برای طراحی جاده های جنگلی به گونه ای که افزون بر حداقل سازی هزینه ی ساخت، رضایت طرفداران محیط زیست را نیز جلب کند، باید اطلاعات دقیقی از شرایط روی زمینی و زیر زمینی بستر جاده در اختیار طراحان و پیمانکاران قرار گیرد. از طرفی با توجه به حجم زیاد داده ها به کارگیری روش های بهینه سازی با کمک رایانه ها ضروری به نظر می رسد. بدین منظور این پژوهش در جاده ای پیش بینی شده به طول تقریبی یک کیلومتر در جنگل های سری چهار باباکوه شهرستان سیاهکل در استان گیلان انجام گرفت. همه ی مراحل اجرایی عملیات خاکی، مورد بررسی زمان سنجی پیوسته قرار گرفت و اطلاعات لایه های زیرسطحی از جنبه ی سختی حفاری به دقت ثبت شد. در مرحله ی بعد برای اصلاح خط پروژه از الگوریتم بهینه سازی کلونی مورچگان استفاده شد. نتایج مقایسه ی روش الگوریتم بهینه یابی کلونی مورچگان با سناریوی طراحی دستی نشان داد که الگوریتم چندهدفه ی ارائه شده در این پژوهش، شامل کاهش حجم و هزینه ی عملیات خاکی قابلیت زیادی در کاهش هزینه های عملیات خاکی و حجم آن دارد. براساس نتایج، الگوریتم بهینه سازی کلونی مورچگان به مقدار 55/58 و 64 درصد قادر به کاهش هزینه و حجم عملیات است. از نتایج این پژوهش می توان به عنوان راهنمایی در مدیریت بهینه ی ساخت جاده ی جنگلی و توسعه ی روش های کارامد در دیگر علوم جنگلی استفاده کرد.

حمله انکار سرویس، یکی از شایع ترین و بزرگ ترین تهدیدات در اینترنت به شمار می آید که به وسیله تقلب در منبع آدرس آی پی انجام می پذیرد و منجر به استفاده از منابع سامانه و در نتیجه کاهش کارایی شبکه می شود. ردیابی حملات انکار سرویس به روش الگوریتم «فرا ابتکاری مورچگان»، یکی از راهکارهای موثر مقابله با این گونه از حملات است که از سطح جریان ترافیک برای ردیابی منبع حمله، بهره می برد. در این تحقیق به بهبود ردیابی الگوریتم مورچگان پرداخته شده و با تقویت جریان های ترافیک محتمل تر و کاستن فضای جستجو و تغییر در انتخاب گره پایانی، موفق شده که این الگوریتم بهبود بخشیده شود. نتایج شبیه سازی شده نشان می دهد که راهکار پیشنهادی می تواند حمله ها، حتی اگر شدت ترافیک حمله بسیار کم باشد و یا اگر جریان حمله ای غیر از حمله موجود در مسیریاب های شبکه وجود داشته باشد، را به درستی ردیابی کند و این قدمی جدید در عرصه ردیابی حملات به کمک الگوریتم های فرا ابتکاری، جهت ردیابی حملات انکار سرویس توزیع شده محسوب می شود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

شناخت کیفیت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت ها بسیار حائز اهمیت است. هدف از این پژوهش بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی (ANN) و الگوریتم کلونی مورچگان (ACO) و مقایسه آن با مدل خطی (LR) است. برای این منظور از 28 متغیر تاثیرگذار بر مدیریت سود در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سال های 1390 الی 1395 در 124 شرکت پذیرفته شده بورس اوراق بهادار تهران استفاده گردید. نتایج کلی حاصل از این پژوهش نشان داد که روش شبکه ی عصبی مصنوعی و الگوریتم کلونی مورچگان در پیش بینی مدیریت سود نسبت به روش خطی دقیق تر و دارای سطح خطای کمتری است. همچنین دقت ترکیب الگوریتم کلونی مورچگان با شبکه ی عصبی (A-ANN) حاکی از برتری این الگو در قیاس با الگوی شبکه عصبی مصنوعی است. نتایج ترکیب شبکه ی عصبی مصنوعی الگوریتم کلونی مورچگان با ضریب همبستگی (878/0) نشان داد این الگو با شش متغیر دقت پیش بینی، سهم مالکیت سهامداران عمده، سودآوری، نوسانات سود، سن شرکت و اندازه شرکت توانایی پیش بینی مدیریت سود را با دقت 97 درصد دارد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

هدف اصلی این تحقیق، بررسی قابلیت استفاده از الگوریتم ترکیبی ژنتیک-کلونی مورچگان با رویکرد تولید جواب های آزمایشی و بهبود آنها برای تولید جواب تحلیلی-عددی انواع مختلفی از معادلات دیفرانسیل معمولی و جزئی است. الگوریتم بهینه سازی کلونی مورچگان (ACO) یک الگوریتم مناسب دارای دقت و سرعت همگرایی بالا برای یافتن جوابهای تقریبی برای حل مسائل بهینه سازی با استفاده از تابع احتمال وابسته به میزان اثر باقیمانده از حرکت مورچه هاست. الگوریتم ژنتیک نیز یک روش بهینه-سازی مبتنی بر اپراتورهای جهش و تقاطع است که دارای منطقه جستجوی گسترده ای است که مانع از به تله افتادن الگوریتم در جواب محلی می شود. ترکیبی از این دو الگوریتم، یک الگوریتم با حداکثر کارایی را ایجاد می کند. بررسی مثالهای گوناگون در بخش پایانی مقاله سرعت و دقت بالای روش پیشنهادی را نمایش می دهد.