genetic algorithms
در نشریات گروه علوم انسانی-
This study aims to apply automatic machine-learning approaches using genetic algorithms to enhance heart disease prediction. Heart disease has remained the major cause of mortality in the world, necessitating an effective and timely diagnosis. Most current diagnostic and assessment processes are lengthy and expensive, relying heavily on clinical expert knowledge. To help address these issues, machine learning approaches, which derive their utility from examining substantial datasets for the recognition of patterns, have emerged as a potential solution, providing solutions beyond those achievable by human recognition alone. Genetic algorithms are also suited to addressing these issues as they mimic natural evolution to perfect high-caliber machine-learning models, feature selection, and parameter selection in machine-learning applications. This study examines the utilization of genetic algorithms working alongside AutoML frameworks to improve accuracy in heart disease predictions. Reducing to the best combination of attributes and the optimum parameters for each attribute is a time-consuming task, so automating this aspect of the process allows for more accurate and prompt predictions, consequently reducing the manual work. The AutoML approach followed in this research is TPOT, which uses genetic algorithms to ascertain optimally designed machine-learning pipelines. The application of AutoML, together with genetic algorithms, is the most prominent finding that yields a significant improvement in the quality of the predictions for heart disease compared to the traditional assessment approaches, with an accuracy of 93.8%. This approach will enhance diagnostic accuracy and enable early diagnosis, thereby reducing the likelihood of misdiagnoses or ineffective treatments and ultimately lowering associated costs.
Keywords: Heart Disease Prediction, Automatic Machine Learning, Genetic Algorithms, TPOT Framework -
The aim of this research was to present an optimization model for a human resource management audit based on a genetic algorithm. This study is exploratory in nature due to the presentation of the model, and because its results are utilized by users, it is also considered practical. The Non-dominated Sorting Genetic Algorithm II (NSGA-II) was employed as a meta-heuristic method to solve nine simulation problems. The results obtained from this method were then compared with those from the epsilon constraint method. The relationship between the results indicates that the NSGA-II algorithm is capable of reaching optimal solutions in a shorter time compared to the epsilon method, although it has specific limitations when applied to large-scale problems. The results of solving the proposed mathematical model were demonstrated through nine simulations using the desired algorithms, which were implemented in GAMS and MATLAB software. The model considered in this research is a bi-objective model aimed at minimizing inter-cell movements and human resource management audit actions (cell formation), while maximizing the relationships among management audit operators, taking into account network considerations and the efficiency of operators in human resource allocation. This model not only enhances the efficiency of human resource management but also offers the flexibility to adapt to various organizational challenges by providing a new and effective approach. Therefore, the application of this optimization model can significantly improve performance and efficiency in human resource management, contributing to development and progress within the organizational environment.
Keywords: Management Accounting, Genetic Algorithms, Human Resource Management Audit Knowledge, Non-Dominated Sorting Genetic Algorithms -
مدلسازی پیش بینی نرخ ارز در ایران با استفاده از شبکه عصبی مبتنی بر الگوریتم ژنتیک و الگوریتم ذرات انبوه
در سال های اخیر بکارگیری روش های هوش مصنوعی در بازارهای مالی و سرمایه گذاری به جای روش های کمی مرسوم، رو به افزایش بوده و معمولا عملکرد بهتری را نسبت به روش های کلاسیک ارائه کرده است. شبکه عصبی مصنوعی علیرغم مزایای فراوان دارای نقاط ضعف نیز می باشند. در این پژوهش به منظور غلبه بر نقاط ضعف روش شبکه عصبی با آموزش داده های شبکه عصبی از طریق الگوریتم تکاملی یعنی از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک (GA) و الگوریتم ذرات انبوه (PSO) جهت مدلسازی و پیش بینی روزانه نرخ های ارز اسمی در ایران در دوره زمانی 01/01/1392 تا 01/10/1398 استفاده شده است. این مدل های ترکیبی با روش شبکه عصبی به عنوان یکی از مدل های هوش مصنوعی با توجه به معیارهای خطای MSE، RMSE، MAE،U.Theil مقایسه می گردد. نتایج این پژوهش نشان از برتری مدل ترکیبی شبکه عصبی الگوریتم ذرات انبوه نسبت به سایر مدل های مورد بررسی تحقیق دارد
کلید واژگان: نرخ ارز، شبکه عصبی مصنوعی، الگوریتم ژنتیک، الگوریتم ذرات انبوهThe Modeling of Exchange Rate Predict in Iran by Using Neural Network Based on Genetic Algorithms and Particle Swarm AlgorithmIn recent years the use of artificial intelligence techniques in the financial and investment markets instead of customary quantitative methods has been increasing and gives better performance towards classic methods usually. Artificial Neural Network (ANN), has weaknesses points despite its enormous benefits also. In this study, in order to overcome the weaknesses of the network consists of combining artificial intelligence methods with Evolutionary algorithms, means of artificial neural network combined with genetic algorithm (GA) and Particle Swarm algorithm (PSO) to model and daily predict of nominal exchange rates or the exchange rate dollar by Rial in Iran in the period 21.03.2013 to 22.12.2019 is used. This combined model with neural networks method as one artificial intelligence model according to the criteria of MSE , RMSE, MAE, U.Theil compared. The results of this research show the superiority of synthetic neural network model -Particle Swarm algorithm compare to other models of investigation.
Keywords: Exchange Rate, artificial neural networks, genetic algorithms, Particle Swarm algorithm -
این مقاله به تحلیل جامع استفاده از الگوریتم های تکاملی در بهینه سازی سیستم های آموزشی تطبیقی می پردازد. با توجه به افزایش استفاده از محیط های یادگیری شخصی سازی شده، سیستم های آموزشی تطبیقی به عنوان ابزارهای حیاتی برای پاسخگویی به نیازهای متنوع یادگیرندگان مطرح شده اند. الگوریتم های تکاملی که با الهام از فرآیندهای تکاملی طبیعی توسعه یافته اند، راه حل های قدرتمندی برای بهینه سازی عناصر مختلف این سیستم ها از جمله شخصی سازی محتوا، مسیرهای یادگیری و تخصیص منابع ارائه می دهند. این مطالعه به بررسی مهم ترین الگوریتم های تکاملی از جمله الگوریتم ژنتیک، بهینه سازی کلونی مورچگان، و الگوریتم های بهینه سازی چندهدفه پرداخته و کارایی آن ها را در جنبه های مختلف یادگیری تطبیقی تحلیل می کند. نتایج تحلیل نشان می دهد که در حالی که این الگوریتم ها به طور قابل توجهی به بهبود کارآیی و شخصی سازی تجربیات یادگیری کمک می کنند، چالش هایی مانند مسائل همگرایی و پیچیدگی محاسباتی نیز وجود دارند. این مقاله همچنین شکاف های موجود در ادبیات پژوهشی را شناسایی کرده و پیشنهاداتی برای پژوهش های آینده ارائه می دهد، به ویژه تاکید بر نیاز به مطالعات بلندمدت و ادغام الگوریتم های تکاملی با روش های دیگر هوش مصنوعی.
کلید واژگان: الگوریتم های تکاملی، سیستم های آموزشی تطبیقی، الگوریتم های ژنتیک، بهینه سازی کلونی مورچگان، بهینه سازی آموزشیThis article presents a comprehensive analysis of the application of evolutionary algorithms in optimizing adaptive learning systems. As education systems increasingly shift towards personalized learning environments, adaptive learning systems (ALS) have emerged as crucial tools to meet the diverse needs of learners. Evolutionary algorithms, inspired by natural evolutionary processes, offer potent solutions for optimizing various elements of ALS, such as content customization, learning paths, and resource allocation. This study reviews the most prominent evolutionary algorithms, including genetic algorithms, ant colony optimization, and multi-objective optimization algorithms, analyzing their effectiveness in different aspects of adaptive learning. The analysis reveals that while these algorithms significantly enhance the efficiency and personalization of learning experiences, challenges such as convergence issues and computational complexity remain. This article also identifies gaps in the existing literature and proposes directions for future research, emphasizing the need for long-term studies and the integration of evolutionary algorithms with other artificial intelligence methods.
Keywords: Evolutionary Algorithms, Adaptive Learning Systems, Genetic Algorithms, Ant Colony Optimization, Educational Optimization -
Recent studies on financial markets have demonstrated that technical analysis can help us effectively predict the stock market index trend. Business systems are widely used for stock market analysis. This paper uses a genetic algorithm (GA) to develop a stock market trading optimization system. Our proposed system can generate a decision-making strategy for buying, holding, and selling stocks for each day and generate high returns for each stock. The system consists of two stages: removing restricted stocks and producing a stock trading strategy. Accordingly, evolutionary computation, like GA, is highly promising because of its intelligence, flexibility, and search strength (fast and efficient). The multiple-objective nature of the utilized algorithm can be regarded as the center of gravity of the research question. The proper functioning or malfunctioning of the resulting portfolio management can be employed as a benchmark for selecting or discarding the algorithm. On the other hand, the research question is focused on the application of technical analysis indicators. Therefore, both aspects of the research question, namely the multiple-objective nature of the algorithm in terms of the analysis method and technical indicators in terms of features selected for analysis, must be taken into account.Keywords: Algorithmic Trading, Genetic Algorithms, Stock Index, Technical Analysis
-
This paper presents an approach that uses both genetic algorithm (GA) and fuzzy inference system (FIS), for feature selection for descriptor in a quantitative structure activity relationships (QSAR) classification and prediction problem. Unlike the traditional techniques that employed GA, the FIS is used to evaluate an individual population in the GA process. So, the fitness function is introduced and defined by the error rate of the GA and FIS combination. The proposed approach has been implemented and tested using a data set with experimental value anti-human immunodeficiency virus (HIV) molecules. The statistical parameters q2 (leave many out) is equal 0.59 and r (coefficient of correlation) is equal 0.98. These results reveal the capacity for achieving subset of descriptors, with high predictive capacity as well as the effectiveness and robustness of the proposed approach.
Keywords: Feature Selection, Machine learning, Computational Chemistry, QSAR, Fuzzy logic, Genetic Algorithms -
به سبب تاثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدل های پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکه های عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و معادله پنمن فائو استفاده شده است. بر این اساس در مدل شبکه عصبی با اتخاذ یک و دو لایه پنهان و دو تابع فعال سازی تان سیگمویید و لوگ سیگمویید، 56 مدل شبکه عصبی تولید شد. ارزیابی و مقایسه نتایج این مدل ها براساس معیارهای چون ضریب تعیین و مجذور میانگین مربعات خطا نشان داد که دقت مدل ها بستگی به نوع تابع محرک، نوع الگوریتم آموزشی، تعداد لایه های پنهان و تعداد نرون های اتخاذ شده دارد. از سوی نتایج نشان داد که در مدل های تک لایه، دقت وزن دهی الگوریتم ژنتیک برای هر دو تابع فعال ساز بیش از الگوریتم لونبرگ مارکوئت است. از سویی در مدل های با دو لایه پنهان دقت وزن دهی الگوریتم آموزشی لونبرگ مارکوئت بیش از الگوریتم ژنتیک بوده؛ به طوری که دقیق ترین مدل شبکه با آرایش 5-7-7-1 با مجذور میانگین مربعات خطای 227/0 میلی متر بر اساس الگوریتم آموزشی لونبرگ مارکوئت و دو لایه پنهان و تابع فعال سازی تان سیگمویید تولید شده بود. همچنین مجذور میانگین مربعات خطای مدل رگرسیون خطی چند متغیره و معادله پنمن فائو به ترتیب به مقدار 79/0 و 34/1 بدست آمد. بنابراین مدل شبکه عصبی در قیاس با دو مدل مذکور دارای کارایی بهتر، ضریب دقت بیشتر و مقدار خطای کمتری جهت پیش بینی مقدار تبخیر ایستگاه تبریز است.
کلید واژگان: تبریز، قدرت تبخیر جو، شبکه عصبی مصنوعی، رگرسیون چند متغیرهEvaporation is one of the important factors in the hydrological cycle and is one of the determinants of energy equilibrium at ground level and water balance, which is required in various areas such as hydrology, hydrology, agriculture, forest management, and management of water resources (Sanei Nejad et al., 2011). In this regard, one of the basic data in designing irrigation and drainage networks is the amount of evaporation power in each region. Because the design of transmission networks, such as drainage or drainage channels, as well as other parts of water design, depends on the amount of water required by the evaporation phenomenon (Jahanbakhsh et al., 1380). In general, evaporation hydrology is generally referred to as the phenomenon of water It simply turns steam into a physical process.
Keywords: Evaporation potential, Levenberg-Marquardt, genetic algorithms, Neural Networks -
هدف پژوهش حاضر مقایسه پیش بینی شاخص سهام با استفاده از مدل های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش بینی ارزیابی شده است. نتایج نشان می دهد دقت پیش بینی مدل های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.کلید واژگان: الگوریتم ژنتیک، جستجوی هارمونی، شبکه عصبی مصنوعیThis paper is aimed to compare stock index forecasting using hybrid models based on Genetic Algorithm (GA) and Harmonic Search (HS) with Artificial Neural Network (ANN). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network designated by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in the test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate.Keywords: Genetic Algorithms, Harmony Search, Artificial Neural Networks
-
امروزه مسیریابی وسایل نقلیه یکی از مسائل پرکاربردترین موضوعات و مدل ها در لجستیک و مدیریت زنجیره تامین و به تبع آن در برنامه ریزی حمل و نقل می باشد که تا کنون مقالات و پژوهش های کاربردی و آکادمیک بسیار زیادی در این زمینه انجام شده و به چاپ رسیده است در این مقاله ما به ارائه یک الگوریتم ابتکاری جدید برای حل مساله ی مسیر یابی وسایل نقلیه با ظرفیت های متفاوتی از وسایل نقلیه پرداخته شده است که هدف اساسی این مقاله تخصیص نقاط تقاضا به هر مرکز و تعیین بهترین مسیر بین نقاط تخصیص یافته به هر مرکز و همچنین تعیین بهترین وسیله حمل و نقل برای هر مرکز است و در یک مطالعه موردی این مدل مورد تحلیل و بررسی قرار گرفته است و در ادامه نتایج بدست آمده که توسط الگوریتم جدید استخراج شده است را با الگوریتم های ابتکاری مقایسه گردیده و نتایج بدست آمده نشان می دهد که این الگوریتم توانایی رقابت با الگوریتم های ابتکاری و فراابتکاری های دیگر را نیز خواهد داشت.کلید واژگان: الگوریتم های ژنتیک، الگوریتم حریصانه مسیریابی، وسایل نقلیه چند ظرفیتی، چند انبارهVehicle routing issues are one of the most common issues in supply chain management and in transport planning. So far, there have been many published academic articles and applied research papers referred in this study. A new innovative algorithm is proposed in this investigation in order to solve the problem of routing different vehicles with different capacities. The main purpose of this paper is to allocate demand points to each center and determine the best route between the points assigned to each center, as well as determine the best means of transport. The quotes are for each center and the results obtained by the new algorithm are extracted C has been compared with the original algorithms and the results show that this algorithm will be able to compete with innovative algorithms and other interoperability.Keywords: Genetic algorithms, Greedy algorithm, Multi, capacity vehicle routing, Multi, storage
-
بورس مکانیزمی را فراهم می کند تا از طریق آن پس اندازهای اندک جامعه به سرمایه گذاری های کلان اقتصادی تبدیل شود ، توسعه متناسب دو بخش اصلی اقتصادیعنی بخش مالی و واقعی از اهمیت ویژه ای برخوردار می باشد. کشورهای توسعه یافته همواره بازار پول و سرمایه قدرتمندی داشته و دارند. عدم توسعه مناسب بازار سرمایه به عنوان زیر مجموعه مهمی از بخش مالی علاوه بر ایجاد فشار مضاعف بر سیستم پولی کشور، باعث شده که واحدهای تولیدی و خدماتی از مزایای یک بازار سرمایه فعال و پویا محروم گردند. در پژوهش حاضر، انتخاب و بهینه سازی سبد سهام با استفاده از سه الگوریتم، شامل الگوریتم ژنتیک، فرهنگی و ازدحام ذرات و اطلاعات 106 شرکت پذیرفته شده بورس اوراق بهادار تهران، در طی دوره زمانی 1386 الی 1393، صورت گرفته است. در این پژوهش برای رسم مرز کارا و تشکیل پرتفوی بهینه، از واریانس به عنوان عامل اصلی خطر پذیری استفاده شده است.
نتایج مطالعه از بررسی تفاوت بین میانگین بازده سرمایه گذاری در سبدهای منتخب براساس سه روش نشان از عدم وجود اختلاف معنادار بین سه الگوریتم دارد. از طرفی به منظور مقایسه الگوریتم ها و بررسی برتری الگوریتم ها، دو روش بهینه سازی از دو بعد تابع هدف و نسبت بازده و ریسک مورد مقایسه قرار گرفت.از آنجایی که الگوریتم ازدحام ذرات مقدار تابع هدف کمتری داشته یا به عبارتی با کمترین خطا به بهترین نتیجه رسیده است، نسبت به الگوریتم های دیگر بهتر عمل کرده است و نشان دهنده برتری نسبی این الگوریتم در انتخاب سبد سهام بهینه است.کلید واژگان: الگوریتم ژنتیک، الگوریتم ازدحام ذرات، الگوریتم فرهنگی، بهینه سازی سبد سهامOne of the important features of industrialized and developing countries is the presence of money, dynamic market and capital. In other words, if the saving of individuals will be directed by appropriate mechanism to the manufacturing sector it brings efficiency not only to the owners of capital but also it can be considered as the most important funding for launching economic projects of society.
In present study, three stock selection and optimization algorithms including genetic algorithm, particle swarm algorithm, and cultural algorithm has been studied. So, 106 listed companies in Tehran Stock Exchange, since 2007 to 2014 were tested in order to investigate this.
In this study, for plotting the efficient frontier and comprising of the optimal portfolio half of the variance is considered as the main factor of risk. This research investigates the significant difference between the averages of investment output in selected baskets based on three methods. The statistical analysis of the results shows that there is no difference between the three algorithms. However, in order to compare the two algorithms and analysis of superiority of algorithms, these two methods of optimization have been compared from two aspects of objective function, output ratio and risk.
Since the objective function of particle swarm algorithms was less, in other word, it has the least error and gain the best result so in comparing to other algorithms it has been performed better which shows the relative superiority of this algorithms in the selection of the optimal portfolio.Keywords: genetic algorithms, particle swarm algorithms, cultural algorithms -
تعیین زمان بهینه و قیمت مناسب خرید و فروش سهام نقش بسزایی در تصمیمات سرمایه گذاری در بازار سرمایه و سود و زیان سرمایه گذار دارند. می توان از سیستم های هوشمند غیرخطی همچون شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک برای پیش بینی تغییرات قیمت سهام استفاده نمود. در این مقاله به طراحی و ارائه یک مدل پیش بینی قیمت سهام با استفاده از سیستم استنتاج عصبی فازی انطباقی و ترکیب آن با الگوریتم ژنتیک پرداخته شده است که در آن از دو دسته مختلف متغیرهای فنی و بنیادی به عنوان ورودی های مدل استفاده می شود. خروجی های حاصل از شبکه نشان می دهد میزان خطای پیش بینی هر دو دسته از ورودی های بنیادی و فنی تا حد قابل قبولی پایین است و این سیستم ها از توانایی لازم برای پیش بینی قیمت روزانه سهام برخوردار می باشند. برای ارزیابی دقت مدل، آزمون من ویتنی انجام گردید که با توجه به ورودی های مشخص شده برای دو حالت بنیادی و فنی، مشاهده گردید که تقریبا تفاوت معناداری بین نتایج پیش بینی قیمت در این دو روش وجود ندارد. هر دو روش بنیادی و فنی به شرط آنکه حداقل یکی از ورودی های آنها وابستگی خطی با قیمت داشته باشد، قادر به پیش بینی قیمت روز آتی با ضریب خطای نسبتا قابل قبولی خواهند بود. همچنین در خصوص سهامی که میزان نوسانات قیمتی آن زیاد است، استفاده از رویکرد شبکه عصبی منجر به افزایش سطح خطای پیش بینی خواهد گردید و توصیه می شود از این روش برای پیش بینی قیمت سهام پرنوسان استفاده نشود.کلید واژگان: شبکه های عصبی مصنوعی، منطق فازی، الگوریتم های ژنتیکی، شاخص های فنی و بنیادیSelection of appropriate time and price in trading stocks has an important role in investment decisions on profit and loss of investors in capital markets. Nonlinear intelligent systems, such as artificial neural networks, fuzzy- neural networks and genetic algorithms, would be used to forecast stock prices motions. In this article,a model of stock prices motions has been designed using Adaptive Neuro- Fuzzy Inference System (ANFIS)integrated with genetic algorithm, in which two different groups of fundamental and technical variables have been employed as model inputs. According to Model outputs,the rate of forecasting errors in both groups of inputs is not significant and these systems are able to forecast daily stock prices. The Mann-Whitney test has been used to measure the accuracy of models and it was found that there is no significant difference between results of prices forecasted in both methods. Both methods are able to forecast next day price with an insignificant error provided that at least one of the inputs in both methods has a linear dependence with price, . Also, results show that these systems do not work properly to forecast prices of high volatility stocks.Keywords: artificial neural networks, Fuzzy Logic, Genetic algorithms, technical, fundamental indicators
-
نگاه به تاریخچه بازار بورس حکایت از این نکته دارد که نگرانی عمده شرکت های بورسی در گام نخست برای ورود به بازار سرمایه این است که چه قیمتی برای عرضه عمومی اولیه مناسب بوده و آیا می توانند سرمایه گذاران را برای خرید سهام خود مجاب کنند.در کنار این موضوع ، از نگرانی سرمایه گذاران نیز که قیمت سهام عرضه شده را واقعی یا کاذب تصور کنند، نمی توان گذشت.این پژوهش سعی براین دارد که باا استفاده از روش غیر خطی این معضل را بر طرف نماید.
پژوهش حاضر به ارایه مدل قیمت گذاری عرضه عمومی اولیه سهام در بورس اوراق بهادار تهران می پردازد. دوره تحقیق مورد مطالعه از سال 1382 تا 1393 می باشد.جامعه آماری تحقیق 145 شرکت ورودی به بورس اوراق بهادار تهران در این بازه زمانی و نمونه آماری با توجه به شرط عدم سرمایه گذاری بودن شرکت ها و مدون بودن بودجه و دسترسی به اطلاعات شرکت، به 103 شرکت تقلیل پیدا کرد.
شبکه پیشنهادی یک شبکه چند لایه رو به جلو با بهینه سازی الگوریتم ژنتیک برای متغیر های مورد استفاده در تعیین قیمت سهام شرکت های جدید الورود به بورس می باشد .دوره 12 سااله با انتخاب 12 متغیر تاثیر گذار بر قیمت عرضه عمومی اولیه و 1 متغیر وابسته )قیمت عرضه اولیه(شبکه مناسبی را در قیمت گذاری صحیح نسبت به سایر مدل های خطی بیان شده در این پژوهش ارایه داده است. نتایج حاصل از مدل با استفاده از 4 معیار ارزیابی RMSE،MAE،R-SQUARE،U-THEIL بیانگر قیمت گذاری صحیح مدل پیشنهادی در اکثر موارد می باشد.کلید واژگان: عرضه عمومی اولیه، (Ipos) الگوریتم ژنتیک، شبکه عصبی، رگرسیونConsidering stock market history, major concerns in the first phase to enter the capital market is that what the right price for the initial public offering and could they convince investors to buy shares. Besides that, there are also investors concerns about the accuracy of the pricing stocks.
This study uses nonlinear method has resolved this issue.
Study provides a model pricing initial public offering of shares on the Tehran Stock Exchange. The research period between 1382 to 1393.
Research population 145 enterprises entering the Tehran Stock Exchange in this period of time and the sample of study is according to the condition of the Company and continuous investment of funds and access to company data, were reduced to 103 companies. The proposed network is a neural network optimized the genetic algorithm to determine the price of shares of new companies entering the stock exchange.With a choice of 12 variables affecting the price of initial public offerings and one dependent variable (Initial Public Offering price) suitable model to _ pricing than other linear models presented. The results of the fourth measure, RMSE, MAE, R-SQUARE, U-THEIL reflect the correct pricing proposed model, in most cases.Keywords: Initial public offering, Genetic algorithms, Neural networks, Regression -
یکی از ویژگی های مهم کشورهای صنعتی و توسعه یافته، وجود بازار فعال و پویای پول و سرمایه است. به عبارت دیگر، اگر پس اندازهای افراد با مکانیسم صحیح به بخش تولید هدایت شوند، علاوه بر بازدهی که برای صاحبان سرمایه به ارمغان می آورد، می تواند به عنوان مهمترین عامل تامین سرمایه، برای راه اندازی طرح های اقتصادی جامعه نیز مفید باشد. در پژوهش حاضر، انتخاب و بهینه سازی سهام با استفاده از سه الگوریتم، شامل الگوریتم ژنتیک، فرهنگی و ازدحام ذرات مورد بررسی قرار گرفته است. از این رو، 106 شرکت پذیرفته شده بورس اوراق بهادار تهران، در طی دوره زمانی 1386 الی 1393، به منظور بررسی این موضوع مورد آزمون قرار گرفتند.
این پژوهش به بررسی تفاوت بین میانگین بازده سرمایه گذاری در سبدهای منتخب بر اساس سه روش پرداخته و آزمون های آماری مربوط به نتایج حاکی از عدم وجود اختلاف معنادار بین سه الگوریتم می باشد. از طرفی به منظور مقایسه دو الگوریتم و بررسی برتری الگوریتم ها، این دو روش بهینه سازی از دو بعد تابع هدف و نسبت بازده و ریسک مورد مقایسه قرار گرفتند و از آنجایی که الگوریتم ژنتیک مقدار تابع هدف کمتری داشته یا به عبارتی با کمترین خطا به بهترین نتیجه رسیده است، نسبت به الگوریتم های دیگر بهتر عمل کرده است و نشان دهنده برتری نسبی این الگوریتم در انتخاب سبد سهام بهینه است.کلید واژگان: مدل مارکویتز، الگوریتم ژنتیک، الگوریتم ازدحام ذرات، الگوریتم فرهنگیOne of the important features of industrialized and developing countries is the presence of money, dynamic market and capital. In other Words, if the saving of individuals will be directed by appropriate mechanism to the manufacturing sector it brings efficiency not only to the owners of capital but also it can be considered as the most important funding for launching economic projects of society.
In present study, three stock selection and optimization algorithms including genetic algorithm, particle swarm algorithm, and cultural algorithm has been studied. So, 106 listed companies in Tehran Stock Exchange, since 2007 to 2014 were tested in order to investigate this.
In this study, for plotting the efficient frontier and comprising of the optimal portfolio half of the variance is considered as the main factor of risk. This research investigates the significant difference between the averages of investment output in selected baskets based on three methods. The statistical analysis of the results shows that there is no difference between the three algorithms. However, in order to compare the two algorithms and analysis of superiority of algorithms, these two methods of optimization have been compared from two aspects of objective function, output ratio and risk.
Since the objective function of genetic algorithms was less, in other word, it has the least error and gain the best result so in comparing to other algorithms it has been performed better which shows the relative superiority of these algorithms in the selection of the optimal portfolio.Keywords: Genetic Algorithms, particle swarm algorithms, cultural algorithms -
هدف پژوهش حاضر، ارایه مدل پیش بینی کننده رفتار خریداران برندهای ایرانی و خارجی بود، که این امر در دو گام مرتبط با هم انجام شد. در گام اول، با استفاده از یک پرسشنامه ی 26 شاخصه که از طریق مرور پیشینه پژوهش حاصل شد، نظرات 858 مشتری مازندرانی در مورد خرید برندهای ایرانی یا خارجی بر اساس رفتار واقعی خرید جمع آوری شد؛ پس از پیش پردازش داده ها، به منظور دستیابی به محدوده جواب بهینه، الگوریتم ژنتیک مورد استفاده قرار گرفت و ویژگی های موثر انتخاب شدند. در گام دوم، رفتار خرید مشتریان با استفاده از درخت تصمیم مورد تحلیل قرار گرفت و مدل های بهینه و قواعد اگر-آنگاه مرتبط با خریداران استخراج شد. نتایج نشان داد که ادراک از تهدیدات خارجی، حمایت از تولید ملی و درآمد، شاخص های اصلی در تفکیک خریداران برندهای ایرانی و خارجی است و هر چه سطح ادراک از تهدیدات خارجی و حمایت از تولید ملی در مشتری بیش تر باشد، گرایش او به برند داخلی بیش تر است؛ این در حالی است که طیف های درآمدی بالاتر، گرایش بیش تری نسبت به خرید برند خارجی دارند.کلید واژگان: برند ایرانی، الگوریتم ژنتیک، درخت تصمیم، لوازم خانگی برقیThe purpose of this study is to provide a predictive model of the Behavior of Iranian Brands Purchasers, which was carried out in two co-ordinated steps. In the first step, a 26-item questionnaire has been employed, which was developed through literature review. The comments of 856 Mazandarani customers on the purchase of Iranian and foreign brands were collected based on actual purchase behavior. After pre-processing of data, in order to achieve the optimal solution range, the genetic algorithm was used and effective characteristics were selected. In the second step, the purchase behavior of buyers of Iranian and foreign brands was analyzed using a decision tree and the optimal models, and IF-THEN rules of purchasers of domestic and foreign brands were obtained. The results showed that the perception of external threats, national production support and income, are main indicators in separating purchasers of Iranian and domestic brands, and the higher is the perception of external threats and national production support in the customer, the higher the tendency to domestic brands; meantime, the groups of people with higher income have more aptness to buy foreign brands.Keywords: Iranian brand, Genetic algorithms, Decision trees, Electrical appliances
-
میزان مطلوبیت سرمایه گذار از انتخاب مجموعه دارایی های سرمایه گذاری به وسیله معیارهای ریسک و بازده مشخص می شود. با توجه به عدم اطمینان سرمایه گذار نسبت به آینده، یکی از روش های مطرح در مباحث سرمایه گذاری برای کاهش ریسک، متنوع سازی سبد سرمایه گذاری است. در این پژوهش علاوه بر معرفی معیار فاصله اقلیدسی به عنوان یک معیار اندازه گیری تنوع سبد سهام، مدلی چندهدفه برای انتخاب سبد سهام طراحی شده است. مدل ارائه شده در این پژوهش درصدد حداکثر سازی بازدهی و تنوع و حداقل کردن ریسک غیر سیستماتیک سبد سهام است. با توجه به اینکه مدل ارائه شده غیرخطی است و از نظر پیچیدگی محاسباتی جزو مسائل «حل نشدنی چندجمله ای سخت» قرار می گیرد؛ بنابراین پژوهش با توجه به کارایی محاسباتی الگوریتم ژنتیک در بهینه سازی، برای حل مدل از الگوریتم ژنتیک استفاده شده است. نتایج اجرای مدل دو هدفه (بازدهی و تنوع) و سه هدفه (بازدهی، تنوع و ریسک غیر سیستماتیک) در تکرارهای متعدد نشان داد که متوسط بازدهی سبدهای سهام انتخاب شده با مدل این پژوهش بالاتر از حد مطلوب است. بررسی شاخص های عملکرد سبد سهام نیز نمایانگر کارایی مدل دوهدفه (بازدهی و تنوع) است.کلید واژگان: انتخاب سبد سهام، شاخص تنوع، الگوریتم ژنتیک، بازدهی مورد انتظار، ریسک غیرسیستماتیکIn the selection of a collection of investment assets, the expected utility of investor is determined via risk and return criteria. Regarding the uncertainty of the investor about the future, portfolio diversification is a common path towards risk reduction in investment problem. In this study, not only the Euclidean Distance Criterion (EDI) was introduced to be a measure of portfolio diversification, but also a multi-objective model was designed for portfolio selection. This model intended to maximize the return and diversification of portfolio, and also to minimize non-systematic risk of it. Since this is a non-linear model and in terms of complexity is among "NP-hard", regarding the computational efficiency of the Genetic Algorithms (GA) in optimization, it was used for solving the model. Results from the implementation of the dual-objective model (return and diversification) and triple-objective model (return, diversification, and non-systematic risk) with multiple-repetition showed that the average return of the portfolio selected by perposed model was higher than the favorable level. Investigation into portfolio performance indices indicates the efficiency of the dual-objective model (return and diversification).Keywords: Portfolio Selection, Diversity Index, Genetic Algorithms, Expected Return, Nonsystematic Risk
-
مهندسی ارزش یکی از ابزارهای خلق و بهبود ارزش برای محصولات و خدمات است که علاوه بر اینکه در زمینه های متفاوتی چون صنعت، کشاورزی، آموزش و پرورش، حمل و نقل و... کاربرد دارد در حوزه راه و ترابری و پروژه های زیر بنایی نیز کاربرد دارد. هدف تحقیق حاضر شناسایی و اولویت بندی شاخص های مهندسی ارزش در پروژه های راه سازی اداره کل راه و ترابری استان سمنان با تکنیک دلفی فازی است. روش پژوهش از نظر هدف کاربردی است و از لحاظ گردآوری اطلاعات، توصیفی- پیمایشی به شمار می رود. در این خصوص پس از مطالعه جامع ادبیات، 23 شاخص شناسایی و پرسشنامه محقق ساخته بین 10 تن از خبرگان این حوزه توزیع و جمع آوری شد. با بهره گیری از دلفی فازی 13 شاخص رتبه بالاتر از 0.7 را کسب کرده و غربال شدند. برای اولویت بندی شاخص های شناسایی شده از رویکرد ترکیبی پروموتاسیون و الگوریتم ژنتیک استفاده شد. بر اساس یافته های پژوهش، شاخص های سازگاری با ماشین آلات موجود، کسب اطلاعات و تجربه در کار به ترتیب بیشترین اهمیت را در شاخص های مهندسی ارزش پروژه های راه سازی دارند. همچنین بر اساس نتایج پژوهش، شاخص سرعت تکمیل سفارات از کم ترین اولویت برخوردار بود.کلید واژگان: ارزش، مهندسی ارزش، دلفی فازی، پروموتاسیون، الگوریتم ژنتیکValue engineering is one of the tools to create and enhance value for goods and services that used in different fields such as industry, agriculture, education, transportation and also in the transportation and Infrastructure projects. The aim of the research is to Identify and prioritize Value Engineering index with Fuzzy Delphi Technique in Semnan Department of Transportation. This research is applied and its research method is descriptive. Because of using Fuzzy AHP for ranking alternatives, our research is a single cross-survey. In this regard, after a comprehensive literature study, 23 indicators identified and standardized questionnaire among 10 experts in the field were distributed and collected. Delphi fuzzy Utilizes and win 13 indexes higher than 0.7 were screened. The investigators then to prioritize the factors identified in an integrative approach Permutation and genetic algorithms because the problem is NP-Hard were used. Based on these findings, the index of compatibility with existing machines, information and experience in working in road construction projects are the most important variables. According to research results, index Embassy completion rate was the lowest priority.Keywords: Value, Value engineering, Fuzzy Delphi Technique, Permutation, Genetic Algorithms
-
اهداف کلاسیک دانش مالی مبنی بر موازنه بازده و ریسک و تحلیل آن در فرصت های مختلف، دستمایه بسیاری از پژوهش های مدیریت مالی بوده است. استفاده از شاخص های تکنیکال یکی از ابزارهای مدیریت پرتفوی به شمار می رود. این پژوهش به دنبال استفاده از این شاخص ها در استخراج قواعد معاملات سهام است. دوره زمانی پژوهش از ابتدای سال 1388 تا پایان سال 1393 و نمونه شامل 216 شرکت می باشد. در این پژوهش در دوره زمانی 1388 تا 1390 با استفاده از شاخص های تکنیکال و الگوریتم ژنتیک چند هدفه با دو هدف ماکزیمم کردن بازده و مینیمم کردن ریسک مدلی برای مدیریت بهینه پرتفوی به دست آمد و در دوره زمانی 1391 تا 1393 این مدل در مدیریت بهینه پرتفوی سهام به کار گرفته شد. به منظور ارزیابی این مدل، نتایج به دست آمده با شاخص کل بورس اوراق بهادار تهران مقایسه شد و مشخص گردید با استفاده از شاخص های تکنیکال می توان عملکرد بهتری نسبت به بازار داشت.کلید واژگان: تحلیلهای تکنیکال، مدیریت پرتفوی، الگوریتم ژنتیکRisk-return tradeoff and its analysis in alternative investments as a classic goal of finance have been the main subject of many researches in financial management. The use of technical indicators is a portfolio management tools. This research aims to use these indicators in mining stocks trading rules. The period of investigation is from beginning of 1388 until the end of 1393 and the sample of study is including 216 companies listed in TSE. In the period from 1388 to 1390 by using technical indicators and genetic algorithm with aim for maximize return and minimize risk, we obtain a model for portfolio optimization and in the period from 1391 to 1393 this model was used in portfolio management. In order to evaluate this model, the results were compared with the market index and found that by using technical indicators can outperform the market.Keywords: Genetic Algorithms, Technical Indicators
-
در سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنوان الگوی موفقجهت پیش بینی مدیریت سود مبتنی بر جونز تعدیل شده در بورس اوراق بهادار تهران استفاده شده است. نمونه مورد استفاده در این پژوهش شامل 570 سال-شرکت بین سالهای 1387 الی 1392 می باشد. یافته های پژوهش نشان داد که شبکه عصبی مصنوعی از توانایی بالایی در پیش بینی مدیریت سود، نسبت به مدل خطی جونز تعدیل شده برخوردار است. همچنین یافته ها حاکی از آن است که الگوریتم ژنتیک به عنوان مدل بهینه ساز می تواند در افزایش توان پیش بینی شبکه عصبی مصنوعی و بهینه کردن وزن های آن برای پیش بینی مدیریت سود مبتنی بر مدل جونز تعدیل شده تاثیر بسزایی داشته باشد.کلید واژگان: مدیریت سود، اقلام تعهدی اختیاری، شبکه عصبی مصنوعی، الگوریتم ژنتیکIn recent years, earnings management in university research has attracted much attention. The aim of this study is to predict earnings management through discretionary accruals based on adjusted Jones model. In this study, two models of artificial neural networks and genetic algorithms - neural network hybrid model as a successful model to predict earnings management based on adjusted Jones model were used in the Tehran Stock Exchange. The sample used in this study is consisted of 570 firm-year between 2008 to 2013. The results showed that neural networks have a high ability to predict earnings management rather than the adjusted Jones linear model. The findings also suggest that, the genetic algorithm through optimizing artificial neural network weights is able to increase power of artificial neural network to predict earnings management.Keywords: earnings management, discretionary accruals, Artificial Neural Networks, genetic algorithms
-
طراحی و استقرار مدل رتبه بندی اعتباری در نظام بانکی نقش مهمی در بالا بردن کارایی تخصیص منابع به مشتریان هدف دارد. در این تحقیق با هدف تدوین مدلی جهت ارزیابی ریسک اعتباری مشتریان حقوقی بانک از ماشین بردار پشتیبان (SVM) و الگوریتم ژنتیک بهره گرفته شده است. بدین منظور، مطالعه ای بر روی متغیرهای مالی282 شرکت که طی سال های 1387 تا 1390 از بانک تجارت تسهیلات دریافت کرده اند، صورت گرفته است. در این پژوهش برای بهینه سازی ورودی های ماشین بردار پشتیبان از الگوریتم ژنتیک بهره گرفته شده است، توان بسیار بالای الگوریتم ژنتیک در انتخاب نقاط بهینه، همواره این اطمینان خاطر را برای استفاده کننده فراهم می آورد که نقاط بهینه پیشنهادی، نقاط بهینه بهتری برای مساله خواهند بود. در مدل هیبریدی GA-SVM، الگوریتم ژنتیک داده های ورودی مدل SVM را بهینه می سازد.
یافته های تحقیق نشان می دهد مدل هیبریدی GA-SVM نسبت به مدل SVM عملکرد بهتری در شناسایی مشتریان خوش حساب و بد حساب و پیش بینی ریسک اعتباری مشتریان دارد.کلید واژگان: رتبه بندی اعتباری، ریسک اعتباری، ماشین بردار پشتیبان، الگوریتم ژنتیکDesign and implementation of credit rating model in the banking system plays an important role in enhancing the efficiency of resource allocation is to target customers. In this research aims to develop a model for evaluating the credit risk of the bank's corporate clients have been used Support Vector Machine (SVM) and Genetic Algorithms (GA). Therefore, a study has been on the financial variables of 282 companies during the years 2007 to 2010, have received loans from TEJARAT bank. In this research, to optimize the input of support vector machine is used of genetic algorithms. The power of the genetic algorithm to select the optimum points, always provides confidence that the optimal-made for the proposed going to be higher optimum points. In the hybrid model GA-SVM, genetic algorithm optimizes SVM model inputs the data.
Research findings show GA-SVM hybrid model performed better than the SVM model in the identifying good customer accounts and bad customer accounts and credit risk prediction.Keywords: Credit rating, Credit risk, Support Vector Machine, genetic algorithms -
هدفمقاله حاضر به دنبال تبیین رابطه بین عوامل اجتماعی با گرایش به اعتیاد و سپس رابطه این گرایش با عدم امنیت اجتماعی می باشد و همچنین، سهم هر یک از عوامل اجتماعی که منجر به عدم امنیت اجتماعی می شود را تعیین می نماید.روشروش تحقیق توصیفی-تحلیلی است. ابتدا رابطه شاخص های پژوهش (خانواده، محله، بیکاری و...) با گرایش به اعتیاد و سپس رابطه این گرایش با عدم امنیت اجتماعی بیان شده و در ادامه با استفاده از الگوریتم GMDH، سهم هر یک از این عوامل در تخمین عدم امنیت اجتماعی بیان شده است.یافته هانتایج نشان داد که بین شاخص های پژوهش با گرایش به اعتیاد و عدم امنیت اجتماعی رابطه معناداری وجود دارد. مهم ترین پیش بینی کننده های عدم امنیت اجتماعی به ترتیب، سایر عوامل (گستردگی مرزی با پاکستان و افغانستان؛ فعالیت قاچاقچیان بین المللی و منطقه ای؛ بازار پررونق مواد مخدر و...)، وضعیت آنومیک، صنعتی شدن، خانواده، دوستان و همسالان، دسترسی به مواد مخدر، بیکاری و در نهایت محله است.نتیجه گیریمتغیرهای خانواده، محله، دوستان و همسالان، وضعیت آنومیک، دسترسی به مواد مخدر، صنعتی شدن، بیکاری در امنیت اجتماعی نقش دارند.کلید واژگان: اعتیاد، الگوریتم ژنتیک، صنعتی شدن، عدم امنیت اجتماعی، وضعیت آنومیکObjectiveThis paper is an attempt to explain the relationship between social factors and tendency to addiction and determine the relationship of this tendency with social insecurity. In addition, the contribution of each of the social factors that lead to social insecurity is determined.MethodThe current research method is descriptive. At first the relationship between the research indices (family, neighborhood, unemployment, etc.) and tendency to addiction was described. Then, the relation of this tendency with social insecurity has been expressed. In the following, the contribution of each of these factors in the estimation of social insecurity has been determined.ResultsThe results showed that the indices under study are significantly correlated with tendency towards addiction and social insecurity. The most important predictors of social insecurity were respectively as follows: other factors (extent of border with Pakistan and Afghanistan, international and regional trafficking activities, the booming market of drugs, etc.), anomic situation, industrialization, family, friends and peers, access to drugs, unemployment, and finally neighborhood.ConclusionSuch variables as family, neighborhood, friends and peers, anomic situation, access to drugs, industrialization, and unemployment play a significant role in social security.Keywords: Addiction, Genetic Algorithms, Industrialization, Social Insecurity, Anomic Situation
- 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.