تشکیل سبد سهام بهینه یکی از تصمیم گیری های مهم برای شرکت ها می باشد. به همین دلیل، انتخاب یک سبد سهام با نرخ بازدهی بالا و ریسک کنترل شده یکی از موضوعاتی است که مورد توجه محققان قرار گرفته است. هدف از این پژوهش، استفاده از الگوریتم های فراابتکاری برای انتخاب سبد سهام است. در این مطالعه، روشی بر مبنای الگوریتم ژنتیک چند هدفه  NSGA-II برای تشکیل سبد سهام ارائه شده و ارزش در معرض ریسک به عنوان معیار اندازه گیری ریسک مورد توجه قرار گرفته است. همچنین از داده های 50 شرکت برتر بورس اوراق بهادار تهران برای سال های 89-1385 استفاده شده است. نتایج نشان داد که الگوریتم ژنتیک چند هدفه می تواند جهت انتخاب سبد سهام بهینه بکار رود و عملکرد سبد طراحی شده توسط الگوریتم ژنتیک با عملکرد سبد سهام 50 شرکت برتر با اوزان مساوی تفاوت دارد.

طبقه بندی داده ها از مباحث اساسی علم مدیریت است که از رویکردهای مختلفی مورد بررسی قرار گرفته است. روش های هوش مصنوعی از مهمترین روش های طبقه بندی هستند که اغلب آنها تابع دقت کل را در ارزیابی عملکرد مد نظر قرار می دهند. از آنجاییکه در دیتاست های نامتوازن، این تابع، هزینه خطاهای پیش بینی را یکسان در نظر می گیرد، در این پژوهش علاوه بر تابع دقت کل، از تابع حساسیت نیز به منظور افزایش دقت در هر یک از کلاس های از پیش تعریف شده، استفاده شده است. به علاوه، بدلیل پیچیدگی فرآیند کسب اطلاعات از تصمیم گیرنده، از الگوریتم فرا ابتکاری NSGA II جهت استنتاج مقادیر پارامترها، (بردار وزن و سطوح برش بین کلاس ها) استفاده گردیده است. در هر تکرار، الگوریتم با استفاده از بردار وزن برآورد شده و دیتاست ها، امتیاز هر آلترناتیو را با تابع Sum Product محاسبه نموده و در مقایسه با سطوح برش تخمینی، آن آلترناتیو را به یکی از دسته ها تخصیص می دهد. سپس با استفاده از توابع برازش، دسته تخمینی و دسته واقعی را مقایسه نموده و این فرایند تا بهینه سازی پارامترها ادامه می یابد. مقایسه نتایج الگوریتم های NSGA II و NRGA، نشان دهنده کارایی بالای الگوریتم ارائه شده است.

سابقه و هدف: با توجه به افزایش روزافزون محدودیت منابع آبی، نیاز به برنامه ریزی جهت استفاده بهینه و درست از منابع آبی به ویژه در بخش کشاورزی که بیشتر منابع آبی را مصرف می کند، احساس می شود. در راستای تدوین یک برنامه جهت مدیریت روند استفاده از منابع آبی در دسترس در شبکه آبیاری حمیدیه، پژوهشی به منظور تخصیص بهینه منابع آبی به الگوی کشت این شبکه آبیاری صورت گرفت. مواد و روش ها: در این راستا سال آبی 95-94 به 36 دوره ده روزه تقسیم شده و مدلی چند هدفه جهت تخصیص منابع آبی به هر یک از دوره های ده روزه با هدف بیشینه سازی میزان کارایی مصرف آب نسبی و نسبت درآمد به هزینه به کمک الگوریتم ژنتیک با رتبه بندی نامغلوب ایجاد شد. همچنین جهت کمینه سازی خطای برآورد کاهش محصول در شرایط اعمال کم آبیاری، یک مدل بهینه سازی تک هدفه با کمک الگوریتم ژنتیک ایجاد شد. یافته ها: نتایج مطالعه حاضر نشان داد که میزان برآورد شده کاهش محصول با استفاده از ضرایب حساسیت به تنش آبی ارایه شده در مطالعات پیشین در اثر اعمال کم آبیاری به تمامی مراحل رشد گیاه از 5/16 تا 5/195 درصد متغیر است که کاهش محصول بیش از صد درصد نمایانگر وجود خطاست. درحالی که میزان کاهش محصول برآوردی با استفاده از ضرایب اصلاح شده از 8 تا 5/57 درصد متغیر می باشد. از آنجا مدل تخصیص بهینه منابع آبی مدلی چند هدفه و دارای بیش از یک پاسخ بهینه است که هیچ یک بر دیگری برتری نداشته و بر اساس شرایط مدیریتی پاسخ مناسب انتخاب می گردد، سه پاسخ از پاسخ های بهینه موجود در قالب سه سناریو انتخاب شد تا با شرایط فعلی تخصیص آب مورد مقایسه قرار گیرند. نتایج مدل تخصیص بهینه منابع آبی نشان داد که با وجود تغییرات ناچیز در میزان نسبت درآمد به هزینه، میزان کارایی مصرف آب نسبی حداقل 9 درصد افزایش یافته و کاهش حداقل 26 درصدی منابع آب را به دنبال دارد. همچنین سطح کشت به میزان 192، 189 و 182 هکتار به ترتیب در سناریو های اول تا سوم افزایش می یابد. از طرف دیگر، در سناریوی اول و سوم میزان سود اقتصادی به ترتیب به میزان 5/19 و 7/10 میلیارد ریال نسبت به وضعیت فعلی افزایش می یابد، درحالی که در سناریوی دوم سود اقتصادی با کاهش 4/8 میلیارد ریالی همراه است. نتیجه گیری: با بهینه سازی تخصیص منابع آبی ضمن صرفه جویی چشمگیر در آب مصرفی، محصول تولیدی به ازای آب مصرفی و همچنین سود اقتصادی نیز بسته به جواب انتخابی می تواند افزایش یابد. همچنین تخصیص بهینه منابع آبی باعث افزایش سطح کشت می شود که این به معنای احیاء اراضی آیش است.

در موضوعات مالی سبد سهام را می توان به معنی یک ترکیب و یا مجموعه ای از سرمایه گذاری ها دانست که بوسیله یک موسسه و یا یک فرد نگهداری می شود. بهینه سازی سبد سهام به منظور حداکثر سازی سود یکی از اصلی ترین دغدغه های سرمایه گذاران در بازارهای مالی است. تشکیل سبد سهام به عنوان یک تصمیم گیری حساس و حیاتی برای شرکتها شناخته شده است. در واقع مساله انتخاب سبد سهام مساله تخصیص سرمایه بین گزینه های مختلف سهام می باشد. به همین دلیل انتخاب یک سبد سهام با نرخ بازدهی بالا و ریسک کنترل شده یکی از موضوعاتی است که مورد توجه بسیاری از محققان قرار گرفته است. روش های فعلی در بهینه سازی سبد سهام از کارائی لازم برخوردار نبوده و لذا برای حل این مشکل الگوریتم های ابتکاری مورد توجه قرار گرفته اند. الگوریتم ژنتیک یکی از الگوریتم های ابتکاری است که می تواند مسائل بهینه سازی سبد سهام را با کارائی بالا انجام دهد. هدف تحقیق حاضر توضیح کامل الگوریتم ژنتیک و استفاده از این الگوریتم در مسائل بهینه سازی سبد سهام می باشد. مساله انتخاب سبدهای سهام آن قدر پیچیده هستند که روشهای حل فعلی در برابر آن ناتوان بوده، از این رو استفاده از الگوریتم های ابتکاری برای حل آنها مورد توجه قرار گرفته و توسعه یافته است. در این پژوهش روشی بر مبنای الگوریتم ژنتیک چند هدفه NSGA-II برای تشکیل سبد سهام ارائه می شود. همچنین ما داده های 30 شرکت برتر را از شرکتهای بورس اوراق بهادار تهران به عنوان نمونه آماری انتخاب نموده و اطلاعات سهام آنها را از ابتدای سال 1386 تا پایان سال 1390 مورد استفاده قرار داده ایم. نتایج نشان می دهد که الگوریتم ژنتیک چند هدفه NSAG-II طراحی شده برای انتخاب سبد سهام ابزاری مناسب و کارا برای کمک به سرمایه گذاران در انتخاب سبد سهام می باشد.

فیزیک ظریف و حساسیت بالا در فرآیند تبدیل شلتوک به برنج سفید از یک سو و اهمیت کیفیت و نقش آن در ارزش افزوده محصول نهایی از سوی دیگر بیانگر اهمیت مدیریت سه شاخص کیفیت، هزینه و زمان در تولید برنج می باشد. لذا هدف از این مطالعه دستیابی به چیدمانی بهینه از روش های مختلف با کمترین هزینه، کمترین زمان و بالاترین کیفیت در فرآیند تبدیل می باشد. بدین منظور تمامی روش های ممکن برای هر مرحله از فرآیند تبدیل در واحدهای شالی کوبی مدرن بیان گردید و بازه ای از اعداد فازی برای آن ها در نظر گرفته شد. همچنین مدیریت ریسک نیز با اعمال برش های فازی بین صفر تا یک، جهت بررسی عدم قطعیت انجام شد. در گام بعد نیز با استفاده از الگوریتم های ژنتیک مبتنی بر دسته بندی نامغلوب (NSGA-II) و رتبه بندی نامغلوب (NRGA-II) مدیریت پروژه صورت پذیرفت. طبق نتایج، الگوریتم ژنتیک (NSGA-II) عملکرد بهتری نسبت به الگوریتم ژنتیک (NRGA-II) در حل این مسئله از خود نشان داد و نهایتاً در واحدهای شالی کوبی مدرن کمترین زمان، کمترین هزینه و بالاترین کیفیت در شرایط قطعی (1=α ) به ترتیب 22/22 ساعت، 8088170 ریال و 62 درصد به دست آمد.

مسئله انتخاب و بهینه سازی سبد سهام از مباحث مهم در حوزه سرمایه گذاری محسوب شده که موجب ارائه مدل های مختلفی جهت حل آن ها گردیده است. این قبیل مسائل غیر خطی و NP-Hard بوده و حل آن ها به روش دقیق بسیار مشکل و زمان بر است. با عنایت به اینکه روش های فرا ابتکاری قابلیت بالایی در حل مسئله بهینه سازی سبد سهام داشته، ازاین رو در این پژوهش با ارائه مدل میانگین – واریانس و نوعی از مدل میانگین - ارزش در معرض ریسک که در آن موضوع ارزش در معرض ریسک از منظری دیگر بررسی می گردد، و لحاظ محدودیت های دنیای واقعی، به حل مسئله بهینه سازی سبد سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم های ژنتیک رتبه بندی نامغلوب II،کلونی مورچگان چندهدفه و کلونی زنبور مصنوعی چندهدفه پرداخته و در همین راستا عملکرد الگوریتم ها و مدل های موردمطالعه، مقایسه و بررسی شده است. نتایج این مطالعه نشان می دهد، در تکرار پایین در اجرای الگوریتم های موردبررسی، عملکرد الگوریتم ژنتیک رتبه بندی نامغلوب II بهتر از الگوریتم های کلونی زنبور مصنوعی چندهدفه و کلونی مورچگان چندهدفه است. با افزایش تکرار، عملکرد الگوریتم ها بهبودیافته، لیکن نرخ بهبود عملکرد آن ها یکسان نیست ، به نوعی که عملکرد الگوریتم کلونی زنبور مصنوعی چندهدفه از دو الگوریتم دیگر موردمطالعه بهتر بوده است. برای مقایسه عملکرد مدل های موردمطالعه، هر دو مدل در الگوی استاندارد میانگین- واریانس مورد مقایسه قرار گرفت که نتایج آن حاکی از کارآمدی بالاتر معیار ارزش در معرض ریسک به نسبت معیار واریانس در بهینه سازی سبد سهام است.

در این مقاله، یک چارچوب برای بهینه سازی چندهدفه سیستم ترکیبی فتوولتائیک/دیزل ژنراتور (PV/DG) ارائه شده است. این مطالعه طراحی سیستم PV/DG را با اهداف کاهش هزینه، کاهش آلایندگی و افزایش قابلیت اطمینان دنبال می کند. هزینه خالص فعلی (TNPC)، آلایندگی دی اکسیدکربن و احتمال ازدست دادن منبع تغذیه (LPSP) به عنوان توابع هدف مسئله انتخاب شده اند. این سیستم در سه وضعیت 1-بدون در نظر گرفتن عدم قطعیت و رزرو، 2-با در نظر گرفتن عدم قطعیت و 3-با در نظر گرفتن عدم قطعیت و رزرو بررسی شده است. به منظور حل مؤثر این مسئله بهینه سازی، نسخه چندهدفه الگوریتم جستجوی کلاغ (MO-CSA) توسعه داده شده و نتایج شبیه سازی با نتایج حاصل از الگوریتم پرطرفدار ژنتیک مبتنی بر رتبه بندی نامغلوب II (NSGA-II) مقایسه شده است. کدنویسی مسئله در محیط نرم افزار متلب انجام گرفته و مرزهای پارتو حاصل از بررسی سیستم در هر یک از سه وضعیت مذکور با یکدیگر مقایسه شده است. نتایج حاصل نشان می دهند که ترکیب دیزل ژنراتور و سیستم فتوولتائیک گزینه مناسبی برای تحقق اهداف در نظر گرفته شده و تأمین توان الکتریکی مناطق مستقل از شبکه است. ضمن آن که الگوریتم جستجوی کلاغ چندهدفه نتایج بهتری نسبت به الگوریتم ژنتیک مبتنی بر رتبه بندی نامغلوب II پیدا می کند.

هدف اصلی این مقاله اتخاذ طرح بهینه بال هواپیما در رده هوانوردی عمومی، به منظور دست یابی به برد و وزن بهینه می باشد. بدین منظور از الگوریتم ژنتیک با مرتب سازی نامغلوب به عنوان ابراز بهینه سازی به جهت کاهش سه مولفه مهم طراحی هواپیما شامل: تصمیمات نیازمند مصالحه، زمان و هزینه استفاده شده است. تابع هزینه مسئله بهینه سازی، افزایش برد هواپیما و کاهش وزن بال می باشد، که توسط پنج تابع جریمه و محدود کردن بازه متغیر های تصمیم مقید شده است. تابع جریمه اول ضریب برآ را که باید با ضریب برآ مورد نیاز جهت تحمل وزن هواپیما در فاز کروز پرواز برابر باشد، مقید میکند. تابع جریمه دوم و سوم نسبت باریک شوندگی بال، نسبت بیشینه ضخامت نوک به ریشه بال، که باید بین صفر و یک باشد را مقید می کند. تابع جریمه چهارم، جمع قدر مطلق زاویه پیچش با زاویه نصب بال که باید بیشتر یا برابر با قدر مطلق زاویه حمله برآ صفر بال باشد را مقید می سازد. تابع جریمه پنجم اجازه تخطی نسبت برآ به پسا از حد بیشینه آن را نمی دهد. متغیر های تصمیم نیز شامل طول بال، وتر ریشه بال، وتر نوک بال، زاویه پیجش، زاویه نصب، زاویه حمله در برآ صفر ایرفویل، بیشیه ضخامت ریشه و نوک بال بوده است. در انتها طرح بهینه شکل بال ارائه شده و صحت سنجی آن صورت گرفته است. نتایج حاکی از آن است که نسبت به کارا ترین هواپیما هدف میزان 6/84 درصد بهبود در برد اما 2/87 درصد وزن بیشتر حاصل شده است.

مکان یابی کاربری ها یکی از مهمترین مسائل شهرسازی است که دارای مقیاس های متفاوتی می باشد. هنگامی که با یک مسئله ی مکان یابی کوچک مقیاس با شرایط و محدودیت های اندک روبه رو باشیم می توان با استفاده از روش های سنتی به جواب رسید ولی زمانی که با یک مسئله ی بزرگ مقیاس مکان یابی با شرایط و محدودیت های زیاد روبه رو باشیم، مشکل بتوان بدون استفاده از هوش مصنوعی و الگوریتم های تکاملی، مکان بهینه یا حتی نزدیک به آن را در مقیاس زمان و هزینه ی قابل قبول به دست آورد. هدف این مقاله، معرفی یک تکنیک کارآمد و مناسب برای حل مسائل مکان یابی چندهدفه است. در پژوهش حاضر نوع تحقیق کاربردی و روش تحقیق توصیفی-تحلیلی است. به همین منظور یک مسئله ی مکان یابی فرودگاه برای یکی از شهرهای بزرگ کشور، به عنوان مطالعه موردی بر اساس الگوریتم ژنتیک رتبه بندی نامغلوب (NSGA-II) بررسی شده و بنابر بر شاخص هایی مانند دسترسی آسان، کاهش آلودگی صوتی، میدان دید خلبان، دسترسی به تاسیسات و زیرساخت ها و. . . به صورت یک مدل برنامه ریزی ریاضی با 6 تابع هدف و تعداد مشخصی شرایط مورد نیاز پیکربندی شده است. در نهایت با حل مسئله از طریق الگوریتم پیشنهادی، از میان 200 جواب نهایی که شامل جبهه جواب های متفاوت بود، یک جبهه جواب با 4 نقطه به عنوان مکان بهینه برای احداث فرودگاه برگزیده شد. الگوریتم ژنتیک رتبه بندی نامغلوب(NSGA-II) که جز روش های مستقیم حل مسائل مکان یابی چندهدفه می باشد، با توجه به سرعت و دقت بیشتر نسبت به سایر روش ها و همچنین ارائه ی یک سیستم پشتیبان تصمیم، به عنوان رهیافتی تازه در مسائل مکان یابی چندهدفه، جانشین مناسبی برای روش های تجزیه و روش های سنتی خواهد بود.

سازمان هایی که برنامه یکپارچه تولید و مسیریابی دارند، هنگامی که برای توزیع از وسایل نقلیه استفاده می کنند، گاهی با ترافیک مواجه ا ند. بنابراین ریسک هایی مانند تصادف وجود دارد که منجر به خسارت، از دست دادن کیفیت محصول، تاخیر اجتناب ناپذیر در تحویل و یا حتی اثرات جبران ناپذیر شود که بر هزینه ها و زمان خدمت رسانی تاثیر دارد. لذا با در نظر گرفتن ریسک تصادف در مسیله مسیریابی تولید مدل به واقعیت نزدیکتر می شود. در این مطالعه یک مدل مسیریابی تولید با دو هدف کاهش هزینه ها و ریسک تصادف در حمل ونقل، با در نظر گرفتن برونسپاری، چند محصولی و چند دوره ای پیشنهاد شده است. از آنجایی که این مسئله NP-hard می باشد، به منظور حل مسیله از الگوریتم ژنتیک رتبه بندی نامغلوب 2 (NSGA II) استفاده شده است. برای اعتبارسنجی مدل جواب های به دست آمده از روش محدودیت اپسیلون در ابعاد کوچک با جواب های به دست آمده از الگوریتم مقایسه شده است. همچنین برای اعتبارسنجی الگوریتم پیشنهادی و بررسی کارایی آن در ابعاد بزرگ، نتایج حاصل از NSGA II روی مسایل نمونه در مقایسه با الگوریتم ژنتیک چندهدفه (MOGA) با استفاده از چندین شاخص مورد آزمون قرار گرفته است. نتایج حاکی از آن است که با وجود زمان اجرای کمتر در الگوریتم پیشنهادی، در شاخص پراکندگی الگوریتم NSGA II و در شاخص تعداد جواب های لایه پارتو الگوریتم MOGA دارای کارایی مناسب تری است.