متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

طبقه بندی چندبرچسبی یکی از مسائل مهم در یادگیری ماشین است که کارایی الگوریتم های این طبقه بندی با افزایش ابعاد مسأله به شدت کاهش می یابد. انتخاب ویژگی، یکی از راهکارهای اصلی برای کاهش ابعاد در مسائل چندبرچسبی است. انتخاب ویژگی چندبرچسبی یک راهکار NP Hard است و تا کنون تعدادی راهکار مبتنی بر هوش جمعی و الگوریتم های تکاملی برای آن ارائه شده است. افزایش ابعاد مسأله منجر به افزایش فضای جستجو و به تبع، کاهش کارایی و همچنین کاهش سرعت همگرایی این الگوریتم ها می شود. در این مقاله یک راهکار هوش جمعی ترکیبی مبتنی الگوریتم دودویی بهینه سازی ازدحام ذرات و استراتژی جستجوی محلی برای انتخاب ویژگی چندبرچسبی ارائه شده است. برای افزایش سرعت همگرایی، در استراتژی جستجوی محلی، ویژگی ها بر اساس میزان افزونه بودن و میزان ارتباط با خروجی مسأله به دو دسته تقسیم بندی می شوند. دسته اول را ویژگی هایی تشکیل می دهند که شباهت زیادی به کلاس مسأله و شباهت کمتری به سایر ویژگی ها دارند و دسته دوم هم ویژگی های افزونه و کمتر مرتبط است. بر این اساس، یک اپراتور محلی به الگوریتم بهینه سازی ازدحام ذرات اضافه شده که منجر به کاهش ویژگی های غیر مرتبط و افزونه هر جواب می شود. اعمال این اپراتور منجر به افزایش سرعت همگرایی الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده در این زمینه می شود. عملکرد روش پیشنهادی با شناخته شده ترین روش های انتخاب ویژگی، بر روی مجموعه داده های مختلف مقایسه گردیده است. نتایج آزمایش ها نشان دادند که روش پیشنهادی از نظر دقت، دارای عملکردی مناسب است.

وجود مراکز بهداشتی و بیمارستان ها در تمام جوامع ضروری است و مکان یابی و تخصیص جمعیت به آن ها یک مسئله بهینه سازی مهم در برنامه ریزی شهری می باشد. هدف از این پژوهش، مقایسه و ارزیابی عملکرد الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات ترکیبی برای تعیین مکان بهینه مراکز بیمارستان و تخصیص نقاط جمعیتی به آن ها می باشد. به منظور محدود کردن فضای جستجو، از قابلیت های تجزیه وتحلیل سیستم اطلاعات جغرافیایی (GIS) به همراه تحلیل سلسله مراتبیبرای انتخاب سایت های نامزد استفاده شده است. سپس الگوریتم های نام برده برای تعیین شش مکان بهینه و تخصیص بلوک های نظیر به آن ها پیاده سازی شده اند. در این تحقیق هدف به حداقل رساندن مجموع تمام فاصله های بین مراکز بیمارستانی و بلوک های جمعیتی می باشد که برای این منظور از توسعه الگوریتم بهینه سازی ازدحام ذرات با تعریف جستجوی همسایگی برای ذره نخبه، استفاده شده است. برای کالیبره کردن پارامترهای هر یک از الگوریتم ها، مجموعه ای از داده های شبیه سازی منظم به کار رفته است. با در دست داشتن مقادیر مناسب برای پارامترها، الگوریتم ها بر روی داده های واقعی از منطقه مطالعاتی مورد آزمایش قرار گرفتند. نتایج نشان داده است که الگوریتم بهینه سازی ازدحام ذرات ترکیبی دارای عملکرد بهتری نسبت به الگوریتم ژنتیک می باشد. روند همگرایی الگوریتمازدحام ذرات ترکیبی، سریع تر از الگوریتم ژنتیک می باشد. هر دو الگوریتم سطوح بالایی از تکرارپذیری را نشان داده اند؛ اما الگوریتم بهینه سازی ازدحام ذرات ترکیبی دارای ثبات بیشتری است. هم چنین برای هر دو نوع داده شبیه سازی و واقعی، الگوریتم بهینه سازی ازدحام ذرات ترکیبی سریع تر از الگوریتم ژنتیک عمل می کند. سادگی و تکرارپذیری الگوریتم ها از عوامل مهمی می باشند که ازنقطه نظر کاربر بسیار مهم است. بنابراین با توجه به این معیارها، بهینه سازی ازدحام ذرات ترکیبی مطلوب تر از ژنتیک بوده است.

بازاریابی مدرن بر پایه بخش بندی مشتریان استوار است. چرا که دیدگاه محصول محوری جای خود را به مشتری محوری داده است؛ لذا برای حفظ مشتریان کلیدی موجود، مهارت در ایجاد ارتباط صحیح با مشتری ضروری است. بخش بندی یکی از مباحث مطرح در حوزه مدیریت ارتباط با مشتری است. بدین منظور، استفاده از الگوی مناسب بخش بندی مشتریان، به سازمان این فرصت را می دهد که پیشنهادات ارزشمند خود را متناسب با نیازها و خواسته های بخش های هدف گیری شده طراحی و ارایه نموده و در نتیجه عملکرد خود را از دیدگاه های مختلف بهبود بخشد. هدف این مطالعه به کارگیری مدل مناسبی جهت بخش بندی مشتریان بر اساس شاخص هایی مانند طول ارتباط مشتری، تازگی مبادله، تعداد دفعات مبادله و ارزش پولی مبادله می باشد. جهت خوشه بندی داده ها در این مقاله، از تلفیق الگوریتم های بهینه سازی ازدحام ذرات با کای میانگین جهت غلبه بر مشکلاتی مانند حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی استفاده گردیده است. یافته های تحقیق نشان می دهد که مشتریان متعلق به خوشه اول در شاخص های «طول ارتباط با مشتری» و «تازگی خرید» دارای میانگینی بالا و در شاخص های «فرکانس خرید» و «مبلغ فروش» دارای میانگینی کم تر از سطح متوسط کل مشتریان و همچنین مشتریان متعلق به خوشه دوم در شاخص "تازگی خرید" دارای میانگینی بالا و در شاخص های«طول ارتباط با مشتری»، «فرکانس خرید» و «مبلغ فروش» دارای میانگینی کم تر از سطح متوسط کل مشتریان می باشند؛ لذا مشتریان خوشه اول از نظر وفاداری جزء مشتریان وفادار و از لحاظ ارزش جزء مشتریان نامطمئن و نیز مشتریان متعلق به خوشه دوم از نظر ماتریس وفاداری جزء مشتریان جدید و از لحاظ ارزش جزء مشتریان نامطمئن می باشند. در پایان نیز مشخص می گردد که الگوریتم طراحی شده برای دستیابی به خوشه بندی دقیق تر مشتریان از کارایی بالاتری نسبت به الگوریتم کای میانگین برخوردار است.

با عمومیت یافتن مدل های پیچیده هیدرولوژیکی، مدت زمان اجرای این مدل ها، به طور قابل توجهی در حال افزایش است. مقایسه و ارزیابی کارآیی الگوریتم های مختلف بهینه سازی، برای واسنجی این مدل های هیدرولوژیکی، در حال تبدیل شدن به یک مساله مهم است. در این پژوهش برای واسنجی پارامترهای هیدرولوژیکی مدل SWAT 2009 در حوضه آبخیز سنجابی، از الگوریتم بهینه سازی ازدحام ذرات (PSO) استفاده شده است. بدین منظور مدل SWAT با استفاده از لایه خاک، لایه کاربری اراضی، لایه رقومی ارتفاع و اطلاعات هواشناسی حوضه سنجابی اجرا شد و سپس با برقراری ارتباط بین خروجی این مدل و الگوریتم PSO در بسته نرم افزاری SWAT-CUP، 22 پارامتر جریان حساسیت سنجی شد و 8 پارامتر حساس تر برای بهینه سازی مقادیر آن ها انتخاب شدند. مقادیر تابع هدف ناش- ساتکلیف (NS) در دوره واسنجی و اعتبارسنجی به ترتیب برابر با 0.58 و 0.60 به دست آمده است که نشان دهنده شبیه سازی مطلوب رواناب با مدل SWAT پس از واسنجی پارامترهای آن با استفاده از الگوریتم PSO است. همچنین مقدار ضریب تعیین R2 و ضریب RMSE به ترتیب برای دوره واسنجی برابر با 0.65 و 6.74 و برای دوره اعتبارسنجی برابر با 0.67 و 3.66 به دست آمد که بیان گر کارآیی موثر الگوریتم PSO برای واسنجی مدل SWAT در شبیه سازی رواناب است.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.