به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

genetic algorithm (ga)

در نشریات گروه علوم انسانی
  • Rohtash Dhiman *, A. Anshul

    The human machine interface research in the light of modern fast computers and advanced sensors is taking new heights. The classification and processing of neural activity in the brain accessed by Magnetic Resonance Imaging (MRI), Positron Emission Tomography (PET), functional Magnetic Resonance Imaging (fMRI), Electrocorticography (ECoG), EEG Electroencephalogram (EEG) etc., are peeling off new paradigms for pattern recognition in human brain-machine interaction applications. In the present paper, an effective novel scheme based upon a synergetic approach employing the Genetic Algorithm (GA), Support Vector Machine and Wavelet packet transform for motor imagery classification and optimal Channel selection is proposed. GA with SVM acting as the objective function is employed for simultaneous selection of features and channels optimally. The binary population of GA is uniquely represented in three-dimensional structure and a new cross-over operator for GA are introduced. The new modified cross-over operator is proposed for the modified three-dimensional population. The ‘data set I’ of ‘BCI Competition IV’ is taken for evaluation of the efficacy of the proposed scheme. For subject ‘a’ accuracy is 88.9 6.9 with 10 channels, for subject ‘b’ accuracy is 79.20±5.36with 11 channels, for subject ‘f’ accuracy is 90.50±3.56 with 13 channels, and for subject ‘g’ accuracy is 92.23±3.21with 12 channels. The proposed scheme outperforms in terms of classification accuracy for subjects ‘a, b, f, g’ and in terms of number of channels for subject ‘a’ and that for subject ‘b’ is same as reported earlier in literature. Therefore, proposed scheme contributes a significant development in terms of new three-dimensional representation of binary population for GA as well as significant new modification to the GA operators. The efficacy of the scheme is evident from the results presented in the paper for dataset under consideration.

    Keywords: Motor Imagery (M.I.), Genetic Algorithm (GA), Three Dimensional Population, Support Vector Machine (SVM)
  • جواد خمیس آبادی، محمدرضا کاباران زاده قدیم*، محمدمهدی موحدی

    عملیات کراس داک، تاکتیک اجرایی تحویل کالا با رویکرد تجمیع و توزیع است که سیستم اجرایی یکپارچه لجستیک، با حداقل انباشت موجودی یا با کم ترین سطح موجودی مواجه شود. به منظور افزایش چابکی زنجیره تامین، مهندسین لجستیک، به طراحی و پیاده سازی کراس داک در سطح زنجیره تامین می پردازند. مهندسین لجستیک همواره به دنبال ارایه راه حل های افزایش سرعت و بهبود ارایه خدمات با حداکثر رعایت ایمنی هستند. رعایت این شاخص ها، می تواند منجر به ایجاد یک زنجیره تامین ناب شود. سیستم اجرایی کراس داک به عنوان یک انبار میانی نقش تاثیرگذاری در بهبود جریان مواد اولیه، محصولات و خدمات لجستیکی داشته است. هدف مقاله، ارایه یک مدل ریاضی با رویکرد برنامه ریزی زمان بندی اجرایی غیرقطعی (احتمالی) تریلرها با هدف نهایی کاهش زمان کل عملیات لجستیک مورد انتظار و در نتیجه کاهش هزینه های لجستیک است. مراحل اجرایی کار، از مرحله دریافت پالت از تامین کنندگان یا انبارهای سایر سایت های خوشه های لجستیک در سطح شبکه اجرایی تامین و پس از انجام فرآیندهای داخلی در قسمت داک (درب) های ورودی کراس داک، با بارگیری مجدد در داک های خروجی شروع می شوند. مدل ریاضی مورد استفاده، از نوع برنامه-ریزی عدد صحیح و الگوریتم ژنتیک است و برای تجزیه و تحلیل داده ها از نرم افزار MATLAB استفاده شده است.

    کلید واژگان: لجستیک، زنجیره تامین، کراس داک، برنامه زمان بندی، الگوریتم ژنتیک
    Javad Khamisabadi, Mohammadreza Kabaranzadeh Ghadim *, MohammadMehdi Movahedi

    Cross Dock operation an execution tactic to deliver cargoes with an aggregation-consolidation approach in such a way that the logistics system faces minimal inventory accumulation or lack of inventory execution. Accordingly in order to increase agility at the supply chain level, logistics engineers are designing and implementing cross docking at the supply chain level. Logistics executives are always striving to find solutions that improve speed and improve supply chain safety. Observing all of these indicators can provide a lean supply chain. Cross Dock as an intermediary warehouse can play an important and influential role in improving the flow of raw materials, products and logistics services. The main purpose of this paper is to present a mathematical model of a trailer scheduling approach with a stochastic planning approach to provide the optimal solution to reduce the expected total logistics operation time and thus reduce logistics costs. These start from the stage of receiving pallets (suppliers) from suppliers or warehouses of other logistics cluster sites at the supply chain level and, following internal logistics processes performed on inlet docks, by reloading in outlet docks. Dock will be completed to fulfill the orders of consumers of these consignments. The mathematical model used is integer programming and genetic algorithm and MATLAB software was used to analyze data.

    Keywords: Logistics, Supply chain, Cross Dock, Scheduling, Genetic Algorithm (GA)
  • میلاد شاهواروقی فراهانی*، امیرحسین اصفهانی، محمدرضا نژاد فلاتوری مقدم، علی رمضانی

    یکی از مهم ترین مفاهیم در هر اقتصادی استارت اپها هستند زیرا آنها ویژگی ها و شاخصه هایی مانند نوآوری، ایجاد اشتغال، افزایش بهره وری اقتصادی و... دارند که آنها را از سایر شرکتها متمایز میکنند. بنابراین، شناخت بهتر آنها و آشنایی با جریانات درآمدی و ارزش گذاری آنها حائز اهمیت است. در این مقاله، تلاش کردهایم تا نقش مهم استارت اپها در اقتصاد، ویژگی ها، اهداف اصلی و... آنان را مطالعه کنیم. هدف اصلی این مقاله، پیش بینی بازدهی استارتاپ با استفاده از روش های مبتنی بر هوش مصنوعی مانند الگوریتم ژنتیک (GA) و شبکه عصبی مصنوعی (ANN) است.  برخی شاخص های جهانی مانند شاخص S&P500، شاخص DJIA و نماگرهای اقتصادی از جمله بازده 10ساله اوراق بهادار خزانه، شاخص مجموع بازار Wilshire5000 به همراه برخی نماگرهای ویژه دیگر در استارتاپها مانند تیم، ایده، زمانبندی و... به عنوان متغیرهای ورودی مورد استفاده قرارگرفته اند. از الگوریتم ژنتیک به عنوان انتخاب ویژگی و انتخاب مهمترین متغیرها استفاده گردیده است. از شبکه عصبی مصنوعی به عنوان مدلی جهت بهینه سازی و پیشبینی بازدهی استارتاپ استفاده گردیده است. از مدل های اقتصادسنجی مانند تحلیل رگرسیون نیز استفاده کردهایم. مدلهای ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (C-VaR) را برای پورتفوی مورد نظر شامل سه استارتاپ (شرکت عام) دراپ باکس (DBX)، اسکوت 24 (G24.DE) و تی آی ای (TIE.AS) تخمین زده ایم و پورتفوی بهینه را تشکیل داده ایم. نتایج نشان میدهد که روش های مبتنی بر هوش مصنوعی در پیشبینی بازدهی استارتاپ قدرتمندتر هستند. از سویی دیگر، مدلهای VaR و C-VaR رهیافتهایی مفید در کمینه سازی ریسک و بیشینه سازی بازدهی هستند. در این مقاله دریافتیم که مدلهای مبتنی بر هوش مصنوعی دارای قدرت پیش بینی بالا و قابلیت هایی مانند افزایش سرعت محاسبات، بهبود نتایج براساس یادگیری، عدم وجود مفروضات محدودکننده، سهولت بکارگیری و... هستند. اما، مدلهای اقتصادی دارای برخی ویژگ یها و مفروضات محدودکننده مانند فرض نرمال بودن، خطی بودن، مانایی و... هستند.

    کلید واژگان: شبکه عصبی مصنوعی (ANN)، الگوریتم ژنتیک (GA)، مدلهای اقتصادسنجی، ارزشگذاری استارتاپ، ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (C-VaR)
    Milad Shahvaroughi Farahani *, Amirhossein Esfahani, Mohammadreza Nejad Falatouri Moghaddam, Ali Ramezani

    One of the main concepts in every economy are startups because they have some characteristics and qualifications such as innovation, job creation, boosting economic productivity and etc. that differentiate them from other companies. So, it is important to better identify them and make familiar with their revenue generations and valuations. In this paper, we have tried to study the main role of startups in economy, their characteristics, main goals and etc. The main goal of article is prediction of startup's return using artificial intelligence methods such as genetic algorithm (GA) and artificial neural network (ANN). There are multiple startup valuation models such as Berkus model, DCF model, venture capital method and etc. Since, there is not any information about startups such as sale, market size, profit and etc. and most of the models works with database, so, we have tried to analyze startups that are in stock markets and passed IPO stage. Some global indices such as S&P500, DJAI, and economic indicators such as 10 years Treasury yield, Wilshire 5000 Total Market Full Cap Index along with some other special indicators in startups like team, idea, timing and etc. are used as input variables. GA is used as feature selection and finding the most important variables. ANN is used as an optimization model and prediction of startup's returns. We used econometric models such as regression analysis. We have estimated Value at risk (VaR) and Conditional Value at risk (C-VAR) for considered portfolios including three startups (public company) such as Dropbox, Inc. (DBX), Scout24 SE (G24.DE) and TIE.AS and optimal portfolio formation. The results show that AI based methods are more powerful in prediction of startup's return. On the other hand, VaR and C-VaR models are very beneficial approach in minimizing risk and maximizing return. We found that artificial intelligence based models having high predictability and qualifications such as speed up calculations, improve by training, no assumption, ease of use and etc. But econometric models have some qualifications and assumptions such as normality, linearity, stationarity and etc. which are the limitation.

    Keywords: Artificial Neural Network (ANN), Genetic algorithm (GA), Econometric Models, Startup valuation, Value at Risk, Conditional Value at Risk (VaR &, C-VaR)
  • سعید ساروئی*، علی درویش صفت، منوچهر نمیرانیان

    برآورد میزان زیست توده در توده های جنگلی با روش های سنجش از دوری اهمیت بسیاری دارد. هم زمان نبودن دریافت داده های ماهواره ای و اطلاعات میدانی و کاربرد معادلات آلومتریک جهانی، برای محاسبه وزن زیست توده درختان جنگلی داخل کشور، از مهم ترین دلایل عدم قطعیت در نتایج و تحلیل های حاصل از مطالعات مشابه قبلی به شمار می روند. به حداقل رساندن این مشکلات و بررسی قابلیت و عملکرد داده ها در توسعه مدل مناسب برآورد زیست توده جنگل، در منطقه بانکول بخش کارزان شهرستان سیروان، استان ایلام، با استفاده از داده های راداری ماهواره سنتینل 1، اخذشده در تاریخ 6 تیرماه 1396، هدف این تحقیق بود. اندازه قطر میانگین تاج پوشش درختان در 53 قطعه نمونه زمینی مربعی، مربوط به فرم رویشی شاخه زاد، به ابعاد 30×30 متر که در بازه زمانی 2 تا 20 خرداد 1396، به کمک دستگاه موقعیت یاب جهانی تفاضلی و به روش تعیین موقعیت کینماتیک آنی روی زمین اجرا و برداشت شدند، وارد روند برآورد زیست توده شد. میانگین زیست توده برداشت شده میدانی 10.63 تن درهکتار بود. پس از استخراج ویژگی های راداری، آن دسته از ویژگی ها که بیشترین میزان همبستگی را با مقادیر زیست توده داشتند انتخاب و از بین آنها، با به کارگیری الگوریتم ژنتیک و با استفاده از دو مدل رگرسیون K نزدیک ترین همسایه و رگرسیون بردار پشتیبان، مناسب ترین ترکیب ویژگی ها شناسایی و سپس، مقادیر زیست توده مدل سازی شد. اعتبارسنجی مدل ها با استفاده از 26 قطعه نمونه تست، انجام گرفت. همبستگی بین ویژگی های حاصل از داده های راداری و مقادیر زیست توده نشان داد که ویژگی های VH، Mean VV، Mean VV GLCM (Correlation) و Mean VH GLCM (Dissimilarity) بیشترین حساسیت را به مقادیر زیست توده داشتند. استفاده از مدل های رگرسیون نشان داد که روش رگرسیون بردار پشتیبان، با RMSE نسبی 0.08، از روش رگرسیون K نزدیک ترین همسایه، با RMSE نسبی 0.10، دقیق تر عمل کرده است. از بین ترکیب های ویژگی مورد بررسی نیز، بهترین ترکیب در حالت استفاده از رگرسیون K نزدیک ترین همسایه، دارای RMSE به میزان تقریبی 0.99 تن درهکتار (معادل10%) و ضریب تعیین 0.23 و در حالت استفاده از رگرسیون بردار پشتیبان، دارای RMSE به میزان 0.87 تن درهکتار (معادل 8%) و ضریب تعیین 0.14 بود. مدل های نهایی حاصل از ترکیب ویژگی های بهینه استخراج شده از داده راداری در طول موج باند C و روش های رگرسیونی پارامتری و غیرپارامتری مورد بررسی در این تحقیق به تنهایی قادر به بهبود اثر اشباع شدگی در داده، برای برآورد زیست توده در جنگل های مورد مطالعه، نبودند و منجر به پیشنهاد مدل برآوردکننده ای با صحت قابل قبول نشد.

    کلید واژگان: زیست توده جنگل شاخه زاد بلوط زاگرس، داده راداری سنتینل 1، الگوریتم ژنتیک، K نزدیک ترین همسایه، رگرسیون بردار پشتیبان
    Saeed Saroei *, Ali Asghar Darvishsefat, Manochehr Namiranian

    Estimating the biomass values in forests stands through remote sensing is important. It has been reported that the major reasons of uncertainty are the lack of concurrency in satellite data and field information as well as the use of global allometric equations for estimating the weight of biomass of forest trees inside the country. Minimizing the above problems and the investigation of data performance in developing appropriate model for estimating the forest biomass in the Bankoll region of Karazan District of Sirvan County in Ilam province using Sentinel-1 satellite data in 27th of June, 2017 was the main goal of this study. Average size of the trees crown in 53 rectangular plots related to the coppice growth form with dimensions of 30×30 mwhich during 23 may 2017 to 10 June 2017 through applying DGPS by RTK method have been implemented on the ground were entered in the process of estimation the value of biomass. The average harvested field biomass was 10.63 Mg ha-1. After extraction of radar features, those features which had the greatest correlation with the values of biomass were selected using genetic algorithm by two models including K-Nearest Neighbor (K-NN) regression and Support-Vector Regression (SVR), then the most appropriate combination was identified and the biomass values were modelled. Models were validated using 26 test plots. Correlation of features obtained from radar data and the value of biomass indicated that features of VH، Mean VV، Mean VV GLCM (Correlation) and Mean VH GLCM (Dissimilarity) had the greatest sensitivity towards the value of biomass. Using regression models indicated that SVR model (Relative RMSE of 0.08) was more precise compared with K-NN regression (relative RMSE of 0.10). The best combination in the use of K-NN regression model with a relative RMSE of almost 0.99 Mg ha-1 (equal to 10%) and the coefficient of determination (R2) of 0.22 and the best combination when using SVR model was a relative RMSE of 0.87 Mg ha-1 (equal to 8%) and the R2 of 0.14. The results indicated that the final models, obtained from the optimal features extracted from radar data in the wavelength of C band and used parametric and non-parametric regressional methods in this research, were not abled to improve the saturated effect in data for estimation of biomass in the studied forests and it was not resulted in presenting an estimating model with an acceptable accuracy.

    Keywords: Forest biomass, Sentinel-1 radar data, Genetic Algorithm (GA), K-Nearest Neighbor (K-NN), Support Vector Machine (SVM)
  • محمد میرابی، محمد زارعی محمودآبادی*

    انتخاب سبد سرمایه یکی از مهمترین دغدغه های هر سرمایه دار می باشد و هدف نحوه توزیع سرمایه در بخش های مختلف به گونه ای است که بیشترین نرخ بازدهی را از دید سرمایه گذار داشته باشد. پس انداز در موسسات مالی و یا در قالب خرید اوراق قرضه و یا سرمایه گذاری در زمینه هایی همچون بازار مسکن، بازار سهام، بازار ارزهای خارجی و یا فلزات قیمتی همچون طلا و نقره از جمله انتخاب های مهم برای هر سرمایه گذار البته با درجه ریسک های متفاوت است. شرایط تصمیم سازی می تواند اطمینان کامل، ریسکی و یا عدم اطمینان کامل و تکنیک های تصمیم سازی می تواند بهینه سازی و یا ابتکاری باشد. تاکنون در طول چند دهه گذشته روش های مختلفی بسته به شرایط مسئله انتخاب سبد سرمایه ارایه شده است. در این پژوهش، یک الگوریتم فراابتکاری بر پایه الگوریتم ژنتیک و بر اساس زندگی گروهی شیرها جهت یافتن یک سبد سرمایه مناسب برای سرمایه گذار در شرایط ریسکی معرفی شده است. استفاده از تخمین های خوش بینانه، محتمل و بدبینانه راهکاری است که در شرایط ریسکی استفاده شده است. نتایج حاصل از پژوهش، موید کارآمدی روش معرفی شده در تعیین نحوه توزیع سرمایه در بخش های مختلف با معیار حداکثر بازدهی سرمایه است.

    کلید واژگان: سبد سرمایه، نظریه پورتفولیو پیشرفته (MPT)، الگوریتم ژنتیک (GA)، الگوریتم بهینه سازی شیر (LOA)، ریسک
    Mohammad Mirabi, Mohammad Zarei Mahmoudabadi *

    Portfolio selection is one of the most concerns of any investor and the goal is to distribute the capital in different assets in such a way that it has the highest rate of return with considering the minimal risk from the investor's point of view. Saving in financial institute or buying bonds and investment in housing market, stock market, foreign currency market or precious metals such as gold and silver are one of the most important choices for any investor with different degrees of risk. Decision situations can be completely certainly, risky and completely uncertainly and solving techniques can be optimization or heuristics. So far during the past decade, different methods are presented depending on the conditions of the capital portfolio selection issue. In this research, a meta-heuristic algorithm based on genetic algorithm and based on the group life of lions is introduced to find a suitable capital portfolio for the investor in risky conditions. Using optimistic, most likely and pessimistic estimates is a strategy used in risky situations. The results of the research confirmed the efficiency of the proposed algorithm in distribution of capital in different sectors with the criterion of maximum return on capital. Also, the proposed algorithm performed better than the whale optimization algorithm in optimizing the portfolio of the top 50 listed companies in terms of stock portfolio return and risk criteria and the time to reach the answer.

    Keywords: Portfolio Selection, Modern Portfolio Theory (MPT), Genetic Algorithm (GA), Lion Optimization Algorithm (LOA), Risk
  • نرجس مهماندوست، سعید جهانیان*، مجید اسماعیلیان

    این مطالعه با هدف بررسی تاثیر افزایش قیمت شناخته شده بر مدل موجودی دارای توزیع یکنواخت و نمایی برای فاصله بازپرسازی انجام شده است. این مقاله بهینه سازی تصمیمات کنترل موجودی را برای محصولات فاسد شدنی با در نظر گرفتن افزایش قیمت شناخته شده، فاصله احتمالی بازپرسازی، محدودیت ظرفیت انبار و سفارش مجدد بررسی می کند. برای به دست آوردن مقدار سفارش موجودی ، مسیله به گونه ای مدل می شود که تابع صرفه جویی در هزینه کل از تفاوت بین خط مشی سفارش بهینه برای سفارش های خاص و معمولی به دست می آید. دو وضعیت مورد بحث در این مطالعه به شرح زیر است: (1) مدل سازی مسیله بدون محدودیت. و (2) در نظر گرفتن محدودیت برای ظرفیت انبار. برخی آزمایش های محاسباتی برای بررسی تاثیر پارامترهای مختلف بر عملکرد صرفه جویی در هزینه انجام می شوند. در این مطالعه برای مسیله محدودیت، از الگوریتم ژنتیک (GA) و بهینه سازی ازدحام ذرات (PSO) استفاده شده است. عملکرد GA و PSO از نظر مقادیر صرفه جویی در هزینه و زمان محاسبه مقایسه شده است.بر اساس نتایج این مطالعه، الگوریتم GA عملکرد بهتری نسبت به PSO دارد. بر این اساس، برای یک مساله نامحدود، با استفاده از مشتق تابع سود و انجام تحلیل حساسیت، تاثیر برخی از پارامترها مانند تقاضا، قیمت فروش، هزینه نگهداری پس از افزایش قیمت، λ در توزیع نمایی، طول دوره ها در توزیع یکنواخت، نرخ فاسد شدن بر روی متغیر تصمیم، مقدار سفارش و سود به دست آمده است.

    کلید واژگان: کنترل موجودی، سفارش مجدد جزئی، فواصل احتمالی بازپرسازی، اقلام فاسد شدنی، الگوریتم ژنتیک (GA)، بهینه سازی ازدحام ذرات (PSO)
    Narges Mehmandost, Saeed Jahanyan *, Majid Esmaelian
    Purpose

    This study aims to investigate the influence of known price increases on the inventory model regarding both uniform and an exponential distribution of replenishment intervals with the partial backorder. It examines the optimization of inventory control decisions for deteriorating products considering a known price increase, probabilistic replenishment interval, warehouse capacity constraint, and partial back-ordering.

    Design/methodology/approach:

     To obtain the specific inventory order quantity, the problem has been modeled in such a way that the total cost savings function is obtained from the differences in the optimal order policy for both special and regular orders. The two situations discussed in this study are: i) unconstrained problem modeling, and ii) constrained problem. Some computational experiments have been performed to examine the effects of various parameters on cost savings performance. For the constrained problem, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) have been used and their results have been compared in terms of the cost savings values and computation time.

    Findings

    Findings indicated that for the constrained problem, GA has a better performance than PSO. Accordingly, for an unconstrained problem, by using the derivative of the profit function and performing sensitivity analysis, the influence of parameters such as demand, price, holding cost after the price increase, λ in exponential distribution, length of periods in uniform distribution, and deterioration rate on the decision variables including order quantity and the profit were.

     obtained,Practical implications:

     The model’s generated policy is more effective and profitable for retailers when demand and deterioration rate are higher and replenishment periods are decreased.

    Originality/value: 

    This study completes the previous inventory control models that were under the policy of known price increase and is closer to the real environment by utilizing deteriorating items, capacity constraints, and meta-heuristic approaches.

    Keywords: Inventory control, Partial back-ordering, probabilistic replenishment intervals, Deteriorating Items, genetic algorithm (GA), Particle Swarm Optimization (PSO)
  • آرمان ساجدی نژاد*، میثم لطفی
    در این مقاله یک مدل بهینه زمانبندی نگهداری و تعمیرات (نت) پیشگیرانه غیر ادواری برای سیستم های چند جزیی (سری - موازی) ، بر مبنای حداکثر قابلیت دسترسی اجزای سیستم (که تعیین بازه بازرسی بهینه را به همراه دارد) ارایه شده است. همچنین در این مقاله علاوه بر تامین سطح قابلیت اطمینان مورد نیاز سیستم و ارضای سایر محدودیت های سیستمی (فعالیت های نت و منابع در دسترس)، کل هزینه های (مستقیم و غیر مستقیم) مرتبط با نت کمینه شده و برخی از فعالیت های نت شامل بازرسی و سرویس ساده، تعمیرات پیشگیرانه و تعویض پیشگیرانه برای هر جزء پیشنهاد شده است. از آنجا که مدل پیشنهادی دارای ساختاری پیچیده است، لذا به منظور حل آن از الگوریتم فراابتکاری ژنتیک (G.A) استفاده و نتایج ارایه گردیده است. در پایان، کارایی و استفاده از این مدل، در قالب یک مطالعه موردی، برای یک سیستم 10 جزیی سری - موازی (نزدیک به واقعیت) نشان داده شده است.
    کلید واژگان: نت پیشگیرانه، قابلیت دسترسی، قابلیت اطمینان، هزینه، الگوریتم ژنتیک
    Arman Sajedinejad *, Meysam Lotfi
    In this paper, a non-periodic preventive maintenance scheduling optimization model for multi-component systems is provided based on the maximum availability of system components. In addition to providing the required level of system reliability and satisfy other system constraints (maintenance activities and available resources), total costs (direct and indirect) associated with minimal maintenance and, if necessary, one of the maintenance activities include in inspected and serviced simple, preventive repair and preventive replacement for each component, is proposed. Each of these activities uses various sources and regarding the position of the repairing component, effects differently on the reliability of the system. The costs considered include in direct costs (simple service, repair and replacement) as well as indirect costs (out of order and random failures). Since the proposed model has a complex structure, in order to solve the problem, the Genetic Algorithm (G.A) has been used and the results is presented. In the end, performance and use of this model, for a 10-part series - parallel is presented in the form of a case study.
    Keywords: Preventive Maintenance, Accessibility, reliability, Cost, genetic algorithm (GA)
  • علی قربانی، محمود یحیی زاده فر*، سید علی نبوی چاشمی

    اتخاد تصمیم در خصوص زمان خرید یا فروش سهام مساله ای چالش برانگیز برای سرمایه گذاران جهت افزایش سود و کاهش زیان در بازار سهام است. پیش بینی روند حرکت قیمت سهام و کشف نقاط تغییر جهت روند با استفاده از تحلیل تکنیکی، بدلیل کاهش تکرر تغییرات داده ها در کوتاه مدت، معمولا روشی است که نزد تحلیلگران نسبت به روش های پیش بینی قیمت با تکیه بر تحلیل بنیادین، ارجحیت دارد. در این مقاله یک روش ترکیبی از الگوریتم ژنتیک و شبکه های پتری رنگی برای مدلسازی شبیه سازی و پیش بینی سیگنال خرید/فروش معاملات سهام ارائه می شود. قوانین معاملات سهام با استفاده از الگوریتم ژنتیک بر اساس بیشینه کردن میزان سوددهی تعیین می شود که روی داده های 162 شرکت پذیرفته شده در بازار بورس تهران در بازه زمانی 1 فروردین 1395 تا 1 فروردین 1397 اعمال می شود. نتایج ارزیابی ها حاکی از برتری روش ترکیبی ژنتیک-شبکه پتری رنگی در تولید سیگنال درست در مقایسه با روش های شبکه های عصبی، درخت تصمیم و رگرسیون خطی است.

    کلید واژگان: پیش بینی سیگنال، معاملات سهام، الگوریتم ژنتیک، شبکه های پتری رنگی، تحلیل فنی
    Ali Ghorbani, Mahmood Yahyazadehfar*, S. Ali Nabavichashmi

    Deciding when to buy or sell stocks is a challenging problem for investors to increase incoming and decrease loss in stock market. Methods of predicting stock market in literature fall into two main categories: fundamental-analysis-based methods and technical-analysis-based methods. Predicting the trend of stock price movements and detecting changes of trend direction using technical analysis is generally preferred by analyzers in comparison with price prediction methods using fundamental analysis, due to data frequency reduction and less data variations in short-term. Most of the both methods use Artificial Intelligence (AI) techniques such as data mining and meta-heuristic approaches. AI based approaches suffer disadvantage of expert interaction necessity. In this paper a hybrid method of Genetic Algorithm (GA) and Colored Petri Nets (CPN) is proposed to model, simulate and predict buy/sell stock trading signals. CPN is a formal modeling language which supports mathematical simulation and markup language programming that reduces the necessity of human expert interaction in prediction approach. Stock trading rules are extracted from historical data of 162 companies in Tehran stock exchange weekly gathered from April 2016 till April 2018 using GA to maximize earning per share. Simulation results demonstrate that proposed method outperforms other state-of-the-art methods, in terms of classification correctness.

    Keywords: Stock trading, signal prediction, Genetic Algorithm (GA), Colored Petri Nets (CPN), technical analysis
  • محمد جواد ولدان زوج، مجتبی جنتی، سمیه یاوری، بهروز مرادی *
    استفاده از توابع کسری، در غیاب اطلاعات افمریز مدار ماهواره و هندسه داخلی سنجنده، یکی از بهترین روش ها برای زمین مرجع سازی تصاویر ماهواره ای و استخراج اطلاعات مکانی از تصاویر ماهواره ای است. تعداد زیاد ترم ها و عدم تفسیرپذیری آنها، باعث شده تا تعدد نقاط کنترل مورد نیاز و ایجاد خطای پارامتر های اضافه، به عنوان مهم ترین ضعف های توابع کسری وابسته به زمین شناخته شوند. استفاده از الگوریتم های بهینه سازی، یکی از راهکار های مناسب رفع این ضعف ها است. به همین دلیل از الگوریتم های بهینه سازی مختلف، برای کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین استفاده شده است. از آنجا که سازوکار هریک از این الگوریتم ها با یکدیگر متفاوت است، میزان کارایی و خصوصیات مختلف این الگوریتم ها در کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین متفاوت است اما تفاوت های موجود به صورت جامع، مورد مقایسه و تحلیل قرار نگرفته است. در این مقاله، به منظور بررسی کامل و جامع توانایی های سه الگوریتم بهینه سازی ژنتیک، ژنتیک بهبودیافته و ازدحام ذرات بهبودیافته در کشف ترکیب بهینه ترم های توابع کسری از دیدگاه های مختلف از جمله دقت، سرعت، تعداد نقاط کنترل مورد نیاز و قابلیت اطمینان به نتایج بدست آمده، از 4 تصویر ماهواره ای متعلق به سنجنده های GeoEye-1، IKONOS-2، SPOT-3-1ª و SPOT-3-1B استفاده شده است. اختلاف دقت کمتر از 4/0 پیکسل در نتایج هر یک از الگوریتم های بهینه سازی، 10 تا 12 برابر بودن سرعت الگوریتم ژنتیک بهبودیافته نسبت به دو الگوریتم دیگر، به ترتیب برتری 25/45 و 27 درصدی درجه آزادی الگوریتم بهینه سازی ازدحام ذرات بهبودیافته نسبت به الگوریتم ژنتیک بهبودیافته و ژنتیک و پراکندگی نسبتا یکسان نتایج هر یک از الگوریتم ها در 10 بار اجرای برنامه، حاکی از آن است که دقت هر سه الگوریتم بهینه سازی نسبتا یکسان، سرعت الگوریتم ژنتیک بهبودیافته بیشتر، تعداد نقاط کنترل مورد نیاز الگوریتم ازدحام ذرات بهبودیافته کمتر از دو الگوریتم دیگر و قابلیت اطمینان به نتایج هر یک از الگوریتم های بهینه سازی به منظور کشف ترکیب بهینه ترم های توابع کسری وابسته به زمین، یکسان است.
    کلید واژگان: توابع کسری، زمین مرجع سازی تصاویر ماهواره ای، الگوریتم ژنتیک، الگوریتم ژنتیک بهبود یافته، الگوریتم ازدحام ذرات بهبودیافته
    valadan zoej mohammad javad, jannati mojtaba, yavari somayeh, Moradi Behrooz *
    In the absence of satellite ephemeris data and inner geometry of satellite’s sensor, utilization of Rational Function Models (RFMs) is one of the best approaches to georeferencing satellite images and extracting spatial information from them. However, since RFMs have high number of coefficients, then usually high number of control points is needed for their estimation. In the other hand, RFM terms are uninterpretable and all of them causes over-parametrization error which count as the most important weakness of the terrain-dependent RFMs. Utilization of optimization algorithms is one of the best approaches to eliminate these weaknesses. Therefore, various optimization algorithms have been used to discover the optimal composition of RFM’s terms. Since the mechanism of these algorithms is different, the performance and feature characteristics of these algorithms differ in the discovery of the optimal composition train-dependent RFM’s terms. But the existing differences not comprehensively analyzed. In this paper, in order to comprehensive assessment the abilities of Genetic Optimization Algorithm (GA), Genetic modified Algorithm (GM), and a modified Particle Swarm Optimization (PSO) in terms of accuracy, quickness, number of control points required, and reliability of results, are evaluated. These methods are evaluated using for different datasets including a GeoEye-1, an IKONOS-2, a SPOT-3-1A, and a SPOT-3-1B satellite images. In terms of accuracy achieved, difference between these methods was less than 0.4 pixel. In terms of speed of evaluation of parameters, GM was 10 to 12 time more quickly in comparison with two other algorithms. In terms of control points required, degree of freedom of modified PSO was 45.25 percent and 27 percent more than GM and GA respectively, and finally in terms of reliability, the dispersion of RMSE obtained in 10 runs of three algorithms are relatively same. These results indicated that accuracy and reliability of all three methods are almost the same, speed of GM is higher and modified PSO needs less control points to optimize terrain-dependent RFM
    Keywords: Rational Function Models (RFMs)-Georeferencing of Satellite Images, Genetic Algorithm (GA), Genetic Modified Algorithm (GM)
  • سمیه رافعی، مجید اسماعیلیان، محمود بت شکن
    هدف این پژوهش، بررسی پیش بینی پذیری قیمت سرب و کارایی این بازار در سطح ضعیف و معرفی یک الگوی مناسب برای پیش بینی قیمت سرب در بازار جهانی است. به این منظور مجموعه ای از روش های خطی و غیرخطی در دو رویکرد کلی تکنیکال و بنیادین استفاده شده است. بررسی کارایی بازار سرب در سطح ضعیف نشان می دهد که این بازار در این سطح نیز کارا نیست و امکان پیش بینی قیمت وجود دارد. داده های استفاده شده در این پژوهش به صورت هفتگی جمع آوری شده و شامل بازه زمانی هفته اول 2005 الی هفته آخر 2015 است. این داده ها از سایت های مختلف، از جمله سایت LME، USGS و ILZSG جمع آوری شده است. یافته های این پژوهش نشان می دهد که در رویکرد تکنیکال، مدل شبکه عصبی مصنوعی GMDH ترکیب شده با الگوریتم ژنتیک بر اساس معیارهای میانگین درصد خطای مطلق (MAPE) و جذر میانگین مجذور خطا (RMSE) دارای عملکرد بهتری نسبت به مدل های دیگر است؛ همچنین در رویکرد بنیادین بر اساس معیارهای خطای پیش بینی، شبکه عصبی مصنوعی GMDH بهترین عملکرد را داشته است. پیش بینی پذیری تغییرات قیمت سرب در بازار با الگوهای تکنیکال، نشان دهنده کارایی بازار در سطح ضعیف است.
    کلید واژگان: کارایی بازار، روش سازمان دهی گروهی داده ها (GMDH)، شبکه عصبی پرسپترون چندلایه (MLP)، الگوریتم ژنتیک، تحلیل بنیادین، تحلیل تکنیکال
    Somayeh Rafei, Majid Esmaelian, Mahmood Botshekan
    This study examines the week-form efficiency and predictability of lead market using both technical and fundamental approaches and tries to find the best method to be used for predicting the lead price. To this end, we first test the week-form efficiency and show that the time series of prices does not follow a random walk, so we can conclude that the week form information efficiency does not hold in the lead market and the lead price is predictable. Then a range of linear and non-linear methods have been used to peredit lead price. The data for lead price and fundamental factors are weakly observations over the first week of 2005 up to the last week of 2015 and has been gathered using a variety of resources including LME, SGS, ILZSG, FRED websites. The results show that in the technical approach, the hybrid GMDH and genetic algorithm model is the best model in terms of the root mean square error (RMSE) and mean absolute percentage error (MAPE). In the fundamental approach, two stage least-square is the best model in terms of RMSE and MAPE. As the market is not efficient, the next question is if the market participant can apply investment strategies to exploit the peredictability in this market in their trades. The question may be investigated by future reaseach.
    Keywords: Week form Market Efficiency, Group Method of Data Handling (GMDH), Multi Layer Perceptron Neural Network (MLP), Genetic Algorithm (GA), Fundamental Analysis, Technical Analysis
  • شهاب الدین شمس، بهروز عطایی*
    هدف این پژوهش، شناسایی دستکاری قیمت سهام در بورس اوراق بهادار تهران می باشد که از طریق مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی (ANN-GA)[1] و مدل تابع تفکیکی درجه دوی تعدیل شده (SQDF)[2] انجام گرفته است. در این پژوهش از متغیرهای قیمت، حجم معاملات و سهام شناور آزاد برای تطبیق نتایج مدل و داده های واقعی از دستکاری قیمت استفاده شده است. در مدل ترکیبی ابتدا داده های مربوط به 316 شرکت از نخستین روز کاری سال 1389 تا آخرین روز کاری سال 1392 بصورت روزانه شامل 966 روز وارد مدل الگوریتم ژنتیک شده و در نهایت اوزان مربوط به هر متغیر از این الگوریتم منتج شد. با استفاده از این اوزان، شبکه عصبی مصنوعی پرسپترون طراحی، آموزش و اجرا شد. سپس مدل SQDF طراحی و اجرا و کارایی آن اثبات شد. سرانجام نتایج حاصل از مدل ANN-GA با نتایج مدل SQDF با استفاده از آماره های اندازه گیری خطای MAPE، RMSE و R2 مقایسه شدند. نتایج نشان داد که مدل ANN-GA در شناسایی دستکاری قیمت سهام و طبقه بندی شرکت ها به دو گروه دستکاری شده و دستکاری نشده عملکرد بسیار بهتری از مدل SQDF داشته و خطای بسیار کمتری دارد.
    کلید واژگان: قیمت سهام، دستکاری قیمت سهام، حفاظت از بازار، الگوریتم ژنتیک، شبکه عصبی مصنوعی
    Shahabodin Shams, Behrooz Ataei *
    The purpose of this research is to detect manipulation of stock prices in Tehran Stock Exchange that it has been done through Hybrid Genetic Algorithm-artificial neural network (ANN-GA) model and the Simplified Quadratic Discriminant Function (SQDF) Model. In this study, the variables of price, trading volume and free float stock to match the results of the model and the actual data of price manipulation is used. In the Hybrid Model of Genetic Algorithm-Artificial Neural Networks (ANN-GA), at first data of 316 stock companies from 2009/03/21 to 2013/03/20 on a daily basis, including 966 days were put into the GA model, then; weight of each variable were derived from GA. Next, using these weights, Perceptron neural network was designed, implemented and its efficiency was approved. Then, SQDF model was designed and implemented and its efficiency was verified. In the end, using MAPE[1], RMSE[2]and R2 error measurement, the results of ANN-GA model were compared with those of SQDF model. The results showed that Hybrid model has much better performance and fewer errors than SQDF model in the detection of stock price manipulation and classifying firms into two groups, manipulate and non-manipulate
    Keywords: Stock Price, Stock Price Manipulation, Market Surveillance, Genetic Algorithm (GA), Artificial Neural Network (ANN)
  • Mojgan Khorasani*, Abolfazl Kazemi
    This paper investigates a supplier evaluation and selection model which considers features of leagile supply chain and allocates orders to the selected suppliers. In the proposed model, potential suppliers are evaluated by applying a multi-objective model with respect to the key features of leagile supply chain, including the ability to respond to demands, reducing delay time and costs (which are the winning factors for being the winner of market in this supply chain), as well as considering the capacities and limitations of organizations and suppliers. The proposed model allows buyer to select several suppliers. in addition, the model is multi-products and multi-periods. due to long time and inefficiency of exact methods for large-sized problems, in addition to lingo software, genetic algorithm is used to achieve the optimum solution.
    Keywords: supplier selection, leagile supply chain, genetic algorithm (ga), demand allocation, taguchi method
  • زهرا امیرحسینی*، عاطفه داورپناه
    امروزه سرمایه گذاری در بازارهای طلا، بخش مهمی از اقتصاد هر کشور را تشکیل می دهد؛ به همین دلیل پیش بینی قیمت طلا برای سرمایه گذاران از اهمیت ویژه ای برخوردار شده است تا بتوانند کمترین ریسک را در سرمایه گذاری خود داشته یاشند. در سالهای گذشته، از روش های کلاسیک برای پیش بینی قیمت طلا استفاده می نمودند. درحالیکه بازار طلا یک سیستم غیر خطی است، لذا هدف پژوهش حاضر پیش بینی قیمت طلا در بازار بین المللی، با در نظر گرفتن عوامل موثر بر آن با استفاده از الگوریتم های نوین ابتکاری می باشد. در تحقیق حاضر سه سناریو مطرح شده است؛ پیش بینی قیمت طلا با استفاده از الگوریتم پرواز پرندگان، پیش بینی قیمت طلا با استفاده از الگوریتم ژنتیک و پیش بینی قیمت طلا با ترکیب الگوریتم پرواز پرندگان و ژنتیک. بدین منظور ابتدا با استفاده از الگوریتم خوشه بندی K-means اقدام به خوشه بندی داده ها به دو خوشه می کنیم. هر خوشه شامل بخشی از داده های مجموعه آموزش و مجموعه تست می باشد. در مرحله دوم با توسعه الگوریتم پرواز پرندگان (بهبود الگوریتم پرواز پرندگان با استفاده از الگوریتم ژنتیک) اقدام به توسعه یک سیستم پیش بینی برای هر خوشه می کنیم و در واقع برای هر خوشه یک سیستم پیش بینی را توسعه داده و در نهایت پیش بینی قیمت طلا را برای داده های مجموعه تست در هر خوشه و با استفاده سیستم پیش بینی توسعه شده برای آن خوشه انجام می شود. مرحله ی اول به کمک نرم افزار داده کاوی کلمنتاین به انجام رسیده است و کدهای اجرایی مرحله ی دوم الگوریتم به زبان برنامه نویسی متلب نوشته شده است. نتایج حاصل از تحقیق نشان داد که استفاده از الگوی ترکیبی پرواز پرندگان با الگویی ژنتیک؛ به علت پوشش نقاط ضعف هر یک از الگوها و استفاده از نقاط قوت آنها در مسیر پیش بینی، دقت پیش بینی بیشتری دارد.
    کلید واژگان: الگوریتم پرواز پرندگان، الگوریتم ژنتیک، الگوریتم ترکیبی پیشنهادی، پیش بینی قیمت طلا
    Zahra Amirhosseini*, Atefeh Davarpanah
    Nowadays, investing in gold markets is a major part of the economy of any country; that is why forecasting gold price is particularly important for the investors who ask for a less risk in their investments. In recent years, the classic method was used to predict the price of gold. While the gold market is a non-linear system, the aim of this study is to predict the gold price in the international market with considering influencing factors (including silver price, US dollar index, crude oil price, inflation rate, interest rate, stock index, world-wide gold production, world-wide gold price ,etc.) on it using the new innovative algorithms. In this study three scenarios proposed: gold price forecasting using birds fly algorithm, predicting the price of gold using a genetic algorithm and prediction of the gold price combining particle swarm optimisatin (PSO) and genetic algorithm (GA). To this end, first, we use K-means clustering algorithm to cluster data into two clusters. Each cluster includes part of data collection and test sets. In the second phase, we develop a forecasting system for each cluster by developing particle swarm optimisatin algorithms (particle swarm optimisatin algorithm improvement using genetic algorithm) and, thereupon, we have developed a forecasting system for every cluster and ultimately by using developed predicting system for that cluster, predicting gold prices for the test set data in each cluster will be done. The first phase of data mining is accomplished by data mining software named Clementine and the executable codes of the second stage of algorithm are written in MATLAB programming language. The results showed that using of a combined model of flying birds and genetic model due to cover the weaknesses of each pattern and using their strengths in the predicted direction will make the prediction more accurate.
    Keywords: Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Proposed Combined Algorithm, Gold Price Predicting
  • Amir Daneshvar, Mostafa Zandieh, Jamshid Nazemi
    Outranking based models as one of the most important multicriteria decision methods need the definition of large amount of preferential information called “parameters” from decision maker. Because of the multiplicity of parameters, their confusing interpretation in problem context and the imprecise nature of data, Obtaining all these parameters simultaneously specially in large scale realistic credit problems which requires real time decision making is very complex and time-consuming.
    Preference Disaggregation approach infers these parameters from the holistic judgements provided by decision maker. This approach within multicriteria decision methods is equivalent to machine learning in artificial intelligence discipline.
    Under this approach this paper proposes a new learning method in which Genetic Algorithm(GA) in an evolutionary process induces all , ELECTRE TRI model parameters from training set then at the end of this process, classification is done on testing set by inferred parameters. Experimental analysis on credit data shows high quality and competitive results compared with some standard classification methods.
    Keywords: Credit Scoring, ELECTRE TRI, Preference Disaggregation, Machine learning, Genetic Algorithm(GA)
  • هانیه آرزمجو*، حسین رحمان سرشت، وحید ناصحی فر
    برخورداری از مدلی یکپارچه برای مدیریت تغییرات می تواند پیچیدگی ذاتی تغییر را با تشخیص رابطه میان عناصر حیاتی، ساده کند. به دلیل پویایی عوامل موثر بر تغییرات سازمانی و برهم کنشی آن ها بر یکدیگر، تدوین مدلی ایستا چندان راهگشا نیست. در مطالعه پیش رو سعی شد در چهار مرحله و با ترکیب روش های کیفی (تحلیل محتوا و فن دلفی) با روش های هوش مصنوعی (الگوریتم ژنتیک و مفهوم منطق فازی)، روشی جدید برای ساخت الگوی پویا و یکپارچه تغییرات سازمانی ایجاد شود تا بتوان میزان موفقیت تغییر را تخمین زد. به علاوه با اعمال محدودیت های حاکم بر شرایط مختلف، نقشه راهی در اختیار مدیران برای هدایت تغییر قرار دهد. پس از احصاء و غربال عوامل موثر بر تغییرات با روش های کیفی، مدل اولیه به دلیل پیچیدگی و ابعاد بالای مسئله با نظریه فازی ساخته و برای دقیق تر کردن مدل از الگوریتم ژنتیک استفاده شد. برای اعمال محدودیت ها و یافتن مقدار قابل قبول متغیرها جهت موفقیت برنامه تغییر از الگوریتم ژنتیک استفاده شد.
    کلید واژگان: مدیریت تغییر، الگوی یکپارچه تغییرات سازمانی، الگوریتم ژنتیک، سیستم استنتاج فازی
    Hanieh Arazmjoo*, Hossein Rahmanseresht, Vahid Nasehifar
    Having an integrated model of change management can simplify the inherent complexity of change by recognizing the relation between critical elements. Because of dynamic nature of variables and their interaction, developing a static model is not useful. This study tries to generate a new method for constructing a dynamic organizational change model in four steps with combining qualitative methods (content analysis and Delphi technique) and artificial neural networks (Fuzzy theory and genetic algorithm). In addition, by governing restrictions of various conditions, a road map is provided for managers to leading change. After recognizing and screening variables by qualitative methods, due to the complexity and scale of the problem the initial model is built with fuzzy theory and genetic algorithms are used for more accuracy. For governing restrictions and finding acceptable amount of variables to have a successful change program, genetic algorithm is used.
    Keywords: Change Management, Integrated Organizational Change model, Genetic Algorithm (GA), Fuzzy Inference System (FIS)
  • اشکان عیوق، مصطفی زندیه، حسن فارسیجانی، بهروز دری

    بسیاری از سیستم های تولید با تغییر چیدمان و به کارگیری اصول اولیه عملیاتی به شکل سلولی تغییرآرایش می یابند و در مرحله تبدیل به سلول تولید ناب قرار می گیرند. بهبود عملکرد سلول های تازه استقراریافته به تخصیص مطلوب کارکنان به سلول و عملکرد مناسب آنان وابسته است. در این راستا، مقاله حاضر با تاکید بر اهمیت جنبه های انسانی و ضرورت گردش شغلی در سلول های تولید ناب، خستگی ناشی از تکرار وظایف درقالب سیکل های کاری متعدد را برای محیط سلول تولید ناب مفهوم سازی و مدل برنامه ریزی غیرخطی از سیستم سلول تولید ناب را طراحی کرده است. این مدل بهترین ترکیب از کارکنان معمولا تک مهارته در سیستم تولید کنونی برای تخصیص به سلول مشخص و برنامه گردش شغلی آن ها طی افق برنامه ریزی هفتگی را تعیین می کند؛ به طوری که اهداف چندگانه عملکرد ناب محقق شود. با توجه به قرار گرفتن مسئله در زمره مسائل بهینه سازی ترکیباتی و پیچیدگی الگوریتمی آن، هیچ یک از بسته های بهینه سازی معتبر در دسترس، مانند لینگو 10 و گمز، نتوانستند جواب های موجه را ارائه دهند؛ بنابراین، مدل تحقیق با توسعه الگوریتم ژنتیک تحلیل شده است.

    کلید واژگان: زمان بندی گردش شغلی، خستگی، سلول تولید ناب یوشکل، برنامه ریزی عدد صحیح غیرخطی، الگوریتم ژنتیک
    Ashkan Ayough, Mostafa Zandieh, Hassan Farsijani, Behrooz Dorri Nokarani

    Seeing that a lean cell performance is directly related to assigned operators, this article incorporates boredom in term of continually repeating working cycles as a function of the way in which operators assigned to and rotated in the cell during a specified short-term horizon and develops an integer nonlinear model to two problems, namely balancing and assignment in the case of arranging a new cell. The model is to satisfy some goals in term of lean performance measures and classic ones. None of the optimization packages is able to solve even the small size samples of the model due to formulating great number of nonlinear inequalities and non-pre-identified number of work cycles for each assigned operator per each rotation interval, as well. So, by applying the benefits of genetic algorithm the model is solved.

    Keywords: Job Rotation Scheduling, Boredom, U-Shaped Lean Cell, Integer Nonlinear Programming, Genetic Algorithm (GA)
  • سیدعبدالمجید جلایی*، امین قاسمی نژاد، محمود خراسانی
    با توجه به اهمیت فراوان درآمدهای مالیاتی در تامین منابع مالی مورد نیاز دولت ها، بررسی ظرفیت بالفعل مالیاتی همواره مورد توجه دولت مردان و سیاست گذاران بوده است. در این مقاله، تابع ظرفیت مالیاتی با دو الگوریتم ژنتیک و بهینه سازی انبوه ذرات طی دوره 1389-1361 برآورد شده است. براساس معیارهای ارزیابی عملکرد که شامل میانگین انحراف معیار، جذر میانگین انحراف معیار، میانگین درصد خطای مطلق و میانگین خطای مطلق می باشند مدل برآورد شده با الگوریتم بهینه سازی انبوه ذرات برای اندازه گیری ظرفیت مالیاتی انتخاب گردید. نتایج مدل برآوردی نشان دهنده تاثیر مثبت متغیرهای درآمد سرانه و نسبت ارزش افزوده بخش های صنعت و معدن و خدمات به تولید ناخالص داخلی بر ظرفیت مالیاتی می باشد. همچنین نسبت ارزش افزوده بخش کشاورزی به تولید ناخالص داخلی، نرخ تورم و بیکاری با ظرفیت مالیاتی رابطه غیرمستقیم دارد.
    کلید واژگان: ظرفیت مالیاتی، الگوریتم ژنتیک، الگوریتم بهینه سازی انبوه ذرات، بهینه سازی
    Abdolmajid Jalaee*, Amin Ghaseminejad, Mahmood Khorasani
    According to the great importance of the tax incomes in supplying the governments’ necessary financial resources, governments and politicians have always taken heed of considering the potential capacity of the taxes. In this paper, the tax capacity function is estimated by utilizing both the Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) Algorithm from 1361 to 1389. According to the performance evaluation criteria, the estimated model with the PSO algorithm is selected to assess the tax capacity. The results of the estimated model demonstrate the positive effects of variables of the income per capita, the value added of the industry, mine and services sections to the gross domestic product rate on the tax capacity. Besides, the value added of theagriculture section to gross domestic product rate, inflation rate and unemployment are linked to the tax capacity in a reciprocal relation.
    Keywords: Tax Capacity, Genetic Algorithm (GA), Particle Swarm Optimizationb (PSO) Algorithm, Optimization
  • هادی همتیان، میثم سررشته دار، حسن هادی پور *

    هدف این مطالعه بهینه سازی فرایند مونتاژ کاسه چرخ خودرو می باشد. با توجه به نقش حساس مجموعه اکسل بالاخص کاسه چرخ خودرو، به دلیل مرتبط بودن آن با ایمنی سرنشینان، بررسی فرایند تولید و مونتاژ و انجام آزمایش های کنترل کیفی حین این مراحل از اهمیت بسزایی برخوردار می باشد. در این مقاله با توجه به اهمیت بالای سه عامل اصلی قطر توپی قسمت کاسه نمد، قطر داخلی کاسه نمد و گشتاور مهره قفلی به عنوان متغیرهای مستقل، سعی داریم میزان گشتاور چرخشی کاسه چرخ خودرو را (تحت عنوان متغیر پاسخ اول)، به کمک مباحث مطرح در طراحی آزمایش ها و روش شناسی رویه پاسخ و لقی کاسه چرخ (تحت عنوان متغیر پاسخ دوم) به کمک روش رگرسیون فازی با کاربرد برآورد کننده های حداقل انحراف مطلق بهینه نمائیم. در نهایت جواب بهینه با استفاده از مدل برنامه ریزی غیر خطی و الگوریتم ژنتیک با کاربرد یکی از روش های موجود تابع چند هدفه (LP- متریک) بررسی شده است. مقایسه دو روش بهینه سازی نشان می دهد که الگوریتم ژنتیک عملکرد بهتری نسبت به مدل برنامه ریزی غیر خطی دارد.

    کلید واژگان: طراحی آزمایش ها، رگرسیون فازی، روش شناسی رویه پاسخ، الگوریتم ژنتیک
    Hadi Hematiyan, Meysam Sarreshtehdar, Hassan Hadipour

    The present study aims at optimizing the vehicle brake drum assembling process. Considering the crucial role of the Axle unit, especially its vehicle brake drum which is related to the safety of the passengers, the study of the producing and assembling processes and conducting the quality control experiments during these stages is of great importance. With regard to the great significance of three main factors, namely, seal-oil spindle diameter, seal-oil internal diameter, and nut lock torque as independent variables, the present research attempts to optimize the rotatory torque of the automobile brake drum getting help from the discussions in the RSM and the unsteady of the automobile brake drum getting help from fuzzy regression using least absolute deviation estimators. Finally optimal solution perused by nonlinear programming model and Genetic Algorithm using one of multi-objective existing methods (LP-metric). Comparing the two optimization methods is shown that the GA technique has better performance rather than nonlinear programming model.

    Keywords: Design of Experiment (DOE), Response Surface Methodology (RSM), Fuzzy Regression, LP-metric, Genetic Algorithm (GA)
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال