framework for the advanced planning and scheduling problem of a typical flexible production environment is developed to provide a more ability to address the actual situations. Due to the high computational complexity of the proposed model, a multi-stage genetic solution algorithm is also presented. Numerical results confirm that the proposed algorithm can obtain the optimum/near optimum solutions in much less computational times compared to the exact solutions.Keywords: Advanced Planning, Scheduling, learning effect, Multi, stage Genetic Algorithm
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.