فهرس المقالات الگوریتم ژنتیک خطی

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - مقایسه قدرت پیش بینی بحران مالی توسط تکنیک های مختلف هوش مصنوعی
  زهرا پورزمانی حسن کلانتری
  امروزه پیشرفت سریع فن‌آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش‌بینی بحران مالی توسط تکنیک‌های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصب أکثر

  امروزه پیشرفت سریع فن‌آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش‌بینی بحران مالی توسط تکنیک‌های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصبی) است. بر اساس اطلاعات و آمارهای در دسترس شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1389-1376، از بین شرکت‌های مشمول ماده 141 قانون تجارت، 72 شرکت و از بین بقیه شرکت‌ها نیز 72 شرکت انتخاب شد. نتایج آزمون مک‌نمار برای تکنیک‌های الگوریتم ژنتیک غیرخطی و شبکه عصبی نشان می‌دهد که تفاوت معنی‌داری بین نتایج الگوریتم ژنتیک خطی و غیرخطی با شبکه عصبی وجود ندارد. اگر چه دقت پیش‌بینی الگوریتم ژنتیک غیرخطی(90 درصد) و الگوریتم ژنتیک خطی(80 درصد) بیشتر از شبکه عصبی(70 درصد) است ولی این تفاوت از لحاظ آماری معنی‌دار نیست. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - کاربردالگوریتم ژنتیک خطی و غیر خطی در بهبود قدرت پیش‌بینی
  زهرا پورزمانی
  سود آوری به عنوان مبنایی برای ارزیابی کارایی مدیران شرکتها مورد استفاده قرار می گیرد. همچنین بخشی از تصمیم گیری به پیش بینی توانایی سودآوری آینده شرکتها مربوط می شود. امروزه تجزیه و تحلیل نسبت های مالی یک تکنیک قوی و ابزاری مناسب برای استفاده کنندگان در جهت شناخت و ارزی أکثر

  سود آوری به عنوان مبنایی برای ارزیابی کارایی مدیران شرکتها مورد استفاده قرار می گیرد. همچنین بخشی از تصمیم گیری به پیش بینی توانایی سودآوری آینده شرکتها مربوط می شود. امروزه تجزیه و تحلیل نسبت های مالی یک تکنیک قوی و ابزاری مناسب برای استفاده کنندگان در جهت شناخت و ارزیابی عملکرد گذشته، حال و پیش بینی وضعیت آینده شرکت هاست. یکی از مشکلاتی که در استفاده از نسبتهای مالی برای ارزیابی وضعیت مالی شرکت ها وجود دارد، این است که هر مجموعه نسبت های مالی یک بعد از عملکرد شرکتها را اندازه گیری می کند. برای از میان برداشتن این مشکل می توان از روشهای تصمیم گیری چند معیاره از جمله تحلیل پوششی داده ها، شبکه های عصبی مصنوعی، منطق فازی و ... استفاده نمود. هدف این تحقیق بررسی قدرت پیش‌بینی سودآوری آینده شرکتها با استفاده از مدل‌های الگوریتم ژنتیک خطی و الگوریتم ژنتیک غیرخطی است جهت بالا بردن توان تصمیم گیری استفاده کنندگان صورتهای مالی در پیش بینی سودآوری آینده شرکتها می باشد. . سپس با توجه به نتایج بدست آمده، الگوها با یکدیگر مقایسه و بهترین الگو استخراج شده است. بر اساس اطلاعات و آمارهای در دسترس شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1391-1371، از 23 نسبت مالی برتر ، به عنوان متغیر مستقل استفاده شد. نتایج آزمون نشان می دهد دقت پیش‌بینی الگوریتم ژنتیک غیرخطی (90.04 درصد) بیشتر از الگوریتم ژنتیک خطی (87.14 درصد) است. تفاصيل المقالة