زمینه و هدف: افزایش ترافیک مشکلات زیادی را در کلان شهرها به همراه داشته که مهمترین آن آلودگی هوا و افزایش مصرف بی رویه سوخت است، از اقداماتی که می توان انجام داد، توجه به حمل و نقل عمومی به ویژه سامانه اتوبوس‌های تندرو است، زیرا علاوه بر کاهش هزینه‌های اجتماعی می‌تواند در کاهش آلودگی هوا نیز بسیار موثر باشد. هدف اصلی این تحقیق، مطالعه میزان مصرف سوخت و میزان انتشار انواع آلاینده‌های هوا شامل گازهـای CO2، CH4 ، N2O در سناریوهای مختلف سامانه اتوبوس های تندرو است. روش بررسی: از آنجـا کـه پدیده‌های ترافیکی و ازدحام دارای خصوصیاتی از جمله پیچیدگی و پویـایی هستند، مدل‌سازی آنها با مدل‎های ریاضی معمول بسیار دشوار و بعضاً غیرممکن است. به همین منظـور، مـی‌تـوان از تکنولوژی‌های مبتنی بر عامل‎ که دارای همخـوانی بـالایی بـا ایـن خصوصـیات هستند، بهـره گرفـت. در این تحقیق با استفاده از مدل‌سازی عامل‌‌بنیان سیستم عملکرد اتوبوس‌های تندرو شهری (BRT)، میزان مصرف سوخت و همچنین میزان تولید آلاینده‌های هوا برآورد شده است. تأکید این پژوهش بر این مطلب است که برای کنترل مصرف سوخت و بهبود عوامل آلاینده می‌بایست چه تغییراتی در پارامترهای موثر شامل سرعت اتوبوس‌ها، زمان توقف اتوبوس‌ها در ایستگاه‌ها و زمان‌بندی اعزام اتوبوس‌ها ایجاد شود. در این تحقیق، از نرم افزار پایۀ NetLogo برای کدنویسی مدل و اجرای شبیه سازی آن استفاده شده و سه سناریو متفاوت در خط یک اتوبوس های تندرو شهر تهران در نظر گرفته شده است. یافته ها: پس از تحلیل و مقایسۀ وضعیت‌های مختلف، پیشنهادهایی برای کاهش مصرف سوخت و آلاینده‌های هوا ارائه شده است، از جمله این که با تغییرات جزئی در پارامترهای زمان توقف اتوبوس‌ها در ایستگاه‌ها و همچنین تغییرات در زمان اعزام اتوبوس‌ها از پایانه می توان نسبت به بهبود وضعیت میزان مصرف سوخت و آلودگی هوا اقدام نمود. نتایج حاکی از آن است که یکی از وضعیت های بهبود یافته مربوط به وضعیت افزایش پارامتر زمان اعزام اتوبوس ها و در سناریو پل بوده که میزان انتشار گازهـای CO2، CH4، N2O به ترتیب برابر 6/1458 و 122/1 و 781/11 در یک ساعت زمان پیک مسافری می باشد. بحث و نتیجه گیری: نتایج حاصل شده حاکی از آن است که دستیابی به اهداف کاهش مصرف سوخت و آلودگی هوا در وضعیت سناریوی پل نسبت به دو سناریوی دیگر مناسب‌تر است. همچنین در صورت امکان در تقاطع‌های دارای ترافیک بالا نسبت به ایجاد پل اقدام گردد و یا ایجاد سامانه چراغ‌های راهنمایی هوشمند نیز در دستور کار باشد. Manuscript profile

تعیین استراتژی مناسب برای خرید یا فروش در بازار ارز خارجی برای شرکت‌ها به‌ منظور پوشش نوسانات نرخ ارز نسبت به واحد پول ملی اهمیت زیادی دارد. این تحقیق رویکرد جدیدی را بر اساس الگوریتم‌های ژنتیک و ماشین بردار پشتیبان به منظور معامله در بازار ارز خارجی را پیشنهاد می‌دهد. در این تحقیق، یک الگوریتم جدید با قابلیت تولید قواعد تکنیکال برای سرمایه‌گذاری مبتنی بر قطعیت پیش‌بینی‌ها ارائه شده است. برای پیش‌بینی، از ترکیب الگوریتم‌ ماشین بردار پشتیبان ترکیبی (HSVM) برای طبقه بندی بازار در سه کلاس مختلف ( روند صعودی، روند نزولی، بدون روند) و یک الگوریتم پویای ژنتیک برای بهینه‌سازی قواعد معاملاتی مبتنی بر چندین شاخص تکنیکال مختلف استفاده شده است.داده‌های جفت ارز ریال به دلار، در یک بازه زمانی بین سال‌های 92 تا 98 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. معماری پیشنهادی برای یادگیری ماشینی، همچنین پیاده‌سازی و مطالعه سیستم معاملاتی پیشنهادی به‌طور کامل شرح داده شده است. تحقیق، نتایج امیدوارکننده‌ای را در طول دوره آزمون نشان می‌دهد که در آن بازده سرمایه گذاری 129 درصد بوده است. Manuscript profile

ELECTRE TRI is the most applicable and developed outranking based classification method in the field of MCDA. By including a large number of parameters, it provides a huge amount of information on criteria which enriches decision making process, although calculation of these large number of parameters is very time consuming and difficult task. To tackle this problem, this paper proposes a new method called NSGA-ELECTRE, by which the NSGA- algorithm learns ELECTRE TRI and elicits its parameters through an evolutionary process. The proposed method contributes to the literature by utilizing a pair of conflicting objective functions including Type I errors and Type II errors instead of using a single criterion named “classification accuracy” which used frequently in the related works. The proposed bi-objective method is applied to six known credit risk datasets. The NRGA model is used as a benchmark for validation. Computational results indicate outstanding performance of the NSGA-ELECTRE method. Manuscript profile

Since work on dynamic aspects of balanced scorecards is just in an early state and a company may gain great insight from simulation results, this paper seeks to develop a dynamic model based on the financial perspective of a balanced scorecard (BSC) in a case study on the basis of a telecommunication company. The value of this paper, at first is related to the application of system dynamics (SD) in a BSC which overcome the limitations of BSC. At second, the paper provides causal loop diagram, dynamic modeling, simulation results, and validation results in the period 2015 to 2020 for the financial aspect to present suitable scenarios such as creation of new infrastructure, increasing the quality of services, diversification of product portfolio, and value-added services. At third, the paper is based on a case study of Tehran Telecommunication Company-Data Network which is a service-based company. Thus, it provides knowledge and information for academician and practitioners of BSC and SD to implement SD based on a BSC in companies, especially service-based firms. Manuscript profile

Virtual social networks are a modern age of spaces that play an important role in the world today. They are highly dynamic networks with a complex structure. This is why it is very difficult to predict communication in this field. The prediction has recently caught the attention of various researchers as one of the most important aspects of data mining. In addition to understanding the relationship between groups in social communities, the connection prediction in social networks also ensures that networks are popular. Link prediction is the prediction of the probability that two entities will interact based on some unique and common characteristics between them. Link prediction is intended to generate and propose a list of persons to whom the user communicates. This study introduces a prediction approach used to combine a genetic algorithm with an algorithm from Louvain. Data are first chosen from the default dataset as binary in this process. Then the best nodes are extracted and chosen based on merit using the genetic algorithm. Lastly, the modularity of the networks is obtained by using the Louvain algorithm. The findings indicated the optimal performance of this approach. Manuscript profile

Customer churn is a critical challenge faced by the hotel industry, impacting revenue and profitability. Identifying and prioritizing the factors that contribute to customer churn is essential for hotel managers to devise effective retention strategies. The prioritization of these factors enables hotel managers to allocate resources efficiently towards implementing targeted retention initiatives. By understanding the factors that influence customer churn, hotels can proactively tailor their services and improve customer experiences to enhance loyalty and reduce churn rates. This study aims to determine and prioritize the key factors influencing customer churn in the hotel industry. The data is analyzed using advanced text mining techniques, including tokenizing, stemming, and eliminating stop words, to identify the significant factors affecting customer churn. The findings highlight factors such as room conditions, the beauty of the hotel, food quality, staff interactions, hotel hygiene, restrooms, and proximity to important centers. To prioritize these factors, we utilized the AHP technique in Expert Choice software. According to the findings, among these factors, staff interaction with 32%, room conditions with 22%, restrooms with 19%, food quality with 12%, proximity to important centers with 8%, hotel hygiene with 4%, and beauty of the hotel with 3%are respectively the most important factors affecting customer churn. Manuscript profile

Among the supply chain risk types, disruptions that result from natural disasters, sanctions, transportation problems and equipment failure can seriously disrupt or delay the flow of material, information and cash. The aim of this research was to propose a hybrid model for disruption management, which is the process of achieving plans or strategies to reduce the expenses incurred by the disruption. For this purpose; first, we identified disruptions and mitigation strategies by using the nominal group technique. Then, the interaction between disruptions was formulated by the fuzzy DEMATEL technique. Consequently, with regard to the uncertainty of data, fuzzy logic was used for modeling the uncertainty of disruptions. Finally, mitigating strategies were selected and ranked with PROMETHEEΙΙ. Considering the existence of 4 types of responses of chain against risks, which include: 1- risk control and endurance 2-risk flexibility 3- risk avoidance 4- risk transfer and assignment; results show that according to the type of disorder, the risk management strategy changes and in general (taking into account the causal relationship between disorders), the risk transfer strategy it was more suitable Manuscript profile

یکی از دغدغه‌های تمامی افراد به ویژه مدیران تصمیم‌گیری می‌باشد. این اهمیت با پیشرفت‌های اخیر در علوم انسانی و طرح موضوعات اخلاقی جدید در اخلاق مدیریت نوین دوچندان شده و تصمیم‌گیری اخلاقی را با پیچیدگی‌هایی خاص توأم کرده است. در این مقاله جهت نهادینه کردن تصمیم‌گیری اخلاقی در جامعه‌ی مدیران با ارائه‌ی الگویی اسلامی از دیدگاه امیرمؤمنان در نهج البلاغه، به بسط مؤلفه‌ی تصمیم‌گیری در مبحث اخلاق مدیران پرداخته شده است. بدین منظور موضوع تصمیم‌گیری اخلاقی مورد بررسی قرار گرفت و مؤلفه‌ها‌ی آن در نهج البلاغه بیان گردید. در کلام امام علی (ع)، مؤلفه‌های تصمیم‌گیری اخلاقی شامل دانش و بصیرت، توکل، مشورت، امانت‌داری، عدالت‌گرایی و ... هستند. همچنین آفات تصمیم‌گیری اخلاقی از منظر نهج البلاغه شامل ناتوانی در پیش‌بینی و ارزیابی پیامدهای احتمالی، شتاب‌زدگی، غلبه‌ی احساسات و منافع مادی‌ می‌باشد. درنهایت نیز مدلی برای تصمیم‌گیری بر اساس مبانی اسلامی تدوین گردیده است. درنهایت توصیه می‌شود افرادی که در رأس تصمیم‌گیری و تعیین سر نوشت افراد قرار دارند، با معارف ومتون اسلامی آشنایی داشته باشند و از مدل ارائه شده در این پژوهش به عنوان الگو و راهنما استفاده نمایند. Manuscript profile

امروزه در بازارهای مالی حجم و سرعت معاملات افزایش چشم‌گیری یافته‌است و دچار تغییر و تحولات گسترده‌ای شده‌است. تعیین استراتژی مناسب برای خرید و فروش در بورس اوراق بهادار وقتی با روندهای افزایشی وکاهشی یا نوسانی مواجه هستند بسیار مهم می‌باشد .لذا برای انتخاب یک استراتژی مناسب، استفاده از مدل‌های پیچیده فراابتکاری استفاده می‌شود. در این تحقیق تلاش می-شـود تا با توسعه روش جدید انتخاب و بهینه‌سازی پرتفوی سهام مبتنی بر الگوریتم یادگیری جمعی و ژنتیک به منظور انتخاب بهترین استراتژی معاملاتی برای کسب بازدهی بیشتر و ریسک کمتر استفاده کرد. برای پیش بینی بازده و دریافت سیگنال خرید از ترکیب الگوریتم ماشین بردار پشتیبان شش کلاسه(SVM) و برای بهینه‌سازی قواعد معاملاتی از الگوریتم پویای ژنتیک استفاده شد‌ه‌است. برای بهبود دقت طبقه‌بندی بازده در این تحقیق از روش‌های یادگیری جمعی شامل Bagging، یکی از الگوریتم‌های مبتنی بر Ensemble Learning استفاده شده است .داده‌های مربوط به هر سهم و متغیرهای بنیادی، در یک بازه زمانی روزانه بین سالهای 1390 تا 1399 به عنوان داده‌های آموزش و آزمون استفاده می‌شود. نتایج بدست آمده درمقایسه با روش‌های سنتی نتایج امیدوارکننده‌ای داشته‌است. Manuscript profile

در این مقاله با استفاده از رویکرد زمان سنجی بازار وروش‌های یادگیری جمعی همگن و غیر همگن به ارائه سیگنال خرید، نگهداری و فروش و پیش‌بینی بازار بر اساس ویژگی‌های بنیادی ویژگی‌های فنی و سری زمانی بازدهی هر شرکت در 100 روز منتهی به روز جاری پرداخته شده است. بر این اساس ، 208 شرکت که به عنوان شرکت‌های فعال بین سال‌های 1390 تا 1399 بودند، انتخاب شدند. برای آموزش داده‌ها توسط ماشین یادگیری جمعی دوسطحی (HHEL) و پیش‌بینی روند بازار بر اساس استراتژی زمان سنجی بازار ، از داده‌های 5 سال 1390 تا 1394 استفاده و برای تست داده‌ها به منزله بهینه‌سازی سبد سهام بر اساس بیشینه سازی بازده سبد سهام و کمینه سازی ریسک سبد سهام سرمایه‌گذاری، از الگوریتم‌های MOPSO و NSGA II استفاده و با سبد سرمایه گذاری بدست آمده با استراتژی خرید و نگهداری مقایسه شده است. نتایج نشان داد الگوریتم MOPSO بالاترین بازده سبد سهام را با 96.437 % در مقابل الگوریتم NSGA II با بازدهی 91.157 % و روش سرمایه‌گذاری یکسان با بازدهی 13.058 % بدست آورده است. همچنین ریسک سبد سرمایه‌گذاری در الگوریتم NSGA II بسیار پایین تر از ریسک سبد سرمایه‌گذاری در الگوریتم MOPSO به ترتیب با 0.792% و 1.367% بوده است. Manuscript profile

در مطالعات مالی، سبد سهام را می توان به معنی مجموعه ی سرمایه گذاری هایی دانست که توسط یک فرد و یا یک موسسه انتخاب و پذیرفته می شود. انتخاب سبد سهام یکی از اصلی ترین دغدغه های سرمایه گذاران در بازارهای مالی است. مدل میانگین- واریانس با مؤلفه های مقید به عنوان یکی از مدل های اصلی در حل مسأله بهینه سازی سبد سرمایه شناخته می شود. این مدل از لحاظ پیچیدگی، از نوع مسائل غیرخطی چند جمله ای NP-hard است که به صورت دقیق قابل حل نیستند. در این پژوهش با استفاده از الگوریتم ترکیبی شیرمورچه- ژنتیک (ALOGA) و الگوریتم ترکیبی یادگیری افزایشی مبتنی بر جمعیت و تکامل تفاضلی (PBILDE)که از مدل های فرا ابتکاری نوین در حل مسائل بهینه سازی هستند، برای بهینه سازی سبد سرمایه گذاری با هدف افزایش بازده و کاهش ریسک استفاده شده است. از میان 591 شرکت حاضر در بورس اوراق بهادار تهران، 150 شرکت در بازه زمانی فروردین 1391 الی اسفند 1393 با استفاده از روش غربالگری به عنوان نمونه نهایی انتخاب شدند. داده های مربوط به این شرکت ها توسط الگوریتم های بکار رفته در تحقیق مورد تجزیه و تحلیل قرار گرفت و کارآیی آنها با یکدیگر مقایسه گردید. نتایج پژوهش حاکی از آن است که الگوریتم های ALOGA و PBILDE کارایی مناسبی برای حل مسأله ی بهینه سازی سبد سهام دارند. بعلاوه، با استفاده از الگوریتم ALOGA می توان با دقت و کارایی بالا سبد سهام بهینه تشکیل داد. Manuscript profile