کی از راهکارهای کنترل آلودگی هوا توسط مدیریت شهری، توانایی پیش بینی میزان آلاینده ها و شاخص کیفیت هوا برای روزهای آتی است تا با برنامه ریزی و اتخاذ تصمیمات مناسب، میزان این آلاینده ها کنترل شوند. این امر مستلزم شناخت عوامل موثر بر آلاینده های هوا و میزان تاثیر آنها برروی این آلاینده ها می باشد. از اینرو شناخت و مدل سازی ارتباط پارامترهای تاثیرگذار بر آلاینده های هوا برای پیش بینی آنها از اهمیت ویژه ای برخودار است. مطالعات و بررسی های اخیر نشان می دهدکه یکی از تاثیرگذارترین عوامل بر آلودگی هوا، پارامترهای هواشناسی است که تاثیر و ارتباط خاص و معناداری برروی آلاینده ها و شاخص کیفیت هوا دارند. با توجه به ماهیت غیرخطی این پارامترها و آلاینده های هوا، برای یافتن روابط بین این متغیرها استفاده از روش های مدل سازی غیرخطی و غیرقطعی در حوزه ی محاسبات نرم می تواند نتایج بهتری را نسبت به روش های کلاسیک آماری بدنبال داشته باشد. در این مقاله می کوشیم تا با تمرکز برروی پارامترهای هواشناسی و با استفاده از مفاهیم تئوری بیز یک مدل ارتباطی از میزان تاثیر این پارامترها بر آلاینده ها و شاخص کیفیت هوا برای پیش بینی شاخص کیفیت هوا مدلسازی نمائیم. تفاصيل المقالة

امروزه خواص فیزیکی اجسام، دستاویزی برای حل مسائل بهینه‌سازی است تا پاسخ بهینه مسائل با تعداد حالات زیاد سریع‌تر و دقیق‌تر یافته شود. به‌عنوان نمونه می‌توان به الگوریتم‌‌های بهینه‌سازی مبتنی بر اسپین‌گلاس (شبکه‌های اسپینی)‌ اشاره کرد که به‌دلیل داشتن قابلیت جستجوی محلی و پردازش توزیع شده مورد توجه قرار دارند. از آنجایی که شبکه‌های اسپینی، بیشتر مبتنی بر الگوریتم‌های تصادفی - مونت‌کارلو همچون تبرید تدریجی (SA) برای یافتن حالت بهینه استفاده می‌کنند، از سرعت همگرایی پائینی برخورداند. بنابراین برای افزایش سرعت، از الگوریتم‌های بهینه‌سازی اکتشافی، تکاملی و غیره استفاده می‌شود. در این مقاله با در نظر گرفتن قابلیت شبکه‌اسپینی در حل مسائل بهینه‌سازی،کوشش شده است یکی از مسائل غیرچندجمله‌ای (NP) با عنوان مسئله انتخاب بهینه سبدسهام با استفاده از تبرید تدریجی حل شود؛ سپس با توجه به خواص توزیع‌شده‌گی اینگونه از شبکه‌ها، الگوریتم جدید مبتنی بر اتوماتای‌یادگیر(LA) بعنوان پردازش متمرکزو همچنین بهینه‌سازی‌اکسترمال (EO) بعنوان پردازش توزیع شده، ارائه گردیده است. نتایج آزمایش‌ها نشان می‌دهند که هرچند دو الگوریتم ارائه شده از حیث عملکرد، متفاوتند؛ ‌‌‌‌ولی هردو در محدوده پاسخ، تقریبا توزیع احتمال یکسانی برای انتخاب اسپین‌های برتر فراهم می‌کنند. به عبارت دیگر این دو روش از مرحله‌‌ای به بعد، شبیه هم عمل کرده و نتایج یکسانی تولید می‌کنند و کارایی شبکه‌های اسپینی از حیث سرعت همگرایی با حفظ دقت را به مقدار زیادی افزایش می‌دهند. همچنین دستاوردها نشان می‌دهد که انتخاب روش مبتنی بر LA یا EO برای شبکه‌های با تعداد اسپین‌کم تفاوتی ندارد؛ اما برای شبکه‌های بزرگ، EO که توانایی پردازش توزیع شده منحصر بفردی دارد، بسیار بهتر از روش‌های مبتنی بر یادگیری پاسخ می‌دهد که نتایج آزمایش‌های حاصل بر 5 بورس معتبر دنیا این موضوع را تائید می‌کند. تفاصيل المقالة

رفتار سهام و روند تغییرات آن یکی از پیچیده ترین مکانیزم‌هایی است که همواره مورد توجه محققان می‌باشد. بورس تحت تاثیر عوامل مختلف بیرونی و درونی قرار دارد. عوامل تاثیرگذار بیرونی مانند عوامل سیاسی و اجتماعی قابلیت اندازه‌گیری ندارند، به همین جهت برای پیش‌بینی روند بورس، باید بر روی تاثیر عوامل درونی تمرکز نمود. در این پژوهش سیستم ترکیبی مبتنی بر شبکه‌های بیزین و مدل مخفی مارکوف، جهت پیش‌بینی روند روزانه بورس ایران پیشنهاد شده است. برای سهام هر شرکت، 6 شاخص بورس اوراق بهادار تهران که دارای بالاترین ضریب همبستگی می‌باشند و 22 اندیکاتور تکنیکی به عنوان متغیرهای ورودی در فاز پیش‌پردازش استفاده می‌شوند. از شبکه‌های بیزین جهت مشخص نمودن روابط بین متغیرها و از جداول احتمال شرطی آن برای بررسی تاثیر هر متغیر در پیش‌بینی استفاده می‌شود. در نهایت از مدل مخفی مارکوف برای پیش‌بینی روند بازار در مجموعه های استخراج شده از شبکه بیزین، استفاده می‌شود. مدل پیشنهادی بر روی سهام چهار شرکت داخلی به نام فولاد مبارکه اصفهان، ایران خودرو، بانک ملت و ایران دارو مورد بررسی قرار گرفته است. معیارهای ارزیابی در سیستم پیشنهادی، کارایی بالای این روش را نشان می‌دهند. بالاترین درصد صحت سیستم پیشنهادی 85.25 و متوسط درصد صحت آن 83.26 می‌باشد. تفاصيل المقالة