genetic algorithm (ga)
در نشریات گروه کشاورزی-
الگوریتم های هوشمند توانایی مهندسان در تحلیل و مدل سازی پدیده های هیدرولیکی پیچیده را به مقدار بسیار زیادی افزایش داده اند. از آن جمله، تحلیل جریان های میرا می باشد که بخش مهمی از هیدرولیک مجاری تحت فشار را به خود اختصاص می دهند. با گذشت زمان، خطوط لوله دچار نشت می گردد. از سویی یکی از مهمترین خصوصیات جریان های میرا، میزان افت در نوسانات فشاری می باشد که با وجود نشت از جداره لوله تشدید خواهد شد. در این تحقیق سعی بر آن است تا با استفاده از الگوریتم های هوشمند نظیر شبکه عصبی مصنوعی (ANN)، الگوریتم ژنتیک (GA) و برنامه ریزی بیان ژن (GP)، میزان افت امواج فشاری عبوری از روزنه نشت در جدار لوله (HLPW) تعیین و کاربرد آن با تحلیل هیدرولیکی مقایسه گردد. بنابراین ابتدا به کمک آنالیز ابعادی، پارامترهای موثر بر (HLPW) مشخص و سپس در مجموع تعداد 120 آزمایش با 6 دبی، 5 قطر نشت و 4 محل نشت که بر روی لوله پلی اتیلن به قطر نامی 63 میلیمتر و به طول 47 متر به انجام رسیده بود برای انجام تحقیق انتخاب شد. نتایج نشان داد مدل ANN بهترین عملکرد را در بین الگوریتم های هوشمند برای تخمین و محاسبه (HLPW) دارد. همچنین، به ترتیب مدل های ANN، GEP، ITA و GA با 2R برابر 987/0، 905/0، 891/0 و 721/0 دارای بهترین عملکرد در تخمین (HLPW) می باشند. به صورت کلی برخی الگوریتم های هوشمند در تخمین پارامتر (HLPW) از تحلیل گر هیدرولیکی موجود توانمندتر بوده و لذا استفاده از آنها هم به لحاظ کاهش زمان و هم از جهت افزایش دقت محاسبات توصیه می گردد.کلید واژگان: شبکه عصبی مصنوعی، الگوریتم ژنتیک، برنامه ریزی بیان ژن، افت نوسانات فشاری، نشتIntelligent algorithms, have greatly enhanced the ability of engineers to analyze and model complex hydraulic phenomena. Among them is the analysis of transient flow, which are always an important part of hydraulic pressurized pipelines .over time, the pipelines will , leak, and so on. one of the most important characteristics of transient flow is the rate of losses in pressure waves, which will be exacerbated by leakage from the pipe wall. In this research, using intelligent algorithms such as artificial neural network (ANN), genetic algorithm (GA) and gene expression programming (GP), the rate of pressure losses passes the leak hole in the pipe wall (HLPW) to be determined and its application to be compared with hydraulic analysis. Therefore, first, with the help of dimensional analysis, the effective parameters on (HLPW) were determined and then a total of 120 experiments with 6 discharges, 5 leak diameters and 4 leak locations on a polyethylene pipe with a nominal diameter of 63 mm and a length of 47 m was considered for research. The results showed that the ANN model has the best performance among intelligent algorithms to estimate and calculate (HLPW). Also, ANN, GEP, ITA and GA models with R2 equal to 0.987, 0.905, 0.891 and 0.721, respectively, have the best performance in estimation of (HLPW). In general, for estimation of (HLPW) some intelligent algorithms are more powerful than the existing hydraulic analyzer. Therefore, their use is recommended in both terms of reducing time and increasing the accuracy of calculations.Keywords: Artificial neural network (ANN), Genetic Algorithm (GA), Gene expression programming (GEP), Pressure wave losses, Leakage
-
طراحی بهینه شبکه های آبیاری و آبرسانی تحت فشار با هدف کاهش هزینه ها همواره مورد توجه می-باشد. در این تحقیق طراحی بهینه شبکه با روش های بهینه سازی تک هدفه الگوریتم ژنتیک باینری و دوهدفه NSGA-II انجام شد. تابع هدف دوم درNSAGA-II بصورت کمینه نمودن مجموع کمبود فشار در کل سیستم تعریف گردید. چنانچه مقدار این تابع به صفر یا نزدیک آن سوق داده شود نتایج روش تک هدفهGA و دو هدفه NSGA-II قابل مقایسه می باشد. به منظور طراحی بهینه شبکه، کدهای کامپیوتری برای بهینه سازی تک هدفه، بهینه سازی دو هدفه و تحلیل هیدرولیکی شبکه به روش ماتریسی شیب در محیط برنامه نویسیVB تهیه و به همدیگر جفت شدند. پس از صحت سنجی مدل، یک شبکه مطرح دوحلقه ای متشکل از7 لوله و 8 گره که از یک مخزن تغذیه می کند با هر دو روش بهینه سازی طراحی شد. نتایج نشان داد در هر دو روش هزینه لوله گذاری تقریبا یکسان و با اختلاف کمتر از یک درصد برآورد شد در حالیکه هزینه محاسبات کامپیوتری در روش NSGA-II در حدود یک پنجاهم روش الگوریتم ژنتیک برآورد گردید. با توجه به اینکه هزینه محاسبات در روش NSGA-II بسیار کمتر از روش GA بدست آمد، استفاده از این روش برای حل مسئله تک هدفه طراحی شبکه تحت فشار نیز توصیه می شود به شرط اینکه در این روش تابع هدف دوم به گونه ای تعریف شود که در صورت رعایت همه قیود مقدار آن به صفر نزدیک شود. برای این منظور تابع هدف مجموع کمبود فشار مناسب تشخیص داده شد.
کلید واژگان: طراحی شبکه تحت فشار، الگوریتم ژنتیک، الگوریتم ژنتیک مرتب سازی غیرمغلوبBackground and ObjectivesProper design of technical and hydraulic parameters plays an essential role in the success of a pressurized irrigation or urban water distribution project and its economy. Therefore, engineers should be able to select the best solution in different stages in terms of design, construction, maintenance and operation according to the existing limitations and make the necessary decisions.The ultimate objective of such decisions is to minimize costs or maximize benefits by considering limitations.The objectives defined for each system may be different but it is certain that in today's engineering world, one-sided objectives are never defined.Today, meta-exploration optimization methods for the optimal design of irrigation and water supply networks have been considered.It is not possible to compare one-objective and two-objective methods in appearance. But in the two-objective method, one of the objectives is defined in such a way that it eventually goes to zero this comparison is possible.
Materials and MethodsHence in the present study, the optimal design of a pressurized network with one-objective binary genetic algorithm and two- objective NSGAII has been done.Genetic algorithm is a method that evaluates different designs through trial and error with analogy criteria and maintains the best designs and eventually achieves the proper design. Multi-objective optimization is a sub-branch of the MCDM multi-criteria decision-making set that takes place among an unlimited set of possible solutions. In such cases unlike single-objective optimization problems, due to the existence of several conflicting goals, a set of answers is obtained instead of just one answer. In order to compare the two methods in terms of accuracy of results and speed of calculations the second objective function in NSGA-II was defined as the sum of the pressure deficiencies in the network. Observance of minimum pressure constraints in the network causes the value of this objective function to reach zero and the results of the two methods are comparable. In order to analyze the network and obtain the pipe flow and pressure in the system nodes, the matrix shape of the gradient method was used. Computer code was developed for single-objective (GA) and multi-objective (NSGAII) optimization methods in VB programming environment. Also, the simulation code according to the matrix shape of the gradient method was prepared in this programming environment. Finally, All the codes were linked to each other.
ResultIn order to validate the NSGA-II developed cod, its ability to solve several constrained and none- constrained multi-objective mathematical problems was proposed. The results showed that there is a very good agreement between the results of the present model and the results presented by previous researchers. In order to validate the genetic algorithm model, the model was used to solve the linear and nonlinear constrained optimizations problems that have analytical solutions. it has been shown that the results obtained from the model are exactly equal to the results of analytical solutions. After verifying the prepared codes from a programming point of view, a proposed two-loop network consisting of 7 pipes and 8 nodes whit one earth reservoir was designed with both GA and NSGA-II algorithms. The result showed, estimated cost of implementing the studied network by tow method was the same and with a difference of less than 1%, while the cost of calculations in NSGA-II method was estimated to be about 2% of the genetic algorithm method. That is, the time to reach the optimal answer in NSGA-II method is 50 times faster than GA method.
ConclusionGiven that the cost of calculations in the NSGA-II method is much lower than the GA method, the use of this method to optimal design of water presuurized network is recommended, Provided that in this method the second objective function is defined in such a way that if all the constraints are observed, its value will be close to zero. For this purpose, the objective function of the sum of pressure deficiencies Was deemed appropriate.
Keywords: Pressurized network design, genetic algorithm(GA), non-dominant sorting genetic algorithm(NSGA-II) -
در این تحقیق ازمطالعه ارتباط کمی ساختار- فعالیت (QSAR) جهت پیشگویی فعالیت های آفت کش های آلی کلردار استفاده شد. ابتدا به کمک نرم افزارگوس ویو 05 ساختار شیمیایی تمام مولکول های مورد مطالعه رسم گردید و سپس بهینه سازی با نرم افزار گوسین 09 و روش هارتری-فاک و سری پایه G* 31-6 انجام پذیرفت. خواص فیزیکی- شیمیایی نظیر سمیت(logLD50) وضریب توزیع اکتانول-آب (logP) از منابع معتبر علمی به دست آورده شده است. برای تمامی سموم مورد مطالعه توصیف گرهای مناسب با استفاده از نرم افزار دراگون و روش های الگوریتم ژنتیک و برگشتی تعیین شدند. سپس ارتباط بین توصیف گرهای مولکولی و فعالیت ها با استفاده از روش چند متغیره خطی مورد بررسی قرار گرفت. به منظور ساخت و آزمون مدل هایQSAR داده ها به طور تصادفی به دو دسته :آموزشی (80 درصد) و آزمون (20 درصد) تقسیم گردیدند. مدل ها با استفاده از ضرایب آماری نظیر ضریب همبستگی(R)، مجذور آن (R2) و ریشه میانگین مربع خطاRMSE)) انتخاب شدند. برای بررسی توانایی پیش بینی و اعتبار مدل ها از اعتبار سنجی تقاطعی "یکی بیرون" و اعتبار سنجی خارجی استفاده شد. اعتبار سنجی خارجی با استفاده از ضرایب رگرسیونی مجموعه آزمون انجام گردید. نتایج اعتبار سنجی و کیفیت بالای ضرایب مدل ها نشان می دهد که مدل های GA-MLR به دست آمده مدل های قابل قبول QSAR می باشند .این مدل ها می توانند جهت شناسایی توصیف گر های مناسب و پیشگویی فعالیت های آن ها به کار گرفته شوند.
کلید واژگان: سمیت، ارتباط کمی ساختار- فعالیت، روش رگرسیون خطی چند متغیره، الگوریتم ژنتیک، آفت کش های آلی کلردار، ضریب توزیع اکتانول-آبIn this research, Quantitative Structure–Activity Relationship (QSAR) studies have been used to predict activities of organochlorine pesticides. Firstly, the chemical structure of molecules was drawn with the Gauss view 05 program and optimized at Hartree–Fock level of theory and 6-31G* basis sets using Gaussian 09 software. The physiochemical properties namely octanol-water partition coefficient (logP) and toxicity (log LD50) are taken from the scientific web book. The dragon software has been used for the calculation of molecular descriptors. The suitable descriptors were selected with the aid of the genetic algorithm (GA) and backward techniques. At the next step, the relationship between molecular descriptors and the activities was investigated by multiple linear regression (MLR) method. In order to build and test QSAR models, a data set of organochlorine pesticides was randomly separated into 2 groups: training (80%) and test (20%) sets. The models were evaluated with regression parameters: correlation coefficient (R), squared regression coefficient (R2), adjusted correlation coefficient (R2 adj) and root mean squared error (RMSE). For the predictive ability and verification of the models are discussed by using Leave-One-Out (LOO) cross-validation and external test set. The external prediction accuracy of the obtained models was examined using the above regression parameters. Results of validations and high statistical quality of models indicate that generated GA-MLR models are reasonable QSAR models. These models help to delineate the important descriptors responsible for predicting their activities.
Keywords: toxicity, QSAR, Multiple linear regression, genetic algorithm (GA), organochlorine pesticides, octanol - water distribution coefficient -
منابع محدود در بخش کشاورزی، به کارگیری فناوری مناسب جهت استفاده بهینه از منابع کمیاب با هدف تامین امنیت غذایی را به یک ضرورت تبدیل کرده است، به طوری که در برنامه پنجم توسعه مقرر گردیده یک سوم رشد اقتصادی در کشور از طریق رشد بهره وری حاصل گردد. دستیابی به این هدف برای بخش کشاورزی در گرو توسعه مکانیزاسیون است. در همین راستا مطالعه حاضر به بررسی تاثیر توسعه مکانیزاسیون بر رشد بهره وری در بخش کشاورزی پرداخته است. لذا ابتدا با محاسبه شاخص بهره وری مالم کوئیست، شاخص بهره وری کل عوامل تولید در بخش کشاورزی برای دوره زمانی 1391- 1368 مورد بررسی و سپس با برآورد الگوی اقتصادسنجی و همچنین الگوریتم ژنتیک عوامل موثر برآن مورد ارزیابی قرار گرفته است. نتایج نشان داد که الگوریتم ژنتیک ابزار قدرتمندی برای برآورد این الگوهاست. همچنین نتایج هر دو رهیافت نشان می دهد که ضریب مکانیزاسیون و تسهیلات اعتباری و آموزشی، ترویجی بخش کشاورزی اثرات مثبتی بر رشد بهره وری داشته است. ضریب برآورده شده برای ضریب مکانیزاسیون در بلندمدت برابر با 129/0 می باشد که نشان از تاثیر نسبتا زیاد این متغیر بر بهره وری بخش کشاورزی دارد. همچنین تغییر علامت متغیرهای شاخص قیمت و درجه باز بودن بخش از منفی به مثبت در کوتاه مدت به سمت بلندمدت بر لزوم سیاست های حمایتی صحیح از کشاورزان، جهت توانایی رقابت و تطبیق با شرایط اقتصادی، تاکید دارد.کلید واژگان: الگوریتم ژنتیک (GA)، الگوی خود توضیح با وقفه های گسترده (ARDL)، ضریب مکانیزاسیون، بهره وری بخش کشاورزیlimited resources of the agricultural sector, the use of appropriate technology for optimal use of scarce resources to ensure food security has become a necessity. Such that fifth development plan established in a third country's economic growth through productivity growth achieved. To achieve this goal, for the agricultural sector depends on the mechanization. The purpose of this study is to investigate the effects of mechanization on productivity growth of the agricultural sector. So first with Malmquist productivity index, index of total factor productivity of the agricultural sector for the period 1391- 1368 reviewed And then estimate the econometric model and genetic algorithm related factors have been evaluated. The results showed that GA is a powerful tool for estimating the models. The results of both approaches indicate that the rate of mechanization and credit facilities and education, promoting the agricultural sector has a positive effect on productivity growth. The estimated coefficient for mechanization ratio is 0/129 in the long run which shows the variable ineffective on the productivity of the agricultural sector is relatively high. The price index and the degree of openness the variable changes sign from negative to positive in the short term To the long term the need for correct support policies for farmers to compete and adapt to economic conditions, insists.Keywords: Genetic Algorithm (GA), Autoregressive Distributed Lag Model (ARDL), mechanization Index, Productivity of Agricultural Sector
-
مدیریت آب کشاورزی با رویکرد آب مجازی از طریق تکنیک بهینه سازی ژنتیک (GA) / مطالعه موردی: دشت بیرجندروند رو به رشد مشکلات کمبود آب نقش موثری را در تشدید بحران آب در ایران و بخصوص در مناطق خشک و نیمه خشک از جمله دشت بیرجند در استان خراسان جنوبی دارد که تنها با تکیه بر منابع آب زیرزمینی اقدام به تولیدات کشاورزی می شود. در این تحقیق با استفاده از مدل بیلان آب زیرزمینی معادلات مورد نیاز برای تخمین سطح عمق آب آبیاری تعیین شده است سپس تابع هدفی که بر پایه مفهوم آب مجازی و تابع استوارت می باشد، ایجاد شد. در ادامه به علت تعدد متغیرهای تابع هدف در بهینه سازی مصرف آب، با استفاده از روش فراکاوشی و هوشمند ژنتیک (GA) که نیاز به محاسبات کم تر و کارایی بیش تر نسبت به دیگر روش ها دارند، الگو و تراکم کشت بهینه محصولات زراعی دشت مطالعاتی در 4 سناریو 1) 30 درصد تغییرات سطح کنونی هر محصول، 2) 50 درصد تغییرات سطح کنونی هر محصول، 3) 75 درصد تغییرات سطح کنونی هر محصول و 4) تغییرات آزاد سطح زیر کشت محصولات به ازای بازه صفر تا حداکثر سطح زیر کشت موجود در منطقه مورد بررسی) تعیین شد. نتایج مدل نشان داد که سطح زیر کشت محصولات در نظر گرفته شده بهینه نمی باشد و مصرف آب در بخش کشاورزی دشت بیرجند متناسب با شرایط موجود نیست. بهترین سناریوی از بین سناریوی های مطرح شده، سناریوی چهارم می باشد زیرا نه تنها سودآوری را به میزان 4 برابر افزایش خواهد داد بلکه میزان آب مصرفی را نیز حدودا 8 درصد کاهش می دهد.کلید واژگان: آب مجازی، ارتقا بهره وری، الگوریتم ژنتیک، الگوی کشت، بهینه سازیIran''s influential role in intensifying water scarcity water crisis¡ especially in arid and semi arid plains such as Birjand¡ South Khorasan province is¡ that only by relying on groundwater resources to agricultural production occurs. In this study by groundwater balance modeling¡ the required equations for estimating fluctuations of the water table levels have been determined; Then the objective function based on the concept of virtual water is the function Stewart¡ was created. Then¡ because too many variables in the objective function in the optimization ofwater use¡ using heuristic and intelligent Genetics (GA) which requires fewer calculations than the other methods are more efficient¡ optimized crop pattern and density studies Plains 4 the scenario was set. Results showed areas of crops cultivation were not optimized and water use in agriculture is not appropriate to thecircumstances of Birjand plain. Given those results the best answer among of the scenarios is the fourth scenario¡because profitability not only has increased 4times¡ but also reduces the amount of water to approximately 8%.Keywords: Crop pattern, Genetic Algorithm (GA), Improving efficiency, Optimization, Virtual water
-
در سال های اخیر، به علت رشد صعودی تقاضای آب، استفاده بیش از پیش از منابع محدود آب، اعم از سطحی و زیرزمینی، و در برخی مناطق استفاده ی توامان از این منابع، افزایش یافته است. همزمان با این رشد استفاده، شبیه سازی بهره برداری، شامل شبیه سازی و بهینه سازی، بخصوص در نحوه ی برخورد با آب زیرزمینی، توسعه یافته است. قواعد بهره برداری یکی از ابزارهای مناسب در برنامه ریزی منابع آب می باشند که با استفاده از مقادیر متغیرهای حالت متفاوت، در گذشته و حال سامانه، نحوه ی و مقدار برداشت از منابع مختلف را در زمان حاضر براورد می کنند. در این تحقیق، نحوه ی بهره برداری زمان واقعی از منابع متفاوت و تخصیص آب به نیازهای مختلف سامانه ی آبخوان- سد در محدوده ی کرج مورد بررسی قرار گرفته است. به این منظور، کارآیی الگوریتم ژنتیک[1] (GA) در استخراج قاعده ی بهره برداری خطی و برنامه ریزی ژنتیک با موقعیت ثابت ژن[2] (FLGGP) در یافتن روابط ریاضی بدون قالب از پیش تعیین شده خطی یا غیرخطی، با هدف کمینه سازی مجموع مربعات انحرافات مقادیر بهنجار شده تخصیص از نیاز، مقایسه شده اند. نتایج حاکی از آن هستند که تابع هدف حاصل از FLGGP، 58/32 درصد کمتر (بهتر) از مقدار مشابه حاصل از GA می باشد. به این ترتیب، کارآیی و انعطاف پذیری FLGGP، به علت استفاده از توابع و متغیرهای مختلف در جستجوی فضای تصمیم برای سامانه ی تلفیقی، بیشتر از GA است.
کلید واژگان: الگوریتم ژنتیک، برنامه ریزی ژنتیک با موقعیت ثابت ژن، سامانه ی تلفیقیIn the recent year، because the increasing growth of water including demands، using limited surface and groundwater resources and، in some regions، conjunctive use have increased. Contemporary with this growth، modeling include simulation and optimization has been developed especially in how to deal with the optimization of pumping groundwater. Operational rules are appropriate tools in water resources planning that estimate the value use from various sources at the previous and present time. In this research، real time operation of different resources and water allocation to the different demands in the Karaj region has been considered. To materialize this objective، genetic algorithm (GA) performance has been compared with the fixed lenght gene genetic programming (FLGGP) to extract mathematical equations without any predefined linear and nonlinear forms considering objective of minimization of the sum of the squared deviation between demand and allocated water. Results indicated that the achieved objective employing the FLGGP is 32. 58 percent smaller (better) than the same value obtained by the GA. Thus، the FLGGP performance and flexibility due to the use of functions and variables in the search space is better than The GA in conjunctive system.Keywords: genetic algorithm (GA), nonlinear programming (NLP), fixed location gene, genetic programming (FLGGP), water resources planning -
امروزه به دلیل تجاوز انسان ها به حریم رودخانه ها و نیز تخریب پوشش گیاهی، خسارات ناشی از وقوع سیل افزایش یافته است. این عوامل سبب می شوند تا علاوه بر افزایش خسارات جانی و مالی، خساراتی نظیر فرسایش خاک در بالادست و رسوب گذاری در پایین دست نیز به وجود آیند. در این تحقیق هدف، ارائه راهکاری به منظور کاهش خسارات ناشی از وقوع سیل با استفاده از روش سازه ای و نیز بررسی پهنه سیلاب در اطراف رودخانه ها و بررسی مکان های مناسب برای ایجاد دیواره های حفاظتی در مناطق پرخطر می باشد. به منظور دستیابی به بیشینه سود ناشی از کنترل سیل و نیز کمینه هزینه احداث دایک های حفاظتی از الگوریتم بهینه سازی ژنتیک استفاده شده است. تابع هدف در این تحقیق بیشینه کردن سود طرح می-باشد. مدل برای رودخانه صرم و خورآباد استان قم برای طول تقریبا 10 کیلومتر از رودخانه با دبی حداکثر سیلاب برای دوره بازگشت 50 و 100 ساله به ترتیب برابر با 279 و 332 متر مکعب بر ثانیه اجرا شد. به منظور طراحی دیواره ها از خاکریزهای ذوزنقه ای با شیب ثابت دیواره استفاده شده است. محل و ارتفاع مناسب این دیواره ها به نحوی تعیین می شوند که میزان خسارتی که در صورت احداث دایک های حفاظتی به منطقه وارد نخواهد شد منهای هزینه ساخت دایک های حفاظتی بیشینه گردد. در صورت احداث دایک های حفاظتی میزان خسارت وارد شده به منطقه حدود 99 درصد نسبت به شرایط عدم وجود دایک کاهش یافته است.
کلمات کلیدیکلید واژگان: پهنه بندی سیل، دایک های حفاظتی، بهینه سازی، الگوریتم ژنتیکThe man’s craving for water has inspired many civilizations to be formed near rivers. The social and economic destructive consequences of flood in human societies are considered undeniable facts. Today human trespasses on riversides and also vegetation destruction have caused increase in flood damages. These factors lead to be not only vital and financial damages, but also damages such as soil erosion in upstream and soil deposition in downstream. This research aims to decrease flood damages using structural methods as well as investigating and finding proper locations to construct protective levees in high risk areas via studying torrent area of riversides. In this research, the Genetic Algorithm (GA) are applied to maximize the benefit of flood control and also to minimize the cost of protective levees construction. Therefore, the fitness function of the research is defined to maximize net benefit of the project. The objective of the present paper is to evaluate this method for decreasing flood damages in the “Sarm” and “Khoor Abad” rivers, located in Qom province in Iran. The proper location and height of levees are defined whether the factor of “the level of saved losses to the region by constructing protective levees minus the cost of constructing protective levees” is maximized. The results indicate that by constructing protective levees the rate of damages reduces up to 99% in comparison with a non-constructed protective levees scenario.Keywords: Flood Optimization, Protective Levee, Optimization, Genetic Algorithm (GA)
- 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.