چکیده: هنگام بررسی یک کارآزمایی بالینی آموخته ایم که جهت ارزیابی میزان دقت بررسی به عدد P مراجعه و هر چه کمتر بود، کارآزمایی با دقت بیشتری انجام شده است. مفهوم عدد P چیست و چگونه محاسبه می شود؟

مشکل تنگنای ابعاد، یکی از چالش هایی است که کاربرد الگوریتم های یادگیری تقویتی گسسته را در مورد مسائل کنترلی واقعی که دارای فضای حالت و عمل بزرگ و یا پیوسته می باشند محدود نموده است. ترکیب روش های آموزشی گسسته با تقریب زننده های تابعی برای حل این مشکل چندی است مورد توجه محققان قرار گرفته است. در همین راستا در این مقاله یک الگوریتم جدید یادگیری تقویتی عصبی (NRL) بر مبنای معماری نقاد-تنها معرفی می گردد. الگوریتم مذکور از ترکیب الگوریتم یادگیری سارسا با شبکه عصبی RBF به عنوان یک تقریب زننده تابعی حاصل شده است و ما آن را «یادگیری سارسای عصبی» (NSL) می نامیم. ورودی های شبکه جفت حالت و عمل های مساله و خروجی آن تابع ارزش عمل تقریب زده شده می باشد. وزن های شبکه به صورت بر خط با توجه به الگوریتم ارائه شده تنظیم می گردند. به عنوان یک شرط لازم همگرایی ما همچنین وجود نقاط ایستای منطبق بر نقاط ثابت الگوریتم «تکرار تقریب ارزش عمل» برای NSL را اثبات می نماییم. نتایج شبیه سازی ارائه شده در مورد مسائل خودرو در کوهستان و آکروبات حاکی از عملکرد مناسب تر روش ارائه شده از لحاظ سرعت آموزش و کیفیت عملکرد می باشد.

با توجه به شرایط آب و هوایی و روند نابودی و تخریب جنگل ها، جنگل کاری جهت حفاظت از خاک و آب و تأمین نیاز های بشر، یک امر ضروری است. جنگل کاری با گونه صنوبر افزون بر تولید چوب، سودمندی های محیط زیستی و اجتماعی فراوانی به همراه دارند که اغلب آنها بدون بازار می باشند. در این مطالعه 2 مورد از خدمات اکوسیستمی صنوبر کاری ها از منظر اقتصادی موردتوجه قرار گرفت و با رویکردهای گوناگون ارزش گذاری شد. در این بررسی از روش های ارزش گذاری مستقیم بازار و روش هزینه جایگزین به ترتیب برای تعیین ارزش فرآورده های چوبی و غیرچوبی استفاده شد. نتایج نشان داد که ارزش کارکردهای تنظیم گاز و تولیدی به ترتیب معادل 41/1 میلیارد ریال و 54/1 میلیون ریال در سال در سطح 14 هکتاری منطقه مورد مطالعه، برآورد شد. لذا کارکرد تنظیم گاز سهم بیشتری از ارزش های برآورد شده را به خود اختصاص داد. این نتیجه بیانگر آن است که به طورکلی ارزش اقتصادی منطقه جنگل کاری شده مورد مطالعه از جنبه محیط زیستی بیشتر از جنبه تولیدی می باشد.

یکی از ویژگیهای تجزیه و تحلیل پوششی داده ها (DEA) این است که به هرکدام از واحدهای تصمیم گیرنده (DMU) امکان می دهد تا وزن عوامل را بگونه ای انتخاب نمایند که هنگام محاسبه کارایی، بیشترین امتیاز را عاید خود سازند. از طرف دیگر، این انعطاف پذیری در وزن عوامل، مقایسه واحدهای تصمیم گیرنده را بر اساس یک مجموعه وزنهای مشترک، دشوار می نماید. در این مقاله، برای غلبه بر این مشکل و ارزیابی تمامی DMU ها با یک مقیاس یکسان، رویکرد برنامه ریزی خطی چند هدفی (MOLP) ارائه می گردد که مبتنی بر روش scalarizing function است که برای ارائه مجموعه وزنهای مشترک بکار رفته است و همین امر، مزیت این روش را نسبت به سایر روشهای موجود بیان می کند که همگی بر برنامه ریزی غیرخطی چند هدفی مبتنی می باشند.

سابقه و هدف: بر اساس مطالعات انجام شده، همزمان نمودن عملکرد بطن ها از طریق ضربان ساز دوبطنی باعث بهبود کلینیکی در بیماران مبتلا به نارسایی متوسط تا شدید قلبی می شود. با توجه به این که استفاده از این روش در کشور ما ایران نیز رو به افزایش است، انجام تحقیقی در این زمینه لازم به نظر می رسد.مواد و رو شها: این مطالعه یک بررسی مداخله ای است که 65 بیمار با نارسایی قلبی متوسط تا شدید مورد بررسی قرار گرفتند. همه بیماران مورد مطالعه دارای VІ یا New York Heart Association (NYHA) CLASS ІІІ بودند که علی رغم درمان مطلوب دارویی (مهار کننده مبدل آنزیمی آنژیوتانسینІІ ، بلوکرگیرنده آنژیوتانسین، دیورتیک، بتابلاکر، دیگوکسین) درهمان وضعیت باقی مانده بودند. همچنین همگی بیماران دارای EF £ 35% وQRS ³ 0.12  نیز بودند. همه بیماران قبل و سه ماه بعد از کارگذاری پیس میکر از نظر  (NYHA) function classو اکوکاردیوگرافی به روش (TDI) Tissue Doppler Imaging و الکتروکاردیوگرافی 12 لید مورد بررسی قرار گرفتند.یافته ها: میانگین سنی بیماران مورد بررسی در این مطالعه، 10.28±60.32 سال بود. میانگین تغییرات پهنای QRS،  -0.05ms±0.02 (0.14 ms±0.01 vs. 0.09 ms±0.01، P=0.000)بود. میانگین تغییرات EF 7/41 ، 6.83±7.41 + درصد (27.93±8.46 درصد 21.9±7.05 vs. درصد، P=0.000) بود. وضعیت عملکردی بیماران بر اساس Class NYHA (3.14±0.34 vs. 2.28±0.52، P=0.000) بهتر شده بود.نتیجه گیری: این تغییرات نشان از سود بردن بیماران نارسایی قلب متوسط تا شدید از ضربان ساز دو بطنی است.