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

در نشریات گروه علوم انسانی
  • پردیس فولادی، محسن امینی خوزانی*، زهره حاجیها، شادی شاهوردیانی

    این مقاله به ارائه ی یک مدل هیبریدی جدید برای اعتبارسنجی مشتریان بانکی می پردازد که ترکیبی از الگوریتم ژنتیک، بهینه سازی بیزین  و مدل یادگیری ماشینی XGBoost است. هدف اصلی این مدل، بهبود دقت و کارایی در ارزیابی ریسک اعتباری مشتریان و کاهش هزینه های مرتبط با بروز اشتباه در پیش بینی هاست. در این تحقیق، داده های واقعی مربوط به مشتریان بانکی مورد استفاده قرار گرفته و پس از پیش پردازش داده ها شامل نرمال سازی و مدیریت داده های گم شده، از الگوریتم ژنتیک برای انتخاب ویژگی های بهینه مورد استفاده قرار گرفته است. سپس، بهینه سازی بیزین به عنوان یک ابزار پیشرفته جهت تنظیم دقیق ابرپارامترهای XGBoost به کار گرفته شده است. نتایج حاصل شده از پژوهش، بیان گر عملکرد برتر مدل پیشنهادی در مقایسه با روش های متداول اعتبارسنجی است. مدل هیبریدی پیشنهادی توانسته است با دقت 76 /82 درصد و نرخ بازشناسی مطلوب برای مشتریان معتبر و غیرمعتبر، به ویژه در طبقه بندی مشتریان با ریسک بالا، برتری خود را نشان دهد. تحلیل های آماری و مقایسه عملکرد مدل با سایر روش های موجود، تاثیر مثبت انتخاب ویژگی و تنظیم بهینه ابرپارامترها را تایید می کند. این مدل می تواند به عنوان یک ابزار عملیاتی برای بانک ها و موسسات مالی جهت کاهش ریسک اعتباری و بهبود مدیریت مشتریان مورد استفاده قرار گیرد.

    کلید واژگان: اعتبارسنجی، مدل هیبریدی، الگوریتم ژنتیک، بهینه سازی بیزین، مدل یادگیری ماشینی Xgboost
    Pardis Fooladi, Mohsen Amini Khozani *, Zohreh Hajiha, Shadi Shahverdiani

    This article presents a novel hybrid model for credit scoring of banking customers, combining Genetic Algorithm, Bayesian Optimization, and the XGBoost machine learning model. The primary goal of this model is to enhance accuracy and efficiency in credit risk assessment and reduce the costs associated with prediction errors. In this study, real-world data from banking customers were utilized, and after preprocessing, including normalization and handling of missing data, the Genetic Algorithm was employed for optimal feature selection. Subsequently, Bayesian Optimization was applied as an advanced tool to fine-tune the hyperparameters of XGBoost. The results indicate the superior performance of the proposed model compared to conventional credit rating methods. The hybrid model achieved an accuracy of 79.3% and demonstrated excellent classification performance for both creditworthy and non-creditworthy customers, particularly in high-risk categories. Statistical analyses and performance comparisons with existing methods confirm the positive impact of feature selection and optimized hyperparameter tuning. This model can serve as a practical tool for banks and financial institutions to mitigate credit risk and improve customer management.

    Keywords: Credit Scoring, Hybrid Model, Genetic Algorithm, Bayesian Optimization, Xgboost Machine Learning Model
  • Saeed Khaljastani, Habib Piri*, Reza Sotoudeh

    The aim of this study is to propose a model for predicting CEO compensation sensitivity by employing metaheuristic algorithms, including the genetic algorithm and the particle swarm optimization algorithm. The statistical population of this study consists of all companies listed on the Tehran Stock Exchange during the period from 2011 to 2021. A systematic elimination method was used for sample selection, resulting in a final sample of 110 companies. This research is classified as applied research in terms of its objective and as quasi-experimental in terms of its nature and methodology. Furthermore, it falls within the category of descriptive research of a non-experimental survey type. The required data were collected through document analysis, internet searches, and library studies. In this study, 12 influential variables on CEO compensation sensitivity were selected as input variables for the data mining model. These variables include institutional ownership, family ownership, financial statement comparability, earnings management, conditional conservatism, revenue-expense matching, market value added, corporate acquisition, debt contracts, and cost behavior with three indicators (changes in return on assets, changes in sales revenue, and changes in operating costs). Additionally, CEO compensation sensitivity was considered as the output variable of the data mining model. To analyze the data, three data mining models based on cost behavior parameters were designed, and for comparison purposes, three linear regression models were also utilized. Among the 12 examined parameters, seven variables, including institutional ownership (X1), financial statement comparability (X3), revenue-expense matching (X6), market value added (X7), changes in return on assets (X101), changes in sales revenue (X102), and changes in operating costs (X103), demonstrated a significant relationship with CEO compensation sensitivity. Accordingly, these parameters were selected as input variables for the data mining model. The analysis results indicated that the deep neural network model optimized with the particle swarm optimization algorithm recorded the lowest mean squared error (MSE) of 0.0458 and the highest coefficient of determination (0.9853), highlighting its superior performance compared to other examined methods. The deep neural network model optimized with the genetic algorithm ranked second in predictive performance. Ultimately, the findings demonstrate that the deep neural network model outperforms the linear regression model in terms of the coefficient of determination and error index (MSE).

    Keywords: CEO Compensation Sensitivity, Deep Learning, Genetic Algorithm, Particle Swarm Optimization
  • علی اصغر اسماعیل نیا گتابی*، زهرا پورخاقان شاهرضایی، مرجان دامن کشیده

    سهولت تبدیل برق به سایر انرژی ها موجب وابستگی شدید فعالیت های بشر به آن شده است. مسائل زیست محیطی، محدودیت منابع، توزیع ناعادلانه منابع و وابستگی شدید اقتصاد کشورها به انرژی موجب توجه بیشتر به بهینه سازی ترکیب منابع تولید کننده برق شده است. همچنین با توجه به اینکه در سیاست گذاری و برنامه ریزی های جامع، اهداف متعدد و متفاوتی مطرح می شود که گاها در تضاد با یکدیگر هستند؛ این موضوع که بهینه سازی ترکیب بهینه سبد تولید انرژی بر مبنای چه هدفی انجام شود، بسیار مهم است. در این پژوهش سبد تولید برق، ترکیبی از گروه انرژی های فسیلی، تجدیدپذیر و هسته ای در نظر گرفته شده است و بهینه سازی با بکارگیری روش الگوریتم ژنتیک (در 700 رشته 200 کروموزمی) با استفاده از نرم افزار متلب در دو حالت تک هدفه (GA) و چند هدفه (NSGA-II) برای ایران طی دوره 1403-1397 مورد بررسی و مقایسه قرار گرفته است. ترکیب سبدهای بهینه سازی شده با روش بهینه سازی چند هدفه، نسبت به روش های تک هدفه از توازن کمتری برخوردار است، زیرا در این روش مجموعه ای از راه حل ها معرفی می شود که هر کدام، یکی از اهداف را در سطح قابل قبولی برآورده می کنند. به عبارتی دستیابی به نقاط بهینه عمومی محتمل تر از حالت تک هدفه است؛ زیرا بهینه سازی تک هدفه معمولا نقاط بهینه محلی را معرفی می کند و موجب گمراهی و دور شدن از هدف اصلی می شود. از این رو قویا بکارگیری بهینه سازی چندهدفه جهت بهینه سازی سبد تولید برق کشور توصیه می شود.

    کلید واژگان: الگوریتم ژنتیک، بهینه سازی تک هدفه، بهینه سازی چند هدفه، سبد انرژی برق
    Aliasghar Esmaeelinia Ketabi*, Zahra Pourkhaghan Shahrezaei, Marjan Danan Keshideh

    The ease of converting electricity into other energies has caused human activities to be highly dependent on it. Environmental issues, limited resources, unfair distribution of resources and the strong dependence of countries' economies on energy have caused more attention to be paid to optimizing the mix of electricity producing resources. Also, different goals are proposed in policy-making and comprehensive planning, which are in conflict with each other; so It’s important to optimize the composition of the energy production portfolio based on what purpose. In this research, the electricity generation portfolio is a combination of fossil, renewable and nuclear energy groups, and optimization is done using the genetic algorithm method with MATLAB software in single-objective (GA) and multi-objective (NSGA-II) modes.The comparison of optimization methods showed that the share of energies for single-objective optimization based on economic index is different from modes based on environmental index and Multi-purpose optimization. Through multi-objective optimization, a set of solutions is introduced, each of which fulfills one of the objectives at an acceptable level. In other words, achieving general optimal points is more likely than single-objective mode. single-objective optimization usually introduces local optimal points and leads to misguidance and moving away from the main goal.

    Keywords: Genetic Algorithm, Single-Objective Optimization, Multi-Objective Optimization, Electric Energy Portfolio
  • Alireza Azarberahman *
    The goal of the study is to estimate an artificial neural network (ANN) model for bankruptcy prediction and optimize processes using the Particle Swarm (PSO) and Genetic (GA) algorithms. 21 variables that were related to the likelihood of bankruptcy were chosen for the study. Neural networks (NNs) choose the optimal network with the least error in training and evaluating patterns in the second phase. The neural network's weights and biases were optimized in the final stage by combining GA and PSO with the neural network. The results showed that the ability to explain the initial pattern has risen using GA and PSO. The evaluation of ANN performance demonstrates the superiority of the models over linear regression. Finally, four variables—current ratio, sales to current assets ratio, economic value added, and gross profit margin ratio—that may reliably predict bankruptcy were found using the ANNs-PSO and ANNs-GA hybrid approach. The evidence reveals the effectiveness of the metaheuristic algorithms compared to linear ones in predicting bankruptcy. This further highlights the new breed of computational tools available to techno-savvy financial analysts and investors.
    Keywords: Artificial Neural Networks, Bankruptcy, Genetic Algorithm, Particle Swarm Algorithm
  • بهنام یوسفی مهر، مهدی قطعی*، سینا مرادی، یاسمین تفکر، ساجد توکلی
    پیشینه و اهداف

    خوشه بندی یکی از روش های اساسی در داده کاوی و یادگیری ماشین است که برای تقسیم مجموعه ای از داده ها به زیرمجموعه های همگن به کار می رود. روش های مختلفی برای انجام خوشه بندی وجود دارد که هریک نقاط قوت و ضعف خاص خود را دارند. یکی از چالش های اصلی در خوشه بندی، یافتن تعداد خوشه های بهینه و تخصیص بهینه داده ها به این خوشه هاست. الگوریتم ژنتیک، به عنوان روش بهینه سازی مبتنی بر تکامل طبیعی، توانایی بالایی در حل مسائل پیچیده و جست وجوی فضای جواب های بزرگ دارد و می تواند به عنوان یک ابزار موثر در خوشه بندی به کار رود. هدف این مقاله، بررسی کارایی و دقت الگوریتم ژنتیک در کلاس بندی داده ها و مقایسه آن با روش های سنتی خوشه بندی برای کلاس بندی است. به منظور ارزیابی عملکرد این الگوریتم، چندین مجموعه داده بیمه استفاده شده و نتایج به دست آمده با معیارهای مختلفی مانند دقت تحلیل می شوند. همچنین، پارامترهای مختلف الگوریتم ژنتیک بررسی شده و تاثیر آن ها بر عملکرد نهایی الگوریتم مطالعه می شود تا بهینه ترین تنظیمات برای کلاس بندی داده ها تعیین شود.

    روش شناسی: 

    در این پژوهش، به منظور تشکیل کروموزوم ها، ابتدا تعداد خوشه ها مشخص شد. با توجه به اینکه هر مرکز خوشه به اندازه تعداد ویژگی های مجموعه داده دارای ویژگی بود، طول هر کروموزوم به صورت حاصل ضرب تعداد خوشه ها در تعداد ویژگی ها تعیین شد. برای فرایندهایCrossover ،Mutation  و Survival از روش های نوین و متنوعی بهره گرفته شد. همچنین، معیار ارزیابی مشابه الگوریتم K-means انتخاب شد تا عملکرد خوشه بندی بهینه سازی شود. این رویکرد نوآورانه به بهبود دقت و کارایی فرایند کلاس بندی منجر شد.

    یافته ها

    با اعمال روش توضیح داده شده در این مقاله برای تشخیص تقلب در 3 مجموعه داده بیمه، به نتایج جالب توجهی با 12% بهبود در F1  و 10% افزایش دقت در مجموعه داده اول، 1% بهبود F1 و دقت در مجموعه داده دوم و در نهایت نیز 1% بهبود در F1 و 2% بهبود در دقت مجموعه داده سوم نسبت به روشK-means  و سایر روش ها حاصل شده است. با توجه به 2 کلاس بودن داده ها در این مجموعه داده ها ، مسئله به ازای 2 خوشه با استفاده از الگوریتم حل شده و بهترین برچسب برای هر خوشه با توجه به برچسب های واقعی دادگان انتخاب شده و نتیجه به صورت نتایج حاصل از مسائل دسته بندی ارائه شده است، همچنین بهبود چشمگیری در معیارهایی همچون ARI و سایر معیارهای ارزیابی خوشه بندی حاصل شده و پیشرفت چشمگیری نسبت به الگوریتم ژنتیک عادی نیز حاصل شده است.

    نتیجه گیری

    الگوریتم ژنتیک قابلیت حل مسائل پیچیده و بدون راه حل قطعی را دارد و می تواند در خوشه بندی داده ها عملکرد بهتری نسبت به روش های سنتی مانندK-means  داشته باشد. این رویکرد با ترکیب احتمالات و تصادفی بودن، امکان بررسی نقاط بیشتر به عنوان مراکز خوشه و بهبود عملکرد خوشه بندی را فراهم می کند. نتایج نشان می دهد که این روش در برخی موارد بهتر از روش های معروف عمل می کند و ساختار مناسبی برای خوشه بندی داده ها ارائه می دهد.

    کلید واژگان: الگوریتم ژنتیک، بیمه خودرو، تشخیص تقلب، خوشه بندی، هوش مصنوعی
    Behnam Yousefimehr, Mehdi Ghatee *, Sina Moradi, Yasamin Tafakor, Sajed Tavakoli
    BACKGROUND AND OBJECTIVES

    Clustering is one of the basic techniques in data mining and machine learning, which is used to divide a set of data into homogeneous subsets. There are different methods for clustering, each of which has its own strengths and weaknesses. One of the main challenges in clustering is finding the optimal number of clusters and optimal allocation of data to these clusters. Genetic algorithm, as an optimization method based on natural evolution, has a high ability to solve complex problems and search for large solution spaces and can be used as an effective tool in clustering. The purpose of this article is to investigate the efficiency and accuracy of genetic algorithm in data classification and compare it with traditional clustering methods for classification. In order to evaluate the performance of this algorithm, several insurance data sets are used and the obtained results are analyzed with different criteria such as accuracy. Also, different parameters of the genetic algorithm are examined and their effects on the final performance of the algorithm are studied in order to determine the most optimal settings for data classification.

    METHODS

    In this research, to form chromosomes, at first, the number of clusters was determined. Considering that each cluster center had as many features as the number of features in the data set, the length of each chromosome was determined by multiplying the number of clusters by the number of features. New and diverse methods were used for Crossover, Mutation and Survival processes. Also, the evaluation criterion similar to the K-means algorithm was chosen to optimize the clustering performance. This innovative approach led to improving the accuracy and efficiency of the classification process.

    FINDINGS

    By applying the method described in this article to three insurance data sets for fraud detection, we have interesting results with 12% improvement in F1 and 10% increase in accuracy in the first data set, 1% improvement in F1 and 1% improvement in accuracy in the first data set. Second and finally, 1% improvement in F1 and 2% improvement in the accuracy of the third data set compared to the K-means method and other methods have been achieved. Due to the 2-mode data in this data set, the problem is solved for two clusters using the algorithm and the best label for each cluster is selected according to the real labels of the data and the result is presented as the results of classification problems. Additionally, significant improvements in metrics such as ARI and other clustering evaluation criteria have been achieved, and remarkable progress has been made compared to the standard genetic algorithm.

    CONCLUSION

    Genetic Algorithm is able to solve complex problems without definite solution and can perform better in data clustering than traditional methods such as K-means. By combining probabilities and randomness, this approach provides the possibility to examine more points as cluster centers and improve clustering performance. The results show that this method works better than the famous methods in some cases and provides a suitable structure for data clustering.

    Keywords: Artificial Intelligence, Car Insurance, Clustering, Fraud Detection, Genetic Algorithm
  • علیرضا صدیقی، مهسا قندهاری*، سید مهدی ابطحی
    هدف

    خطوط ریلی از بخش های بسیار مهم و پرهزینه هر راه آهن به حساب می آید. تخصیص بهینه و بهنگام عملیات نت، ضامن قابلیت اطمینان سیستم است و به استفاده موثر از منابع منجر می شود. در این مقاله به منظور افزایش قابلیت اطمینان خطوط راه آهن، حداقل کردن هزینه های مرتبط با تعویض و نگهداری قطعات و در عین حال، در نظر گرفتن دسترس پذیری، یک مدل ریاضی برای برنامه ریزی عملیات نت پیشگیرانه و مبتنی بر وضعیت خطوط ریلی توسعه داده شده است. هدف این مقاله، ارائه مدلی به منظور حداقل کردن کل هزینه های نگهداری و تعمیرات با در نظر گرفتن محدودیت حداقل دسترس پذیری و قابلیت اطمینان سیستم است. هزینه های درگیر عبارت اند از: هزینه اجرای عملیات تعمیراتی و نوسازی، هزینه مسدودی خط و هزینه اصلاح خرابی های تصادفی در افق برنامه ریزی. برای سادگی محاسبه هزینه ها، ضمن تقسیم شبکه ریلی به قطعاتی از خط، انحراف استاندارد پروفیل طولی، به عنوان شاخص کیفیت خطوط در نظر گرفته می شود. مدل های پیش بینی و بازیابی برای به دست آوردن تغییرات شاخص کیفیت خطوط در طول دوره برنامه ریزی توسعه داده می شود. عملیات پیشگیرانه شامل بازرسی، زیرکوبی و تعویض لایه بالاست با توجه به حد مجاز شاخص و سایر محدودیت ها، به قطعات خط اختصاص داده می شود. متوسط تعداد خرابی های تصادفی با استفاده از توزیع پواسون ناهمگن برآورد می شود و اجرای عملیات پیشگیرانه، بر تعداد خرابی های تصادفی تاثیری کاهنده خواهد داشت.

    روش

    با توجه به پیچیدگی و غیرخطی بودن مدل ریاضی، یک الگوریتم فراابتکاری مبتنی بر الگوریتم ژنتیک در نرم افزار متلب توسعه داده شده است که در آن، جواب های موجه اولیه توسط یک روش ابتکاری تولید می شود. به عنوان یک مطالعه موردی، جمع آوری پارامترهای لازم و مدل سازی، برای یک کیلومتر از راه آهن ناحیه اراک انجام شد. همچنین کارایی الگوریتم ژنتیک پیشنهادی در مقایسه با جواب های حاصل از حل دقیق مسئله بررسی شد.

    یافته ها

    مثال هایی با ابعاد گوناگون با استفاده از داده های جمع آوری شده در مطالعه موردی به کمک هر دو روش فراابتکاری و دقیق با استفاده از نرم افزار گمز حل شد. برای ابعاد کوچک تر جواب های بهینه حاصل با استفاده از نرم افزار گمز با جواب حاصل از الگوریتم ژنتیک منطبق بود. برای ابعاد بزرگ تر، به دلیل پیچیدگی مسئله، نرم افزار گمز یک جواب زیربهینه ارائه داد و جواب حاصل از الگوریتم ژنتیک بهتر بود. در نهایت، در حداکثر بعدی از مسئله که نرم افزار گمز قادر به ارائه جواب است، مقدار تابع هدف جواب حاصل از الگوریتم ژنتیک، 40 درصد بهتر به دست آمد.

    نتیجه گیری

    برنامه ریزی عملیات نت پیشگیرانه خطوط ریلی، در طول افق برنامه ریزی با استفاده از حل مدل ریاضی پیشنهادی به دست می آید. تخصیص عملیات نت، مبتنی بر وضعیت شاخص کیفیت خطوط بوده است و با لحاظ تاثیر کاهنده انجام عملیات پیشگیرانه بر متوسط تعداد خرابی های تصادفی، حفظ حداقل دسترس پذیری و قابلیت اطمینان سیستم را تضمین می کند. پویایی پارامترهای ورودی مدل برای هر قطعه، در هر زمان امکان لحاظ عوامل ناهمگون تاثیرگذار بر زوال خطوط، از قبیل عوامل مبتنی بر خط، ترافیک عبوری و شرایط محیطی و همچنین، تطبیق با شرایط مختلف یا پیاده سازی سیاست های گوناگون را می دهد. همچنین الگوریتم ژنتیک پیشنهادی قابلیت حل کارای مسئله در ابعاد زیاد را دارد.

    کلید واژگان: الگوریتم ژنتیک، برنامه ریزی، مدل‏سازی ریاضی، نت خطوط ریلی، نت پیشگیرانه
    Alireza Sedighi, Mahsa Ghandehari *, Sayyed Mahdi Abtahi
    Objective

    Railway tracks are among the most critical and costly components of any railroad. Optimal and timely maintenance allocation ensures system reliability and effective resource utilization. This article presents a mathematical model designed for condition-based preventive maintenance of railway tracks. The objective is to minimize total maintenance costs while maintaining system availability and reliability. The cost function considers maintenance and renewal expenses, track possession costs, and unplanned failure costs during the planning horizon. The network is divided into segments, with the standard deviation of the longitudinal level calculated as the track quality index. Prediction and recovery models are developed to assess variations in the track quality index over the planning period. Preventive operations, including inspections, tamping, and ballast replacement, are assigned to track segments based on the allowable index limits and other constraints. The expected number of random failures is estimated using the non-homogeneous Poisson process, and preventive operations aim to reduce the incidence of such failures.

    Methods

    Given the complexity and non-linearity of the mathematical model, a meta-heuristic method based on a genetic algorithm was developed in MATLAB software. Initial random solutions were generated using a heuristic method. As a case study, input parameters were collected and modeled for one kilometer of railway in the Arak region. The efficiency of the proposed genetic algorithm was then compared with the results obtained using GAMS software.

    Results

    For the case study, the mathematical model was solved for various problem dimensions using both methods. When GAMS software was able to achieve the optimal solution, both methods produced identical results. When GAMS could only report a feasible solution, the genetic algorithm outperformed it. For higher dimensions where GAMS provided a solution, the genetic algorithm produced results with objective function values that were 40% better.

    Conclusion

    The planning of preventive maintenance operations for railway tracks during the project period is achieved through solving the proposed mathematical model. This allocation is based on the quality index of the tracks and considers the reducing effect of preventive operations on the expected number of random failures, ensuring the required minimum availability and reliability of the system. The variability of the model's input parameters allows for consideration of influencing heterogeneous factors based on the tracks, traffic, and environment, enabling adaptation to different conditions or the implementation of various strategies. Additionally, the proposed genetic algorithm can efficiently solve different dimensions of problem instances.

    Keywords: Genetic Algorithm, Mathematical Modelling, Planning, Preventive Maintenance, Railway Track
  • Masoud Rezaei Aghmashhadi, Gholamreza Mahfoozi *, Farzad Rahimzadeh

    The present study is aimed to Rating the loans granted to the real customers of Bank Melli Iran in accordance with the credit factors of the customers using the multi-objective meta-heuristic algorithm of genetics-adaptive neuro-fuzzy network system (GENETIC-ANFIS). This research is a qualitative-quantitative design and exploratory based on purpose in terms of purpose and descriptive in terms in terms of data collection and analysis method and survey. Qualitative data was collected via the research of Rezaei et al. (2022) and the decision making team of the banking field, and quantitative data was collected through 1178 real customers of Bank Melli of Mazandaran province during the years 2012 to 2021 based on 14 types of loans. According to the rating of granted loans, the risk of each loan was measured separately for 4 personal, environmental, economic and credit factors. In Mudharabah loans, Musyarakah, debt purchase, Istisna and salaf, the economic factor showed the highest sensitivity. Also, the behavior of the research meta-heuristic model has indicated 78% reliability in the accuracy and interpretability of the model compared to genetic algorithm, neural network, fuzzy logic and neural-fuzzy network models..

    Keywords: Granting Loans, Meta-Heuristic Algorithm, Genetic Algorithm, Credit Risk
  • پیاده سازی حسابرسی عملکرد در دستگاه های هدف با استفاده از شبکه های عصبی و الگوریتم ژنتیک (بررسی موردی دیوان محاسبات)
    فریبرز عوض زاده فتح*، محدثه تندرو، ناصر اقبالی فر، زهرا سادات حسینی

    یکی از چالش های عمده حسابرسی عملکرد شناسایی عوامل موثر بر پیاده سازی صحیح و میزان و نحوه اثرگذاری این عوامل بر بهبود فرآیند عملیاتی دستگاه های اجرایی است. بر این اساس هدف تحقیق حاضر پیاده سازی حسابرسی عملکرد در دیوان محاسبات کشور است. این پژوهش در قلمرو پژوهش های کاربردی است. تحقیق حاضر دارای دو جامعه است . جامعه اول متخصصان و خبرگان (حسابرسان سازمان حسابرسی، حسابرسان دیوان محاسبات و حسابداران و مدیران مالی دیوان محاسبات) و جامعه دوم کارمندان و مدیران دیوان محاسبات کشوری در بازه زمانی تحقیق است. در جامعه اول از تکنیک گلوله برفی جهت تعیین حجم نمونه بهره گرفته شد و بر اساس اصل اشباع اطلاعاتی 14 نفر انتخاب شدند. در نمونه دوم از روش نمونه گیری در دسترس با استفاده از فرمول کوکران اقدام به تعیین حجم نمونه که 315 نفر به عنوان نمونه انتخاب شدند. بر اساس مبانی نظری 8 عامل موثر بر پیاده سازی حسابرسی عملکرد در دیوان محاسبات کشور شناسایی شدند؛ بر اساس رویکرد دلفی- فازی نوع 3 عوامل شناسایی شده مورد تایید قرار گرفتند. سپس 18 رویکرد شبکه عصبی، ژنتیک و الگوهای ابتکاری و فرابتکاری جهت بررسی نحوه اثرگذاری عوامل موثر بر پیاده سازی حسابرسی عملکرد در دیوان محاسبات کشور مورد بررسی قرار گرفت. بر اساس نتایج رویکرد گرگ خاکستری نسبت به سایر روش ها از دقت بالاتری برخوردار بود. بر اساس نتایج روش گرگ خاکستری متغیرهای زیرساخت ها (3440/0)؛ کارایی (1849/0)؛ اثربخشی (1134/0)؛ صرفه اقتصادی (2947/0)؛ فرهنگ سازی (3657/0)؛ نیروی انسانی متخصص (5984/0)؛ عملکرد سازمان (4609/0)؛ مدیریت و رهبری (6804/0) بر پیاده سازی حسابرسی عملکرد تاثیر مثبت و معنادار دارند.

    کلید واژگان: حسابرسی عملکرد، دیوان محاسبات، شبکه عصبی، الگوریتم ژنتیک، گرگ خاکستری
    Implementation of Performance audit in Target Institutions using Neural Networks and Genetic Algorithm (Case study: Audit Court)
    Fariborz Avazzadeh Fattah*, Mohadeseh Tondro, Nasser Eghbalifar, Zahra Sadat Hosseini

    One of the major challenges of the performance audit is identifying the factors affecting the correct implementation and how these factors affect the operational process improvement of executive bodies. The current research aims to implement the performance audit in the Iran Audit Court. This research is applied. The present research has two communities. The first group comprises specialists and experts (audit organization auditors, Audit Court auditors, Audit Court accountants, and financial managers). The second community consists of National Audit Court employees and managers during the research period. In the first community, the snowball technique was used to determine the sample size, and 14 people were selected based on the principle of information saturation. In the second community, the convenience sampling method was used to determine the sample size using Cochran's formula (n=315). Eight effective factors in implementing performance audit in the National Audit Court were identified based on the theoretical basis. Regarding the Delphi-phase type 3 approach, the identified factors were confirmed. Then, 18 neural network, genetics, heuristic, and meta-heuristic approaches were investigated to investigate the effect of the effective factors on the implementation of performance audits in the National Audit Court. The gray wolf approach was more accurate than other methods. According to the results of the gray wolf method, infrastructure variables (0.3440); efficiency (0.1849); effectiveness (0.1134); economic efficiency (0.2947); cultivation (0.3657); specialist human resources (0.5984); organization performance (0.4609); management and leadership (0.6804) have a positive and significant effect on the implementation of performance audit.

    Keywords: Performance Audit, Audit Court, Neural Network, Genetic Algorithm, Gray Wolf
  • سعید نگهبان*، مهری مرحمت
    سیل یکی از مخرب ترین بلایای طبیعی با پیامدهای اجتماعی، اقتصادی و زیست محیطی است که همه ساله تاثیرات بسیار مخربی بر سکونتگاه های انسانی و محیط طبیعی بر جای می گذارد، بنابراین؛ مدیریت جامع سیل برای کاهش اثرات سیل بر زندگی و معیشت انسان ضروری است. این پژوهش سعی دارد که به  بررسی کاربرد مدل حداکثر آنتروپی (Entropy Maxent) در نرم افزار R برای نقشه برداری حساسیت سیل در استان فارس (حوضه شهری جهرم) بپردازد. روش تحقیق از توع توصیفی - تحلیلی مبتنی بر روش های میدانی، آماری و مدل سازی است بدین صورت که ابتدا با استفاده از اطلاعات منابع طبیعی استان فارس و بازدیدهای میدانی نقاط سیل گیر (50 نقطه) مشخص شد در مرحله بعد متغیرهای محیطی مانند ارتفاع، شیب، فاصله از رودخانه، تراکم زهکشی، متوسط بارندگی سالانه، کاربری اراضی، نوع خاک و زمین شناسی انتخاب شد. با اجرای آزمون هم خطی چندگانه متغیر پوشش گیاهی و شاخص رطوبت توپوگرافی حذف شد. نتایج نشان داد که از بین متغیرهای محیطی انتخاب شده، سه عامل ارتفاع، فاصله از آبراهه و کاربری اراضی بیشترین تاثیر را در فرآیند مدل سازی داشته اند. پس ازآن، منحنی مشخصه عملکرد گیرنده (ROC) برای نقشه حساسیت به سیل ترسیم شد که مقدار داده های آموزشی (943/0) و داده های آزمایشی (932/0) به دست آمد. در ادامه با استفاده از الگوریتم ژنتیک مدل بهینه و ارتقا داده شد. در نتیجه این نقشه حساسیت به سیل می تواند برای محققین و برنامه ریزان در استراتژی های کاهش سیل مفید واقع شود.
    کلید واژگان: ژنتیک، جهرم، حساسیت سیل، Entropy Maxent، ROC، حوضه شهری جهرم.ایران
    Saeed Negahban *, Mehri Marhamat
    Flood is one of the most destructive natural disasters with social, economic and environmental consequences. Therefore, comprehensive flood management is necessary to reduce the effects of floods on human life and livelihood. The main goal of this study is to investigate the application of the maximum entropy model (Entropy Maxent) in R software for flood susceptibility mapping in Fars province (Jahrom urban basin). First, by using the information of natural resources of Fars province and field visits, flood-prone points (50 points) were determined. In the next step, environmental variables such as altitude, slope, and distance from the river, drainage density, average annual rainfall, land use, soil type, and geology were selected by performing the multiple collinearity test, and vegetation cover and topographic humidity index were removed. Among the selected environmental variables, the three factors of height distance from the waterway and land use have had the greatest impact in the modeling process. After that, the receiver operating characteristic curve (ROC) was drawn for the flood sensitivity map, and the value of training data (0.943) and test data (0.932) was obtained. In the following, the model was optimized and upgraded using the genetic algorithm. As a result, this flood susceptibility map can be useful for researchers and planners in flood mitigation strategies.
    Keywords: Genetic Algorithm, Flood Sensitivity, Entropy Maxent, ROC, Jahrom, Iran
  • محمد انصاری قوجقار*، پریا پورمحمد

    در این پژوهش عملکرد فرامدل هیبریدی سه گانه RBF- GA- SAARIMA برای پیش بینی فراوانی روزهای همراه با توفان گردوغبار در استان سیستان و بلوچستان در طول دوره آماری 50 ساله (2020- 1971) بررسی شد. در گام بعدی، نتایج مدل سازی با این فرامدل هیبریدی سه گانه با استفاده از شاخص های نیکویی برازش، با مدل های انفرادی SARIMA و RBF و مدل های هیبریدی دوگانه SARIMA- GA،  RBF- GA و RBF- SARIMA مقایسه شد. همه مدل های بیان شده در هر پنج ایستگاه، در ترکیب فصلی چهارم حداکثر دقت و عملکرد خود را نشان دادند. با به کارگیری یک و دو فصل قبل به جای فصول قدیمی تر، کاهش دقت و افزایش خطای نسبی در پیش بینی شاخص FDSD در استان سیستان و بلوچستان، به چشم می خورد. به عبارت دیگر، ترسیب ذرات شن و گرد وغبار از فصل های پیشین و سپس انتقال آنها با استفاده از اهرمی قدرتمند مانند باد، سبب رخداد این توفان ها در فصل های آتی می شود. از میان مدل های بررسی شده، فرامدل هیبریدی سه گانه پیشنهادی با بیشترین دقت و کارایی، بهترین روش به منظور پیش بینی شاخص فراوانی روزهای همراه با توفان گردوغبار انتخاب شد. مدل هیبریدی دوگانه RBF- SARIMA نیز با کمترین مقدار R و بیشترین RMSE، کمترین بازدهی را در پیش بینی این شاخص داشت. می توان نتیجه گرفت که تلفیق مدل های انفرادی لزوما به معنای افزایش دقت در مدل سازی متغیرهای اقلیمی نیست

    کلید واژگان: الگوریتم ژنتیک، باکس جنکینز، خودهمبسته فصلی، شبکه عصبی مصنوعی، FDSD
    Mohammad Ansari Ghojghar *, Paria Pourmohammad

    This study evaluates the performance of the tri-hybrid RBF-GA-SARIMA meta-model in forecasting the frequency of dust storm days in Sistan and Baluchestan Province over a 50-year statistical period (1971–2020). The results obtained from this model were compared, using goodness-of-fit metrics, with those from individual models (SARIMA and RBF) and dual hybrid models (SARIMA-GA, RBF-GA, and RBF-SARIMA). All models demonstrated their peak accuracy and performance across all five stations during the fourth seasonal combination. However, substituting older seasonal data with one or two preceding seasons reduced accuracy and increased relative error in forecasting the FDSD index for the province. This phenomenon is attributed to the deposition of sand and dust particles during earlier seasons, followed by their subsequent mobilization by strong winds, triggering storms in later seasons. Among the evaluated models, the proposed hybrid tri-model exhibited superior accuracy and efficiency, emerging as the most effective approach for predicting the frequency of dust storm days. In contrast, the RBF-SARIMA dual hybrid model displayed the weakest performance, characterized by the lowest R-value and highest RMSE. These findings underscore that the integration of individual models does not inherently enhance the precision of climatic variable modeling.

    Keywords: FDSD, Box-Jenkins, Seasonal Autoregressive, Genetic Algorithm, Artificial Neural Network
  • مریم دهقانی*، مرتضی عباسی
    زمینه و هدف

    هدف این پژوهش، تخصیص قطعات به تامین کنندگان و دسته بندی قطعات و سطح بندی تامین کنندگان است. نوآوری پژوهش در نظر گرفتن هم زمان دسته بندی قطعات و تخصیص به تامین کنندگان بر اساس قابلیت های عملیاتی موردنیاز قطعات و قابلیت های در اختیار تامین کنندگان و سطح بندی تامین کنندگان است.

    روش

    این پژوهش از نوع کمی - کیفی است. به علت استفاده از نظر خبرگان (یک سازمان نظامی - انتظامی) و مستندات در دسترس برای گردآوری داده ها، کیفی و به دلیل استفاده از مدل ریاضی از نوع کمی است. روش گردآوری داده ها و اطلاعات از نوع میدانی و بررسی اسناد مرتبط است. مدل به صورت یک مدل عدد صحیح مختلط غیرخطی سه هدفه شامل کمینه سازی هزینه تخصیص قطعات به تامین کنندگان، کمینه سازی هزینه تعاملات بین تامین کنندگان و کمینه سازی پیچیدگی مدیریتی است. مدل با الگوریتم ژنتیک با مرتب سازی نامغلوب و نرم افزار متلب حل شده است.

    یافته ها و نتیجه گیری

    نتایج اجرای مدل در موردمطالعه نشان داد که چهار تامین کننده به عنوان تامین کنندگان سطح اول، 13 تامین کننده به عنوان تامین کنندگان سطح دوم انتخاب شدند، پنج تامین کننده را نیز می توان حذف یا به عنوان جایگزین در نظر گرفت. نتایج مربوط به تخصیص قطعات و دسته بندی نیز چهار دسته از قطعات حاصل گردید.

    کلید واژگان: سطح بندی تامین کنندگان، دسته بندی قطعات، الگوریتم ژنتیک
    Maryam Dehghani *, Morteza Abbasi
    Aim & Background

    the purpose of this research is tiering of suppliers and grouping of parts. The innovation of this research is to simultaneously consider the grouping of parts and allocation to suppliers based on the required operational capabilities of the parts and the capabilities available to suppliers and the ranking suppliers.

    Methodology

    This research is quantitative-qualitative. Due to the use of experts' opinions and previous researches to collect data, it is qualitative and due to the use of a mathematical model, it is of a quantitative type. The method of collecting data and information is field type and checking related documents. The model is a non-linear mixed integer model with three objectives, including minimizing the cost of allocating parts to suppliers, minimizing the cost of interactions between suppliers, and minimizing management complexity. The model was evaluated with a case study in the electric motor industry and solved by the method of genetic algorithm of NSGA- II on MATLAB software; the validation of the results has also been done.

    Findings & Conclusion

    The results of the model implementation in the case study showed that four suppliers were selected as first-tier suppliers, 13 suppliers were selected as second-tier suppliers, and five suppliers could be removed or considered as substitutes. The results related to the allocation of parts and grouping also resulted in four groups of parts.

    Keywords: Supply Base Reduction, Capabilities, Part Grouping, Genetic Algorithm, Electric Motor
  • Omid Arghish*, Reza Tavakkoli Moghaddam

    This paper presents a mathematical model for cell formation, cell layout, and resources assignment problems simultaneously. This model focuses on the influence of the man-machine relationship aspect on the cellular manufacturing system (CMS) design. The main purpose of the model is to demonstrate how to design the CMS with the new aspect such that the costs associated with processing, layout, worker, and machine idle time, machine and tool are minimized. The proposed model is applied to a numerical example using Lingo software. Due to the complexity of the presented model, a genetic algorithm (GA) is employed to find satisfactory solutions. To verify the solutions, a harmony search (HS) algorithm is used. Additionally, the Taguchi method is utilized to adjust the parameters in two proposed algorithms. Finally, to validate the model, some numerical examples are presented. Results emanating from the research show that the proposed HS algorithm is a favorable method for the presented model.

    Keywords: Cell Formation, Cell Layout, Taguchi Method, Genetic Algorithm, Harmony Search
  • سعید روشندل، محمدحسین کریمی گوارشکی*، مرتضی عباسی
    هدف

    زمانی که دو یا چند سازمان همکار درصدد ارتقای سطح همکاری های خود باشند، به سمت اتحادهای راهبردی حرکت خواهند کرد. هدف اتحاد راهبردی حرکت در یک همکاری به سمت اهداف توافق شده از طریق اشتراک منابع است. این حرکت به نحوی انجام می شود که سازمان های همکار مستقل باقی می مانند. مدل های بلوغ روش های ارزشمندی برای کمک به سازمان های تولیدی برای توسعه همکاری های خود هستند؛ اما کار تجربی در زمینه توسعه مدل بلوغ اتحاد راهبردی با دستورالعمل های روشن انجام نشده است و هیچ مدلی برای سنجش بلوغ اتحاد راهبردی با ابزار ارزیابی وجود ندارد که بتواند به بی دقتی ناشی از قضاوت انسان وعدم قطعیت و ابهام ذاتی ارزیابی بپردازد. هدف این پژوهش طراحی یک روش برای سنجش سطح بلوغ اتحادهای راهبردی است تا بتوان به کمک آن، شناخت مناسبی از وضعیت فعلی همکاری بر اساس معیارهای بلوغ اتحادهای راهبردی به دست آورد.

    روش

    برای این هدف، در این پژوهش یک مدل بلوغ توسعه یافته است. این مدل برای ارزیابی وضعیت یک همکاری در یک مقطع خاص، از منطق فازی استفاده کرده است. مدل بلوغ اتحاد راهبردی مبتنی بر منطق فازی، از طریق یک رویه شفاف و دقیق ایجاد شده و روی یک رویکرد چندروشی، شامل بررسی ادبیات، مصاحبه، گروه های متمرکز و مطالعه موردی، از طراحی مدل تا ارزیابی مدل توسعه داده شده است. در این پژوهش، برای سنجش سطح بلوغ با استفاده از شاخص ها، از سیستم استنتاج فازی وزن دار شده با تکنیک تحلیل پوششی داده های فازی کمک گرفته شده است. همچنین برای دستیابی به مجموعه قواعد فازی، از الگوریتم ژنتیک استفاده شده است. مدل بلوغ در این پژوهش نیز همانند تمامی مدل های بلوغ، از دو جزء تشکیل شده است که عبارت اند از: سطوح بلوغ اتحاد راهبردی و ابعاد بلوغ اتحاد راهبردی.

    یافته ها

    در مدل این پژوهش پنج سطح بلوغ با عناوین اتحاد راهبردی موردی، مقدماتی، مدیریت شده، برنامه ریزی شده و بهینه سازی شده طراحی و تعریف شده است. همچنین یک فهرست 44 موردی از شاخص ها، برای سنجش سطح اتحاد راهبردی از مطالعه مقاله ها، مصاحبه با خبرگان و بررسی اتحادهای راهبردی موفق و ناموفق به دست آمد؛ سپس این فهرست در 17 معیار و ابعاد شش گانه دسته بندی شد. در گام بعد با استفاده از تکنیک نسبت روایی محتوا، شاخص های ضروری شناسایی شدند. پس از آن با اجرای تکنیک تحلیل پوشش داده ها، اهمیت نسبی هر یک از شاخص ها به دست آمد. برای ایجاد مجموعه های فازی مربوط به متغیرهای سیستم استنتاج فازی، از خبرگان نظرسنجی شد. همچنین با بررسی نمونه های اتحادهای راهبردی داخل و خارج از کشور، یک مجموعه قواعد فازی با نظرسنجی از خبرگان به دست آمد و توسعه یافت. مدل پیشنهادی، از طریق یک مطالعه موردی واقعی در همکاری میان یک سازمان تولیدی و شریک تجاری آن، ارزیابی و تایید شده است.

    نتیجه گیری

    نتایج پژوهش حاضر نشان می دهد که این رویکرد، یک ابزار تشخیصی قوی و کاربردی را بر اساس مجموعه ای از شاخص های بلوغ اتحاد راهبردی ارائه می کند. با به کارگیری نتایج این مدل و تجزیه وتحلیل شکاف ها، می توان یک برنامه اقدام برای افزایش سطح بلوغ اتحاد راهبردی تجویز کرد.

    کلید واژگان: اتحاد راهبردی، سیستم استنتاج فازی، مدل بلوغ، الگوریتم ژنتیک، تحلیل پوششی داده ها
    Saeed Roshandel, Mohammadhossein Karimi Govareshaki *, Morteza Abbasi
    Objective

    When two or more organizations seek to enhance their collaboration, they may opt to form strategic alliances. These alliances aim to progress cooperatively toward shared goals through resource sharing, while maintaining their independence. Maturity models are essential tools for aiding manufacturing organizations in developing their partnerships. However, there is a lack of empirical research on creating a strategic alliance maturity model with clear guidelines. Consequently, no existing model effectively measures the maturity of a strategic alliance, particularly one that can address inaccuracies due to human judgment and inherent evaluation uncertainties. This research aims to design a method to assess the maturity level of strategic alliances, providing a better understanding of the current state of cooperation based on strategic alliance maturity criteria.

    Methods

    This research developed a maturity model using fuzzy logic to evaluate the status of a collaboration at a specific point in time. The strategic alliance maturity model, based on fuzzy logic, was created through a clear and precise procedure and a multi-method approach, including literature reviews, interviews, focus groups, and case studies. A weighted fuzzy inference system combined with the fuzzy data envelopment analysis technique was employed to measure maturity levels using specific indicators. Additionally, a genetic algorithm was applied to generate a set of fuzzy rules. Like all maturity models, the one developed in this research consists of two main components: the maturity levels of the strategic alliance and its maturity dimensions.

    Results

    The research model defines five levels of maturity: ad-hoc, initial, managed, planned, and optimized strategic alliance. A 44-item list of indicators for measuring strategic alliance maturity was compiled from articles, expert interviews, and analysis of successful and unsuccessful alliances. This list was then categorized into 17 criteria across six dimensions. Essential indicators were identified using the content validity ratio technique, and their relative importance was determined through data envelopment analysis. Expert surveys were used to create fuzzy sets for the variables of the fuzzy inference system. Additionally, a set of fuzzy rules was developed by examining examples of strategic alliances both domestically and internationally, and refining them through expert surveys.

    Conclusion

    The proposed model has been evaluated and validated through a real case study involving collaboration between a manufacturing organization and its business partner. The research results demonstrate that this approach offers a robust and practical diagnostic tool based on a set of strategic alliance maturity indicators. By analyzing the gaps identified by this model, an action plan can be devised to enhance the maturity level of the strategic alliance.

    Keywords: Strategic Alliance, Fuzzy Inference System, Maturity Model, Genetic Algorithm, Data Envelopment Analysis
  • بختیار رازانی*، رویا سیفی پور، ابراهیم عباسی، بیژن باصری

    به منظور کنترل عرضه و تقاضای انرژی و برنامه ریزی صحیح در هدایت مصرف، میزان مصرف گاز ماهانه صنایع کشور با شبکه عصبی مصنوعی و الگوریتم ژنتیک در این پژوهش برای سال 1402 موردبررسی قرار گرفت. اطلاعات جمعیت کشور، شاخص بهای تولیدکننده صنعت، تولید ناخالص داخلی به قیمت ثابت 90 و مصرف گاز صنایع کشور به عنوان متغیرهای تاثیرگذار بررسی شدند. نتایج نشان داد بهترین شبکه عصبی مصنوعی ترکیب شده با الگوریتم ژنتیک، شبکه ای با نرخ جهش 5/0، نرخ تقاطع 5/0، تعداد تکرار 150 و اندازه جمعیت اولیه 150 است. ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک نشان داد که در فصل بهار در مجموع 7/2957 میلیون بشکه معادل نفت خام، در تابستان این رقم به 6/3502، در پاییز 9/4329 و در زمستان با رشد 15/8 درصدی به 4683 میلیون بشکه معادل نفت خام خواهد رسید.

    کلید واژگان: پیش بینی، مصرف گاز، شبکه عصبی مصنوعی، الگوریتم ژنتیک
    Bakhtiar Razani*, Roya Seifipour, Ebrahim Abbasi, Bijan Baseri

    In order to control the supply and demand of energy and the correct planning in directing the consumption, the monthly gas consumption of the country's industries was investigated with artificial neural network and genetic algorithm in this research for 1402. The country's population information, industrial producer price index, gross domestic product at a fixed price of 90 and gas consumption of the country's industries were investigated as influential variables. The results showed that the best artificial neural network combined with the genetic algorithm is a network with a mutation rate of 0.5, an intersection rate of 0.5, the number of repetitions of 150, and the initial population size of 150. The combination of artificial neural network and genetic algorithm showed that in the spring season there was a total of 2957.7 million barrels of crude oil equivalent, in the summer this figure increased to 3502.6, in the autumn to 4329.9 and in the winter with a growth of 8.15 percent. It will reach 4683 million barrels of crude oil equivalent

    Keywords: Prediction, Gas Consumption, Artificial Neural Network, Genetic Algorithm
  • سعید خلجستانی، حبیب پیری*، رضا ستوده
    هدف
    برای کاهش تضاد منافع بین مدیران و سهام داران، بر تسهیم منافع تمرکز می شود. پاداش به مدیران، یکی از راه های کاهش این تضاد است و به عنوان ابزاری برای هم سو کردن دیدگاه ها و عملکرد آنان در جهت افزایش ثروت سهام داران استفاده می شود. پاداش نقدی به مدیران باید بر عملکرد آنان مبتنی باشد تا هم سویی عملکرد مدیران با منافع سهام داران را تضمین کند. در طراحی بسته دستمزد مدیرعامل در شرکت ها، نقش سرمایه گذاران نهادی مطرح است. نظریه نمایندگی به مشکلاتی اشاره می کند که در زمان تفویض اداره شرکت به مدیران توسط مالکان به وجود می آید. برای کاهش تضاد نمایندگی، پاداش به مدیران با ارزش ایجاد شده برای سهام داران باید مرتبط باشد. یکی از روش های اصلی اندازه گیری عملکرد مدیر، گزارش های حسابداری است که به عنوان ابزاری برای اندازه گیری و ارزیابی عملکرد و انگیزش مدیر نقش دارد. با توجه به نکات ذکر شده، هدف این پژوهش ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات) است.
    روش
    جامعه آماری این پژوهش را کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی 1390 تا 1400 تشکیل می ‏ ‏ دهد. در این پژوهش به منظور انتخاب نمونه، از روش حذف سیستماتیک استفاده و 110 شرکت انتخاب شد. براساس دسته بندی پژوهش ها برحسب هدف، پژوهش حاضر از نوع کاربردی است. به علاوه، از نوع تحقیقات شبه تجربی است و در حوزه تحقیقات توصیفی (غیرآزمایشی پیمایشی) قرار می گیرد. روش های گردآوری داده های پژوهش مطالعه اسناد و مدارک، کاوش اینترنتی و مطالعه کتابخانه ای بسته به نیاز بوده است. در این پژوهش 12 پارامتر تاثیرگذار، بر حساسیت جبران خدمات مدیرعامل، به عنوان ورودی مدل داده کاوی انتخاب شده است که عبارت اند از: مالکیت نهادی، مالکیت خانوادگی، قابلیت مقایسه صورت های مالی، مدیریت سود، محافظه کاری شرطی، تطابق درآمد و هزینه، ارزش افزوده بازار، اکتساب شرکتی، قراردادهای بدهی و رفتار هزینه با سه نوع (تغییرات بازده دارایی، تغییرات درآمد فروش و تغییرات هزینه های عملیاتی). همچنین پارامتر حساسیت جبران خدمات مدیرعامل نیز به عنوان خروجی مدل داده کاوی انتخاب شد. بدین منظور، سه مدل داده کاوی به تفکیک پارامتر رفتار هزینه ایجاد شد. افزون بر این، به منظور مقایسه، از سه مدل رگرسیون خطی استفاده شد.
    یافته ها
    نتایج از برتری مدل شبکه عصبی عمیق، از لحاظ میزان ضریب تعیین و شاخص MSE حکایت می کند. این برتری برای هر سه مدل داده کاوی، نسبت به سه مدل رگرسیون خطی صادق است. در بین مدل های داده کاوی، مدل سوم با پارامتر رفتار هزینه: تغییرات هزینه های عملیاتی، بهترین نتایج را کسب کرده است. در سطح بعدی، مدل دوم با پارامتر رفتار هزینه: تغییرات درآمد فروش، بهترین نتایج را کسب کرده است. در نهایت مدل داده کاوی اول با پارامتر رفتار هزینه: تغییرات بازده دارایی، ضعیف ترین نتایج را کسب کرده است.
    نتیجه گیری
    استفاده از شبکه های عصبی عمیق با بهینه سازی الگوریتم های فراابتکاری، می تواند مدل های پیش بینی مبتنی بر داده های واقعی را ایجاد کند و از آن ها می توان برای تصمیم گیری های مدیریتی و بهبود فرایندهای جبران خدمات در سازمان ها استفاده کرد. این روش ها با بهره گیری از داده های موجود و الگوریتم های هوش مصنوعی، عملکرد مدیرعاملان را بهبود و کیفیت خدمات ارائه شده توسط سازمان ها را ارتقا می دهد. از طرف دیگر، این پژوهش می تواند به سرمایه گذاران و تصمیم گیران اقتصادی کمک کند تا با دقت بسیار زیاد، به تحلیل و پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده شبکه های عصبی عمیق و الگوریتم های فراابتکاری بپردازند.
    کلید واژگان: حساسیت جبران خدمات مدیرعامل، یادگیری عمیق، الگوریتم ژنتیک، بهینه سازی ازدحام ذرات
    Saeed Khaljastani, Habib Piri *, Reza Sotoudeh
    Objective
    To reduce the conflict of interests between managers and shareholders, it is crucial to focus on the sharing of benefits. Managerial remuneration is one way to address this conflict and serves as a tool to align managers' perspectives and performance with the goal of increasing shareholder wealth. Cash rewards for managers should be performance-based to ensure their alignment with shareholder interests. When designing the CEO's salary package in companies, the role of institutional investors is significant. Agency theory highlights the problems that arise when owners delegate the management of the company to managers. To mitigate agency conflicts, managerial rewards should be tied to the value created for shareholders. One of the primary methods for measuring managerial performance is through accounting reports, which act as tools for assessing and motivating managerial performance. Given these points, the aim of this research is to provide a model for predicting the sensitivity of CEO compensation using meta-heuristic algorithms, specifically genetic algorithms and particle swarm optimization.
    Methods
    The statistical population of this research comprises all companies listed on the Tehran Stock Exchange from 1390 to 1400. To select the sample, a systematic elimination method was employed, resulting in a sample of 110 companies. Based on the classification of research according to its purpose, the current study is applied in nature. Additionally, it is a quasi-experimental study within the domain of descriptive research (non-experimental survey). Data collection methods for this research include document analysis, internet research, and library study, depending on the specific requirements. In this research, 12 parameters influencing the sensitivity of CEO compensation were selected: institutional ownership, family ownership, comparability of financial statements, profit management, conditional conservatism, income and cost matching, market added value, corporate acquisition, debt contracts, and cost behavior (categorized into three types: changes in asset returns, changes in sales revenue, and changes in operating costs). These parameters were used as inputs for the data mining model. The sensitivity of CEO service compensation was chosen as the output parameter. Three data mining models were created by separating the cost behavior parameter, and for comparison, three linear regression models were also employed.
    Results
    The results demonstrate the superiority of the deep neural network model in terms of the coefficient of determination and MSE index. This superiority holds true for all three data mining models compared to the three linear regression models. Among the data mining models, the third model, which incorporates the cost behavior parameter of changes in operational costs, produced the best results. The second model, which includes the cost behavior parameter of changes in sales revenue, achieved the next best results. Finally, the first data mining model, which uses the cost behavior parameter of asset return changes, delivered the weakest results.
    Conclusion
    The application of deep neural networks, optimized by meta-heuristic algorithms, can create predictive models based on real data, which can be used for management decisions and enhancing service compensation processes in organizations. These methods offer the potential to improve CEO performance and the quality of services provided by organizations by leveraging existing data and artificial intelligence algorithms. Furthermore, this research can assist investors and economic decision-makers in more accurately analyzing and predicting the sensitivity of CEO compensation using deep neural networks and meta-heuristic algorithms.
    Keywords: CEO Compensation Sensitivity, Deep Learning, Genetic Algorithm, Particle Swarm Optimization
  • جواد کیایی، زهرا فرشادفر *

      عدم وجود قطعیت در روند حرکت بازار سهام پیش بینی آنرا به یک کار پرچالش در حوزه ی پیش بینی سری های زمانی مالی تبدیل کرده است. از سوی دیگر تحلیل داده های سری زمانی قیمت های سهام به علت غیر خطی بودن و وجود نویز زیاد آسان نیست. از اینرو هدف این پژوهش پیش بینی روند بلند مدت و کوتاه مدت بازار سرمایه است. برای دستیابی به این هدف از الگوریتم های هوش مصنوعی ذرات و ژنتیک بصورت مقایسه ای استفاده شده است. متغیر مورد مطالعه شاخص کل قیمت سهام در بورس اوراق بهادار تهران در دوره زمانی 1395 تا 1400 و بصورت ماهانه می باشد. داده ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته های حاصله بیانگر آن است که الگوریتم ژنتیک با به حداقل رساندن خطای پیش بینی یک الگوریتم مناسب برای پیش بینی روند کوتاه مدت و بلند مدت شاخص کل قیمت نسبت به الگوریتم ذرات در دوره زمانی مورد مطالعه است.

    کلید واژگان: الگوریتم ذرات، الگوریتم ژنتیک، هموار سازی داده، یادگیری ماشین، هوش مصنوعی
    Javad Kiae, Zahra Farshadfar *

     The lack of certainty in the movement of the stock market has made forecasting a challenging task in the field of financial time series forecasting. On the other hand, it is not easy to analyze the time series data of stock prices due to non-linearity and high noise. Therefore, the aim of this research is to predict the long-term and short-term trend of the capital market. To achieve this goal, artificial intelligence algorithms of particles and genetics have been used in a comparative manner. The studied variable is the total stock price index in Tehran Stock Exchange in the period of 2016 to 2021 and on a monthly basis. The data have been reviewed after collection using the smoothing method for holidays, and in order to increase the accuracy of the models, the optimal window length of each algorithm has been calculated. The findings indicate that the genetic algorithm by minimizing the prediction error is a suitable algorithm for predicting the short-term and long-term trend of the total price index compared to the particle algorithm in the studied time period.

    Keywords: Keywords, Particle Algorithm, Genetic Algorithm, Data Leveling, Machine Learning, Artificial Intelligence
  • ایمان دادفر، رویا سیفی پور*، ازاده محرابیان، نارسیس امین رشتی

    بانک ها در فرایند اعطاء تسهیلات که براساس میزان منابع تجهیز شده صورت می پذیرد با ریسک اعتباری مواجه می باشند. دراین بین مدیریت پرتفوی تسهیلات می تواند با تخصیص بهینه منابع به بخش های اقتصادی از طریق به حداقل رساندن ریسک سرمایه گذاری در سطح معینی از بازده مورد انتظار بر کاهش ریسک اعتباری تاثیرگذار باشد.دراین پژوهش پرتفوی تسهیلات بانک سینا در بخش های اقتصادی طی سال های 1386 تا 1402 با استفاده از مدل پرتفوی مدرن مارکویتز و الگوریتم های فراابتکاری ژنتیک و کرم شب تاب بهینه سازی و مرز کارا تعیین می شود. مقایسه عملکرد مدل ها حاکی از کارایی بیشتر مدل الگوریتم ژنتیک در بهینه سازی پرتفوی تسهیلات بانک می باشد و نتایج حاصل از برآورد این مدل نشان می دهد، بخش های خدمات و بازرگانی، مسکن و ساختمان بیشترین سهم را در پرتفوی بهینه تسهیلات بانک دارند و بخش های صتعت و معدن، کشاورزی و آب دارایی های ریسکی بانک سینا محسوب می شوند. طی دوره مورد بررسی، روند اعطای تسهیلات بانک سینا بهینه نبوده است و درراستای کاهش ریسک اعتباری تسهیلات آن بانک می بایست 4/52% به بخش خدمات و بازرگانی، 7/40% به بخش مسکن و ساختمان، 5/3% به بخش صنعت و معدن و 4/3% به بخش کشاورزی و آب اختصاص یابد.

    کلید واژگان: بهینه سازی، مدل پرتفوی مدرن مارکویتز، الگوریتم ژنتیک، الگوریتم کرم شب تاب
    Iman Dadfar, Roya Seyfipour *, Azadeh Mehrabian, Narciss Aminrashti

    Banks face credit risk in the process of providing facilities based on the amount of resources provided. In the meantime, facility portfolio management can be effective in reducing credit risk by optimally allocating resources to economic sectors. In this research, the portfolio of Sina Bank's facilities is determined by using the Markowitz modern portfolio model and meta-heuristic algorithms of genetics and firefly. Comparing the performance of the models indicates the greatest efficiency of the genetic algorithm model in optimizing the bank's facilities portfolio. the results of the estimation of this model show that the service & commercial, housing & construction sectors have the largest share in the optimal portfolio of the bank's facilities. Industry & mining, agriculture & water sectors are considered risky assets of Sina Bank. the process of granting facilities has not been optimal. To reduce the credit risk of that bank's facilities, 52.4% should be allocated to the service & commercial sector, 40.7% to the housing & construction sector, 3.5% to the industry & mining sector, 3.4% to be allocated to agriculture & water sector.

    Keywords: Optimization, Markowitz Modern Portfolio Model, Genetic Algorithm, Firefly Algorithm
  • حمزه بهروزی، محمدرضا زندمقدم*، سعید کامیابی

    تاب آوری را «یک فرایند توانایی، یا پیامد سازگاری موفقیت آمیز علی رغم شرایط تهدید کننده» تعریف نموده اند که نقش مهمی در مقابله با تنیدگی ها و تهدیدهای زندگی و آثار نامطلوب آن دارد .همچنین شهرهای تاب آور آسیب پذیری در برابر رویدادهای شدید را کاهش می دهند و به طور خلاقانه به تغییرهای زیست محیطی، اقتصادی و اجتماعی به منظور افزایش پایداری بلند مدت خود پاسخ می دهند. لذا هدف از این پژوهش, پیش بینی مکانی تاب آوری شهر قائمشهر در برابر مخاطرات طبیعی می باشد. روش بکار رفته در این پژوهش,بهره گیری از نرم افزارGIS به منظور تعیین نقاط دارای تاب آوری بیشتر و استفاده از روش های الگوریتم ژنتیک (GA) و هوش ازدحامی ذرات (PSO)و برنامه نویسی آنها در محیط MATLAB می باشد,تا با استفاده ازآن مهمترین مولفه های تاب آوری شهر و راهکارهای موثر در تقویت تاب آوری مشخص گردند..پژوهش حاضر طی2مرحله صورت گرفته که در مرحله اول, ابتدا با استفاده ازمدل AHP میزان تاب آوری نقاط شهری در برابر 3 مخاطره سیل ، زلزله و رانش زمین تعیین گردید و پس از آن با ترکیب همه مولفه های ذکر شده نقشه نهایی مخاطرات (میزان تاب آوری) تهیه شد. در مرحله دوم جهت تعیین مهمترین مولفه های تاب آوری شهر, این بار 32 شاخص از مولفه های تاب آوری براساس4 معیار (کالبدی -فضایی، اقتصادی، اجتماعی، نهادی) تدوین و با استفاده از روش الگوریتم ژنتیک مورد بررسی قرار گرفت که در نهایت 3 نقطه از شهر به ترتیب (استادیوم شهید وطنی،پارک تلار،پارک سراج), به عنوان مناطق دارای تاب آوری بیشتر انتخاب و اولویت بندی شدند. سپس به منظور تایید و مقایسه یافته های تحقیق توسط الگوریتم ژنتیک (GA) از روش PSO بهره گرفته شد.در نتیجه می توان چنین بیان نمود که تفاوت معنی داری از لحاظ تاب آوری در بین مناطق شهر وجود دارد که افزایش میزان تاب آوری شهر قائمشهردر مرحله اول نیازمند تقویت و اصلاح ساختارهای محیط طبیعی و سپس حفظ و نگهداشت محیط ایمن است.

    کلید واژگان: تاب آوری، الگوریتم ژنتیک، مخاطرات طبیعی، PSO، MATLAB
    Hamzeh Behrouzi, Mohamadreza Zandmoghadam *, Saeid Kamyabi

    Resilience has been defined as "a process of ability, or the result of successful adaptation despite threatening conditions", which plays an important role in dealing with the stresses and threats of life and its adverse effects. Also, resilient cities are vulnerable to events. mitigate extremes and respond creatively to environmental, economic and social changes in order to increase their long-term sustainability. Therefore, the purpose of this research is to predict the resilience of Qaemshahr city against natural hazards. The method used in this research is to use GIS software in order to determine points with more resilience and use genetic algorithm (GA) and particle swarm intelligence (PSO) methods and their programming in MATLAB environment, in order to Using it, the most important components of the city's resilience and the effective strategies to strengthen resilience will be determined. The present research was conducted in two stages, in the first stage, first, using the AHP model, the degree of resilience of urban areas against the 3 hazards of floods and earthquakes. and the landslide was determined and after that the final risk map (resilience level) was prepared by combining all the mentioned components. In the second stage, in order to determine the most important components of the city's resilience, this time 32 indicators of the resilience components were compiled based on 4 criteria (physical-spatial, economic, social, institutional) and analyzed using the genetic algorithm method. Finally, 3 points of the city (Shahid Watani Stadium, Telar Park, Siraj Park) were selected and prioritized as areas with more resilience. Then, in order to confirm and compare the research findings, the PSO method was used by the genetic algorithm (GA). As a result, it can be said that there is a significant difference in terms of resilience among the city's regions, that the increase in the resilience of Qaimshahr city The first stage requires strengthening and modifying the structures of the natural environment and then maintaining the safe environment.

    Keywords: Resilience, Genetic Algorithm, Natural Hazards, PSO, MATLAB
  • ساسان مهرانی*، اکبر رحیمی پور
    تجدید ارائه صورت های مالی، به معنی ارائه مجدد اطلاعات مالی سال گذشته به منظور اصلاح اطلاعات نادرست یا افزایش قابلیت مقایسه، یکی از پدیده های رایج در ایران است که موجب سلب اطمینان سرمایه گذاران نسبت به اعتبار و شایستگی مدیریت و کیفیت سودهای گزارش شده می شود. هدف از ارائه این پژوهش ارائه مدل توسعه ای تقلب بنیش ، در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بین سال های 1388 تا 1399 می باشد. داده های 265 شرکت با استفاده از شاخص های منتخب و نهایی مدل تقلب بنیش (1999) استخراج و جهت توسعه مدل پیش بینی نیز از الگوریتم شبکه عصبی و ژنتیک استفاده شده است.نتایج پژوهش حاکی از این است که براساس ماتریس درهم ریختگی، دقت و کارآیی مدل بهبود یافته بنیش با الگوریتم ترکیبی شبکه عصبی و ژنتیک در پیش بینی شرکت های تجدید ارائه نشده 15/78 درصد ، شرکت های تجدید ارائه شده 63/29 درصد بوده است. همچنین دقت کلی مدل ارائه شده با الگوریتم ترکیبی شبکه عصبی و ژنتیک 21/73 درصد بوده است.
    کلید واژگان: تجدید ارائه صورتهای مالی، تعدیلات سنواتی، پیش بینی، مدل بنیش، الگوریتم ژنتیک
    Sasan Mehrani *, Akbar Rahimi Poor
    Restatement of Financial Statements , which means re-presenting last year's financial information in order to correct incorrect information or increase comparability, is one of the common phenomena in Iran, which causes investors to lose confidence in the credibility and competence of management and the quality of reported profits. The purpose of this research is to present the development model of Benish fraud in companies admitted to the Tehran Stock Exchange between 2008 and 2019. The data of 265 companies were extracted using the selected and final indicators of Benish's (1999) fraud model, and neural network and genetic algorithms were also used to develop the prediction model. The results of the research indicate that based on the confusion matrix, the accuracy and efficiency of the improved Benish model with the combined algorithm of neural network and genetics in predicting unrepresented companies was 78.15%, and re-presented companies was 29.63%. . Also, the overall accuracy of the model presented with the combined algorithm of neural network and genetics was 73.21%.
    Keywords: Restatement Of Financial Statements, Annual Adjustments, Prediction, Benish Model, Genetic Algorithm
  • امیرمحمد محتشم، تقی ترابی *، رضا رادفر، محمدرضا معتدل، نازنین پیله وری

    با گذشت چهارنسل تحول نظری و تجربی شهر هوشمند، انتظار بر این بود که با اتکا بر تکنولوژی هایی نظیر اینترنت اشیا، هوش مصنوعی، رایانش ابری و نظایرآن، این نظریه راه کار مواجهه با مساله و حل پیچیدگی های برنامه ریزی تاب آوری باشد. لکن پژوهش های بی شمار اخیر، مبین خلاف آن است. ریشه مساله نه درکاربست تکنولوژی بلکه درتلفیق نظری مدیریت شهر هوشمند و تاب آوری شهری است. در این میان در حال حاضر رویکرد تا ب آوری دیدگاه جدیدی است که به جای تمرکز بر کاهش آسیب پذیری و نگاه مقابله ای به افزایش تاب آوری و انعطاف پذیری شهرها در برابر مخاطرات طبیعی و انسانی تاکید میکند. هدف از انجام این تحقیق امکان سنجی مدیریت شهری هوشمند بر ارتقا تاب آوری شهر ارومیه است. برای رسیدن به این هدف از روش تحقیق توصیفی- تحلیلی بر اساس تحلیل پرسشنامه ای که توسط 30 نفر از خبرگان و متخصصان شهری تکمیل شده بهره گرفته شد. نتایج حاصل از تجزیه و تحلیلهای آماری نشان میدهد که شهر ارومیه به لحاظ تابآوری اجتماعی و زیرساختی در حد نسبتا مطلوب قرار دارد اما از نظر تاب آوری نهادی- مدیریتی، اقتصادی و کالبدی- محیطی دارای وضعیت مطلوبی نیست. در مجموع تاب آوری کلی شهر ارومیه از نظر متخصصان پایینتر از حد مطلوب میباشد، به طوری که مقدار محاسبه شده تابآوری کلی شهر ارومیه 2.90 که کمتر از حد میانگین (3) است.

    کلید واژگان: مدیریت شهری، شهر هوشمند، تاب آوری، رکود، صنعت ساختمان
    Amirmohammad Mohtasham, Taghi Torabi *, Reza Radfar, Mohammadreza Motadel, Nazanin Pilevari

    With the passage of four generations of theoretical and experimental development of the smart city, it was expected that by relying on technologies such as the Internet of Things, artificial intelligence, cloud computing, and the like, this theory would be the way to face the problem and solve the complexities of resilience planning. But countless recent researches show the opposite. The root of the problem is not in the application of technology, but in the theoretical integration of smart city management and urban resilience. In the meantime, the resilience approach is a new point of view that instead of focusing on reducing vulnerability and looking at confrontation, it emphasizes increasing the resilience and flexibility of cities against natural and human hazards. The purpose of this research is to evaluate the feasibility of smart urban management to improve the resilience of Urmia city. To achieve this goal, a descriptive-analytical research method was used based on the analysis of a questionnaire that was completed by 30 urban experts and specialists. The results of the statistical analysis show that Urmia city is relatively favorable in terms of social and infrastructural resilience, but it does not have a favorable situation in terms of institutional-management, economic and physical-environmental resilience. In general, the overall resilience of Urmia city is lower than the optimal level according to the experts, so that the calculated value of the overall resilience of Urmia city is 2.90, which is less than the average level (3).

    Keywords: Fuzzy Synthetic Evaluation, Genetic Algorithm, Portfolio Selection
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