از آنجا که بخش قابل توجهی از انرژی مصرفی در سراسر جهان به مصرف انرژی در ساختمان مربوط می شود، در حال حاضر بهینه سازی انرژی ساختمان با وجود محدودیت ها و با توجه به حفظ محیط زیست زمین بسیار حایز اهمیت است. این مقاله به محدودیت های مهم برای بهینه سازی عملکرد انرژی ساختمان با استفاده از الگوریتم بهینه سازی ازدحام ذرات تک و چند هدفه و الگوریتم ژنتیک با نرم افزار شبیه سازی انرژی ساختمان انرژی پلاس و  MATLABبه بررسی داده های آب و هوای مختلف چند شهر ایران با در نظر گرفتن مدل تک اتاقی و تأثیر پارامترهای معماری ساختمان از جمله جهت گیری ساختمان، مشخصات سایه بان، اندازۀ پنجره، و لعاب و مصالح دیوار اعمال و... می پردازد. همچنین در بخش بهینه سازی، تحلیل های الگوریتم بهینه سازی ازدحام ذرات تک و چند هدفه و ژنتیک مصرف برق سالانۀ سرمایش، گرمایش و روشنایی برای درک تعاملات بین توابع هدف و به حداقل رساندن کل تقاضای انرژی سالانۀ ساختمان مورد بررسی قرار گرفته که راه حل های بهینۀ به دست آمده به عنوان جبهۀ بهینۀ پارتو در نظر گرفته می شود. نتایج برای مدل این تحقیق، مصرف برق سرمایشی سالانه حدود 8/19 تا 3/33 درصد کاهش و گرمایش و روشنایی سالانه به ترتیب 7/1 تا 8/4 درصد و 5/0 تا 6/2 درصد در مقایسه با مدل های دیگر افزایش داده شده است که منجر به کاهش بهینۀ 6/1 تا 3/11 درصد از کل تقاضای برق سالانۀ ساختمان می شود. علاوه بر این، استفاده از دو روش یادشده منجر به یک سیستم انرژی، بهینه، کارآمد و افزایش بهره وری انرژی در مراحل اولیۀ طراحی ساختمان می شود.

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

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

بازاریابی مدرن بر پایه بخش بندی مشتریان استوار است. چرا که دیدگاه محصول محوری جای خود را به مشتری محوری داده است؛ لذا برای حفظ مشتریان کلیدی موجود، مهارت در ایجاد ارتباط صحیح با مشتری ضروری است. بخش بندی یکی از مباحث مطرح در حوزه مدیریت ارتباط با مشتری است. بدین منظور، استفاده از الگوی مناسب بخش بندی مشتریان، به سازمان این فرصت را می دهد که پیشنهادات ارزشمند خود را متناسب با نیازها و خواسته های بخش های هدف گیری شده طراحی و ارایه نموده و در نتیجه عملکرد خود را از دیدگاه های مختلف بهبود بخشد. هدف این مطالعه به کارگیری مدل مناسبی جهت بخش بندی مشتریان بر اساس شاخص هایی مانند طول ارتباط مشتری، تازگی مبادله، تعداد دفعات مبادله و ارزش پولی مبادله می باشد. جهت خوشه بندی داده ها در این مقاله، از تلفیق الگوریتم های بهینه سازی ازدحام ذرات با کای میانگین جهت غلبه بر مشکلاتی مانند حساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی استفاده گردیده است. یافته های تحقیق نشان می دهد که مشتریان متعلق به خوشه اول در شاخص های «طول ارتباط با مشتری» و «تازگی خرید» دارای میانگینی بالا و در شاخص های «فرکانس خرید» و «مبلغ فروش» دارای میانگینی کم تر از سطح متوسط کل مشتریان و همچنین مشتریان متعلق به خوشه دوم در شاخص "تازگی خرید" دارای میانگینی بالا و در شاخص های«طول ارتباط با مشتری»، «فرکانس خرید» و «مبلغ فروش» دارای میانگینی کم تر از سطح متوسط کل مشتریان می باشند؛ لذا مشتریان خوشه اول از نظر وفاداری جزء مشتریان وفادار و از لحاظ ارزش جزء مشتریان نامطمئن و نیز مشتریان متعلق به خوشه دوم از نظر ماتریس وفاداری جزء مشتریان جدید و از لحاظ ارزش جزء مشتریان نامطمئن می باشند. در پایان نیز مشخص می گردد که الگوریتم طراحی شده برای دستیابی به خوشه بندی دقیق تر مشتریان از کارایی بالاتری نسبت به الگوریتم کای میانگین برخوردار است.

با عمومیت یافتن مدل های پیچیده هیدرولوژیکی، مدت زمان اجرای این مدل ها، به طور قابل توجهی در حال افزایش است. مقایسه و ارزیابی کارآیی الگوریتم های مختلف بهینه سازی، برای واسنجی این مدل های هیدرولوژیکی، در حال تبدیل شدن به یک مساله مهم است. در این پژوهش برای واسنجی پارامترهای هیدرولوژیکی مدل SWAT 2009 در حوضه آبخیز سنجابی، از الگوریتم بهینه سازی ازدحام ذرات (PSO) استفاده شده است. بدین منظور مدل SWAT با استفاده از لایه خاک، لایه کاربری اراضی، لایه رقومی ارتفاع و اطلاعات هواشناسی حوضه سنجابی اجرا شد و سپس با برقراری ارتباط بین خروجی این مدل و الگوریتم PSO در بسته نرم افزاری SWAT-CUP، 22 پارامتر جریان حساسیت سنجی شد و 8 پارامتر حساس تر برای بهینه سازی مقادیر آن ها انتخاب شدند. مقادیر تابع هدف ناش- ساتکلیف (NS) در دوره واسنجی و اعتبارسنجی به ترتیب برابر با 0.58 و 0.60 به دست آمده است که نشان دهنده شبیه سازی مطلوب رواناب با مدل SWAT پس از واسنجی پارامترهای آن با استفاده از الگوریتم PSO است. همچنین مقدار ضریب تعیین R2 و ضریب RMSE به ترتیب برای دوره واسنجی برابر با 0.65 و 6.74 و برای دوره اعتبارسنجی برابر با 0.67 و 3.66 به دست آمد که بیان گر کارآیی موثر الگوریتم PSO برای واسنجی مدل SWAT در شبیه سازی رواناب است.

ماشینهای آهنربای دایمی که در فضاپیماها استفاده میشوند باید از قابلیت کنترل شار آهنربا برخوردار باشند. برای همین منظور بر روی روتور آنها علاوه بر آهنربا سیم پیچی تحریک هم قرار می گیرد که در اهداف کنترلی کاربرد زیادی دارد. کاهش نوسانات (ریپل) گشتاور و افزایش مقدار متوسط گشتاور دو هدف مهم در طراحی ماشینهای الکتریکی می باشند. در این مقاله ابتدا گشتاور متوسط و ریپل گشتاور برای ماشین مورد نظر در چند حالت با استفاده از روش های عددی تعیین میشود. سپس برای آنها توابع تحلیلی با استفاده از شبکه عصبی پرسپترون چند لایه بدست می آید. ضرایب ثابت در شبکه عصبی ها طوری تنطیم میشوند که نه تنها خطا به داده های آموزش، آزمایش، اعتبارسنجی و کل داده ها بسیار کم باشد بلکه خطا برای داده های آزمایش با خطا برای داده های آموزش بسیار نزدیک باشد. بعد از آن با الگوریتم چند هدفه ازدحام ذرات فازی ابعاد ماشین به گونه ای تعیین میگردد که ریپل گشتاور مینیمم و مقدار متوسط گشتاور ماکزیمم شود. تعیین نقطه بهینه در سطح پرتو با استفاده از روش ماکزیمم-مینیمم فازی تعیین خواهد شد. در این مقاله تحلیل عددی با نرم افزار Maxwell و محاسبات شبکه عصبی، بهینه سازی و فازی با Matlab انجام میگردد.

در بهینه سازی سبد دارایی، مسئله اصلی انتخاب بهینه دارایی ها و اوراق بهاداری است که با مقدار مشخصی سرمایه می توان تهیه نمود. اگر چه حداقل سازی ریسک و حداکثرسازی بازده سرمایه گذاری به نظر ساده می رسد، اما در عمل روش های متعددی برای تشکیل سبد بهینه مطرح شده است. در سال 1950 هری مارکوئیتز مدل خود را ارائه کرد که در آن مسئله بهینه سازی سبد دارایی را به صورت یک مدل برنامه ریزی درجه دوم با هدف حداقل سازی واریانس مجموعه دارایی ها با این شرط که بازده مورد انتظار برابر با یک مقدار ثابت باشد، مطرح کرد. در این تحقیق مسئله بهینه سازی سه هدفه (یعنی حداکثرسازی بازده سبد سهام، حداقل سازی ریسک آن و تابع هدف سوم یعنی حداقل سازی تعداد دارایی ها یا سهام ها) مورد مطالعه قرار گرفته است. بر این اساس، سرمایه گذاران با پذیرش مقدار کمی ریسک و تقریبا همان مقدار بازده، سبدی را انتخاب می کنند که تعداد دارایی کمتر داشته باشد. برای این منظور در ابتدا از دو الگوریتم ژنتیک رتبه بندی نامغلوب (NSGA2) و الگوریتم تجمع ذرات چند هدفه (MOPSO) برای برآورد مدل دو هدفه حداقل واریانس و حداکثر بازده برای شناسایی الگوریتم بهتر مورد استفاده قرار گرفت. سپس با توجه به عملکرد بهتر الگوریتم MOPSO، از این الگوریتم برای برآورد مدل سه هدفه حداکثرسازی بازده سبد سهام، حداقل سازی ریسک و حداقل سازی تعداد سهام ها مورد استفاده قرار گرفت.

پیش بینی درآمدهای مالیاتی قابل حصول در منابع مختلف مالیاتی، علاوه بر تخصیص بهینه منابع محدود سازمانی در جهت وصول مالیات، دولت را در انجام برنامه ریزی های دقیق مالی کمک می نماید. این مقاله با استفاده از الگوریتم تکاملی ازدحام ذرات و نسخه بهبودیافته آن به پیش بینی درآمدهای مالیاتی کشور به تفکیک منابع وصولی (مالیاتهای کل، کالا وخدمات، اشخاص حقوقی، درآمد و ثروت) برای سالهای 95-1392 می پردازد. به این منظور از داده های درآمدهای مالیاتی سالهای 86-1350 برای آموزش شبکه استفاده شده و سپس با استفاده از الگوریتم تکاملی ازدحام ذرات و ازدحام ذرات بهبود یافته پارامترهای این مدل بهینه شده است. از داده های سالهای 91-1387 برای آزمون مدل استفاده شده که نتایج تاییدی بر عملکرد مدل مورد استفاده بوده و در نهایت پیش بینی برون نمونه ای درآمدهای مالیاتی به تفکیک منابع وصولی برای سالهای 95-1392 با استفاده از نرم افزار MATHLAB انجام شده است.