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

multi-objective genetic algorithm

در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه multi-objective genetic algorithm در مقالات مجلات علمی
  • آرزو کریمی*
    یکی از مسایل مهم حوزه مالی چگونگی انتخاب سبد سرمایه گذاری است. فعالان این حوزه در صدد انتخاب سبدی هستند که با میزان بازدهی بالا ، ریسک را تحت کنترل قرار دهد. با توجه به افزایش محدودیت های بازار سرمایه کارایی روش های کلاسیک مورد بحث قرار گرفته است. از این رو توجه محققین به سمت الگوریتم های فرا ابتکاری معطوف شده است. هدف این پژوهش تعیین سبد بهینه ی شرکت های دارویی پذیرفته شده در بازار بورس اوراق بهادار تهران به دو روش الگوریتم ژنتیک چندهدفه (NSGA-II) و ماکزیمم نسبت شارپ است. در این پژوهش الگوریتم ژنتیک چند هدفه (NSGA-II) تحت معیار ریسک ارزش در معرض خطر مشروط است. همچنین از داده های 13 شرکت در دوره زمانی97-90 برای تشکیل سبد استفاده شده است. نتایج حاکی از آن است که در روش الگوریتم ژنتیک چند هدفه (NSGA-II) سهامی که کمترین ارزش در معرض خطر را دارد، بیشترین وزن را در سبد بهینه بدست می آورد. همچنین سبد بهینه شده به روش الگوریتم ژنتیک چند هدفه (NSGA-II) بازده بیشتر و در عین حال ریسک کمتری دارد.
    کلید واژگان: سبد سهام، مارکوئیتز، الگوریتم ژنتیک چند هدفه، ارزش در معرض خطر مشروط، نسبت شارپ، مرزکارا، خط بازار سرمایه
    Arezou Karimi *
    One of the most important issues in finance is how to choose an investment portfolio. Activists in this field are seeking to select a portfolio that controls risk with high return. Due to the increasing limitations of the capital market, the efficiency of classical methods has been discussed. Hence, researchers have turned their attention to metaheuristic algorithms. The aim of this study is to determine the optimal portfolio of pharmaceutical companies accepted in the Tehran Stock Exchange by two methods of multi-objective genetic algorithm (NSGA-II) and maximum Sharp ratio. In this study, the multi-objective genetic algorithm (NSGA-II) is under Conditional Value at Risk criterion. Also, the data of 13 companies in the period of 90-97 were used to form the portfolio. The results show that in the multi-objective genetic algorithm (NSGA-II) method, the stock with the lowest Value at Risk gains the most weight in the optimal portfolio. Also, the optimized portfolio by multi-objective genetic algorithm is more return and at the same time less risky.
    Keywords: Stock Portfolio, Markowitz, Multi-objective genetic algorithm, Conditional Value at Risk, Sharp ratio, Efficient Frontier, Capital Market Line
  • موسی آذرباد، امیرعباس شجاعی*، فرشید عبدی، وحیدرضا قضاوتی، کاوه خلیل دامغانی
    بانکداری یکی از مولفه های اصلی هر نظام و حکومت محسوب می شود و مدیریت صحیح و ارتقای درست آن یکی از عوامل اساسی در رشد اقتصادی کشور می باشد. بانک ها در معرض قرارگیری ریسک های متعدد و همچنین عدم کنترل هزینه های بانکی می باشند؛ در همین راستا می بایست راهکارهای مناسبی جهت بهبود عملکرد بانکها در این راستا اتخاذ نمود. یکی از این روش ها، انتخاب شرکا جهت تقسیم و کاهش ریسک و به اشتراک گذاری هزینه ها می باشد؛ به طوری که بتواند ریسک درماندگی بانک را کاهش داده و میزان تسهیم بانک در کنترل هزینه ها را کاهش و منجر به رشد بانک در جهت تامین مالی و انجام امور بانکداری و در نهایت رشد اقتصادی کشور شود. در این پژوهش یک مدل چندهدفه برای انتخاب شرکا در حوزه بانکداری ارایه و در ادامه بهینه سازی آن با استفاده از الگوریتم ژنتیک چندهدفه انجام شده است.
    کلید واژگان: بانکداری، ریسک درماندگی بانک ها، انتخاب شرکا، الگوریتم ژنتیک چندهدفه
    Moussa Azarbad, Amirabbas Shojaie *, Farshid Abdi, Vahidreza Ghezavati, Kaveh Khalili Damqani
    Banking is one of the main components of any system and government, and proper management and proper promotion are one of the key factors in the country's economic growth. Banks are exposed to multiple risks as well as lack of control over bank charges; in this regard, appropriate strategies have to be adopted to improve banks' performance in this regard. One of these methods is the selection of partners to divide and reduce risk and share costs, so that they can reduce the Insolvency Risk of Banks and reduce the bank's share of cost control and lead to the bank's growth in financing and ultimately, economic growth in the country. In this research, a multi-objective model for selecting partners in the field of banking has been presented and further optimized using a multi-objective genetic algorithm.In this research, a multi-objective model for selecting partners in the field of banking has been presented and further optimized using a multi-objective genetic algorithm.
    Keywords: Banking, Insolvency Risk of Banks, Partner Selection, Multi-objective genetic algorithm
  • سهام خضیری عفراوی، محسن سرداری زارچی*، سیدمحمدمهدی فاطمی بوشهری
    بهبود بازدهی سرمایه انسانی از آنجا که می تواند نقش موثری در کارایی سازمان داشته باشد، همواره یکی از موضوعات پژوهش بوده است. میزان تمایل به ترک سازمان یکی از عوامل تاثیرگذار بر کارایی سرمایه انسانی است که آن را می توان با استفاده از الگوهای درون داده ای، شرایط حاکم بر سازمان و بررسی عوامل موثر بر آن پیش بینی کرد. به همین منظور، از الگوریتم های هوشمند مبتنی بر شبکه عصبی و الگوریتم ژنتیک چندهدفه برای پیش بینی تمایل کارکنان به ترک سازمان در این پژوهش بهره گرفته شده است. در این راستا، ابتدا با طراحی پرسشنامه ای، نظرات کارکنان شرکت بهره برداری نفت و گاز کارون در مورد رضایت مندی و تمایل به ترک سازمان، جمع آوری شد و بر اساس آن، یک مجموعه داده تدوین گردید. سپس با استفاده از شبکه های عصبی مصنوعی به عنوان طبقه بند و الگوریتم تکاملی ژنتیک چندهدفه برای انتخاب ویژگی های موثر، یک سیستم خبره طراحی شد. به منظور تست و ارزیابی الگوریتم شبکه عصبی طراحی شده با مجموعه داده استاندارد ایجادشده، آموزش های لازم ارائه شد. نتایج ارزیابی سیستم پیشنهادی بیانگر آن است که با به کارگیری الگوریتم ژنتیک چندهدفه و شبکه های عصبی مصنوعی می توان مدلی ارائه کرد تا علاوه بر پیش بینی میزان تمایل کارکنان به ترک سازمان با دقت بالای 88%، با انتخاب ویژگی های موثر، عوامل کلیدی ترک سازمان را نیز مشخص کند
    کلید واژگان: جایگزینی، داده، کاوی، انتخاب کارکنان، شبکه های عصبی مصنوعی، الگوریتم ژنتیک چندهدفه
    Saham Khaziri Afravi, Mohsen Sardari Zarchi *, Seyyed Mohammad mahdi Fatemi Booshehri
    Since the improvement of human resource efficiency can play an effective role in the efficiency of organizations, it has always been one of the main research topics.The tendency to leave the organization is one of the factors affecting the efficiency of human capital, which can be predicted using in-data models, conditions governing the organization and the factors affecting it. For this purpose, intelligent algorithms based on neural network and multi-objective genetic algorithm have been used in this research to predict the tendency to leave an organization. In this regard, a standard dataset was created based on a questionnaire of employees satisfaction and the desire to leave the job in the Karoon Oil and Gas Production Company. Then, using an artificial neural network as a classifier and a multi-objective genetic algorithm, the important factors or features were selected. In the next step, an expert system was proposed to select effective features. In order to test and evaluate the neural network algorithm developed with the standard data set, the necessary training was provided. The results showed that by using the proposed model, not only the willingness of employees to leave the organization can be predicted with more than 88% accuracy, but also, the key factors of leaving the organization can be determined.
    Keywords: Replacement, Data Mining, Selection, Artificial Neural Network, Multi-Objective Genetic Algorithm
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