توانایی های فراوان روش های شبیه سازی مونت کارلو موجب کاربرد روزافزون آنها در حل مسایل مختلف قابلیت اعتماد سازه ها شده است.این روش ها بر پایه تولید نمونه هایی تصادفی به منظور شبیه سازی پیشامدها و برآورد نتایج آنها استوارند. دستیابی به دقتی معین مستلزم تعداد قابل توجهی از عملیات شبیه سازی می باشد.با اتخاذ رویکرد های مختلف می توان با تعداد کمتری از نمونه ها به دقت های قابل قبولی دست یافت.روش نمونه گیری با اهمیت (ISM) و روش امید ریاضی مشروط (CEM) از جمله این روش هایند که توانایی های بالایی در مسایل قابلیت اعتماد سازه ها از خود نشان داده اند. در این مقاله برای محاسبه قابلیت اعتماد سازه ها یک روش ترکیبی ارایه گردیده و با ترکیب ISM و CEM به ارائه الگوریتمی که از راندمان بالایی در محاسبة قابلیت اعتماد برخوردار است پرداخته شده است.در این روش با استفاده از توانایی هایی بالای ISM و با استفاده از الگوی شکل بهینه  تابع نمونه گیری، عملیات نمونه گیری در CEM انجام و مقدار احتمال خرابی برآورد می گردد. مثالهای ارایه شده در مقاله نشان دهنده ی بالای این روش ترکیبی پیشنهادی در حل مسایل قابلیت اعتماد می باشند. کارایی بسیار خوب این الگوریتم در حل مسایل قابلیت اعتماد تابع زمان سازه ها با حل یک مساله واقعی نشان داده شده است.

زمینه: علی رغم مزایای فراوان تقسیم بندی Lenke در مورد اسکولیوز ایدیوپاتیک بالغین، مطالعه Richards و همکارانش مشخص نمود که تقسیم بندی king بهتر از آنچه قبلا تصور می شد، می باشد و تقسیم بندی Lenke برای اسکولیوزایدیوپاتیک بالغین کمتر از آنچه قبلا گزارش می شد، قابل اعتماد است.روش کار: در مطالعه حاضر مقایسه این دو سیستم تقسیم بندی به وسیله چند جراح صورت گرفت. بعد از آموزش و بحث پیرامون همه اطلاعات در دسترس این سیستم های طبقه بندی، به وسیله چهار جراح ستون فقرات (بعد از یک تقسیم بندی اولیه و طرح اولیه) رادیوگرافی های قبل از عمل به صورت مستقل بررسی شد. رادیوگرافی ها شامل رادیوگرافی ایستاده قدامی خلفی، جانبی و دو نمای خم شده به پهلو بودند. 99 بیمار مبتلا به اسکولیوز ایدیوپاتیک در این مطالعه وارد شدند. نتایج براساس محاسبه متوسط درصد هماهنگی interobserver و intraobserver صورت گرفت. میزان قابلیت اعتماد با استفاده از ضریب کاپا، کمی شد.یافته ها: قابلیت اعتماد inter & intraobsever در مورد سیستم تقسیم بندی king، 8.85% و ضریب هماهنگی کاپا، 0.8 بود. میزان هماهنگی intraobserver نیز، 80.8% و ضریب کاپا، 74% بود. تقسیم بندی کامل lenke با استفاده از ترکیب نوع انحنا، متغیر کمری (Lumbar modifier) و متغیر ساژیتال توراسیک (Sagital thorasic modifier) بیانگر قابلیت اعتماد مناسبی در intra & interobserver بود. میزان هماهنگی دسته بندی یک متخصص در دو زمان، 86.9% و ضریب کاپا 0.821 محاسبه شد و میزان هماهنگی دسته بندی بین دو متخصص در مورد یک بیمار، 83.8% و ضریب کاپا، 0.781 بود.نتیجه گیری: در این مطالعه که هر متخصص خود اقدامات مربوط به دسته بندی را به صورت جداگانه انجام می داد (non measurement) تقسیم بندی king و Lenke منجر به نتایج مشابه شدند (تقسیم بندی Lenke به صورت جزیی بهتر بود). این نتایج ممکن است به علت آموزش بهتر و کامل تر متخصصین باشد. به علت پوشش مناسب تر انحنا در اسکولیوز ایدیوپاتیک و مفید بودن تقسیم بندی Lenke، این سیستم در مرکز آموزشی درمانی پژوهشی سینا مورد استفاده قرار می گیرد.

روش مرتبه ی اول هاسفر لین ـ راکیویتز فیسلر به شکل گسترده یی در تحلیل قابلیت اعتماد سازه ها استفاده شده است. با این حال، مرتبه ی بالای غیرخطی بودن تابع حالت حدی می تواند به ناپایداری حل مسئله در الگوریتم های بهینه سازی غیرخطی منجر شود. مطالعه ی حاضر قصد دارد تا ویژه سازی یک الگوریتم بهینه سازی غیرخطی عددی جهت یافتن نقطه ی طراحی در فضای استاندارد نرمال و احتمال شکست متناظر با آن را در قالب یک ساختارسازی جدید ارائه کند. روش برنامه ریزی توالی کمینه ی مربعات برای حل یک مسئله ی قابلیت اعتماد سازه ها، دارای همگرایی سریع و کارایی بالا در مرحله ی خطی سازی تابع حالت حدی است. روش مذکور، مسئله ی اولیه را با یک مسئله ی خطی کمینه ی مربعات از طریق گسسته سازی های پایدار برای ماتریس هسیان جایگزین می کند و همواره یک حل پایدار را نتیجه می دهد. بعد از دستیابی به پاسخ در مرحله ی خطی سازی، روش میانگین موردانتظار احتمالاتی با در نظر گرفتن ماتریس هسیان و فضای دوران یافته استفاده شده است، تا دقت محاسباتی پاسخ به دست آمده را به دقتی نزدیک به روش شبیه سازی مونت کارلو اصلاح کند.

The Big Five Inventory (BFI) is one of the most widely used personality questionnaires, but very few studies have been conducted on its psychometric properties in Iranian population. This study was carried out with the aim of studying the psychometric properties of the BFI questionnaire. For this purpose, 390 university students in Tehran (210 girls and 180 boys) with an age range of 18 to 56 years (M = 27.52; SD = 8.79) were selected using the convenience sampling method and completed BFI and NEO-FFI questionnaires. Cronbach's alpha, multitrait-multimethod matrix, and confirmatory factor analysis were used to estimate the psychometric properties of the questionnaire. The result of the confirmatory factor analysis showed that 15 of the 44 items did not have a strong factor loading (higher than 0.40) on the corresponding factors and were therefore removed from the questionnaire. The fit indices showed that the Persian version of 29 questions (BFI-29) with 5 factors has a good fit with the data. The reliability analysis also showed that the range of Cronbach's alpha coefficients of the factors is from 0.70 to 0.79. The lowest Cronbach's alpha coefficient was related to agreeableness factor and the highest was related to conscientiousness. The findings from the multitrait-multimethod matrix showed that the BFI-29 questionnaire has good convergent and divergent validity with the NEO-FFI questionnaire. In general, based on the results of the present study, it can be said that the BFI-29 questionnaire has desirable psychometric properties and whenever a short tool for personality measurement is needed, this questionnaire can be used.

براورد صحیح احتمال خرابی همراه با حجم محاسبات پایین، دغدغه اصلی در قابلیت اعتماد سازه ها به شمار می آید. روش شبیه سازی مونت کارلو، به سادگی می تواند براورد صحیحی از احتمال خرابی ارائه دهد. اما، برای مسائل پیچیده مهندسی با احتمال خرابی پایین زمان بر بوده و ممکن است براورد ناکارامدی از احتمال خرابی ارائه دهد. در این مقاله، بر اساس یک روش وزنی، کارایی روش شبیه سازی مونت کارلو بهبود بخشیده شده است. بر مبنای یک تابع نمایی، وزن نمونه ها به صورت تصادفی در فضای طراحی تنظیم شده و داده های تنظیم شده تصادفی، برای بهبود روش مونت کارلو استفاده شده است. عملکرد همگرایی روش وزنی تصادفی شبیه سازی مونت کارلو مانند صحت و میزان براورد تابع عملکرد، به کمک چندین مثال غیرخطی ریاضی و سازه ای با متغیرهای تصادفی نرمال و غیرنرمال با روش شبیه سازی مونت کارلو مقایسه شده است. نتایج حاکی از آن است که روش پیشنهادی، نتایج صحیحی براورد کرده و در حدود 100 تا 1000 برابر حجم محاسبات را نسبت به روش مونت کارلو کاهش داده است.