چکیده دمای سطح زمین یا LST که از تصاویر سنجش از دور مادون قرمز حرارتی به دست می‌آید، مستقیماً با تغییرات کاربری و پوشش زمین مرتبط است. سنجش از دور، به عنوان یک روش غیرقابل جایگزین در مقیاس جهانی و منطقه‌ای، نظارت مؤثر با تداوم مکانی-زمانی دمای سطح زمین را امکان‌پذیر می‌کند. همچنین، تهیه تصاویر دمای سطح زمین امکان جداسازی بهتر شهرها از مناطق بایر اطراف را فراهم می‌کند و در طبقه‌بندی سایر پوشش‌ها و کاربری‌ها نیز مفید خواهد بود. در این مطالعه، یک رابط کاربری مبتنی بر پایتون توسعه داده شد که امکان بازیابی بسیار آسان‌ و سریع‌تر دمای سطح زمین را فراهم می‌سازد. دمای سطح زمین را می‌توان با وارد نمودن پارامترهای مورد نیاز در روش‌هایی نظیر الگوریتم تک کانال (SCA)، روش معادله انتقال تابشی (RTE)، الگوریتم پنجره مجزا (SWA) و دو الگوریتم تک پنجره (MWA)، از مأموریت‌های لندست (5، 7 و 8) بازیابی نمود. مقایسه نتایج در این مطالعه نشان داد که روش‌های روش معادله انتقال تابشی (RTE) و الگوریتم تک کانال (SCA) با خطای جذر میانگین مربعات (RMSE) معادل 76/3 و 97/8 درجه سانتی‌گراد بیشترین و کمترین دقت را داشتند. دمای سطح زمین تحت تأثیر عوامل زیادی مانند ذرات معلق در هوا، پوشش زمین و ریخت‌شناسی شهر قرار دارد. الگوریتم‌های مختلف با در نظر گرفتن دمای نزدیک به سطح زمین، محتوای بخار آب و سایر پارامترهای جوی آن را محاسبه می‌کنند. این رابط کاربری به محققان و متخصصان اجرایی کمک می‌کند تا تغییرات حرارتی را در سری‌های زمانی و بر اساس کاربری‌های مختلف در مطالعات خود و به ‌ویژه توسعه شهری پایش نمایند.

با عنایت به حجم بالای اطلاعات کنونی وب توجه به سیستم های خودکار استخراج اطلاعات بیشتر شده است. از مهم ترین روش های خودکار استخراج اطلاعات، خوشه بندی می باشد. روش های خوشه بندی زیادی تابه حال ارائه شده است که اکثراً مبتنی بر مدل برداری می باشند. در این مدل با هر سند مانند مجموعه ای از کلمات برخورد می گردد و توالی کلمات در جمله، نادیده گرفته می شود. ازآنجایی که معانی در زبان طبیعی به طور کامل وابسته به توالی کلمات می باشند نقیصه بزرگی در این روش ها احساس می گردد. برای رفع این نقیصه در این مقاله روشی جدید در خوشه بندی اسناد Html ارائه گردیده است که در آن الگوریتم Stc برای خوشه بندی Snippet ها لحاظ شده است. این روش که با عنوان خوشه بندی بر اساس جملات کلیدی Ks_Stc مطرح شده برای هر سند بردار وزن داری تهیه می کند و با استفاده از این بردار، جملات کلیدی هر متن از سند استخراج می گردد و نهایتاً این جملات کلیدی برای خوشه بندی به الگوریتم Stc داده می شود.

در پژوهش حاضر، به بهره برداری تلفیقی بهینه از منابع آب سطحی و زیرزمینی در زیرحوضه ی نجف آباد که یکی از مهم ترین محدوده های مطالعاتی در حوضه ی آبریز گاوخونی است، پرداخته شده و برای انجام آن از روش اتصال مدل های شبیه سازی بهینه سازی با کمک شبکه ی عصبی مصنوعی و الگوریتم جفت گیری زنبورعسل استفاده شده است. ضمن اتصال مدل های بهینه ساز و شبیه ساز به یکدیگر، به ارائه ی سیاست بهره برداری بهینه در 3 دوره ی خشک، نرمال و ترسالی پرداخته شده است. با توجه به نتایج حاصل، مدل شبکه ی عصبی منتخب با مقدار ضریب تبیین بیش از 0٫ 99 و خطای کمتر از 6\٪ در بخش اعتبارسنجی توانسته است برای پیش بینی، عملکرد سطح ایستابی آبخوان را به خوبی شبیه سازی کند. در بخش بهره برداری تلفیقی، مدل توانسته است میانگین سطح ایستابی در آبخوان را به ترتیب در 3 دوره ی ترسالی، نرمال و خشکسالی در منطقه ی چپ مطالعاتی به میزان 2٫ 3، 0٫ 75 و 1٫ 36 متر و در منطقه ی راست مطالعاتی به میزان 2٫ 14، 1٫ 14 و 0٫ 8 متر بهبود بخشد.

یکی از مهمترین مسائل در مدیریت منابع آب، مسئله بهره برداری بهینه از مخازن می باشد. در این پژوهش از الگوریتم فرا ابتکاری علف هرز مهاجم (IWO) برای یافتن استراتژی های تخصیص بهینه آب در سیستم تک مخزنه سد طازران واقع در غرب کشور برای یک دوره 10 ساله استفاده شده است. مدل توسعه یافته در این تحقیق برای بهره برداری بهینه در حالت الگوی کشت وضع موجود تهیه گردیده است. اراضی پایین دست سد به دو منطقه طازران و ایونده تقسیم می شوند. تابع هدف تعریف شده حداقل سازی کل کمبودها در طول دوره شبیه سازی می باشد. به منظور بررسی عملکرد مخزن از شاخص-های قابلیت اعتماد زمانی، تأمین حجمی و آسیب پذیری استفاده شده است. نتایج حاصل از الگوریتم مورد بررسی با نتایج حاصل از الگوریتم ژنتیک(GA) مورد مقایسه قرار گرفته است. به دلیل عدم کفایت و همچنین توزیع نامناسب جریان رودخانه طازران، شبیه سازی ها در دوحالت استفاده از جریان آب های سطحی به تنهایی و تلفیق آب های سطحی و زیرزمینی انجام گرفته است. با توجه به نتایج به دست آمده مشخص گردید که با استفاده از روش های IWO و GA و استفاده همزمان از آب های سطحی و زیرزمینی منطقه، این سد به ترتیب قادر به تأمین 2/77درصد و 24/76 درصد از نیاز کل اراضی پایین دست منطقه طازران می باشد. شاخص های اعتماد پذیری و آسیب پذیری در منطقه طازران نیز به ترتیب برابر 45/55 و 33 درصد در روش IWO و 72/52 و 41 درصد در روش GA می باشند.

تخصیص اجزاء مازاد شامل انتخاب اجزاء و سطوح افزونگی برای بیشینه نمودن قابلیت اطمینان تحت محدودیت های مختلف سیستم است. در اکثر طراحی ها، به دلیل وجود توابع هدف چندگانه متضاد، محاسبه قابلیت اطمینان دشوار می باشد. در مدل ارائه شده در این مقاله سه هدف شامل بیشینه سازی قابلیت اطمینان، کمینه سازی حجم و کمینه سازی هزینه مد نظر قرار می گیرد که برای حل آن، یک الگوریتم تلفیقی چندهدفه جدید بر پایه الگوریتم های رقابتی و ژنتیک برای اولین بار در حل مسائل بهینه سازی قابلیت اطمینان چند هدفه با استفاده از تخصیص عضو مازاد پیشنهاد می شود. علاوه بر این از روش رویه شناسی رویه سطح پاسخ (RSM) برای تنظیم عملگرهای الگوریتم پیشنهادی استفاده می شود. الگوریتم پیشنهادی در مقایسه با دو الگوریتNSGA-II  و PAESاز کارایی بالاتری برخوردار است.

با توجه به ساختار دینامیکی و نوسانات غیرخطی بازار سهام، پیش بینی دقیق روند این بازار با استفاده از روش های قدیمی دشوار است. در این تحقیق به منظور بهبود دقت پیش بینی روند شاخص در صنایع مختلف، الگوریتم جدیدی از تلفیق دو الگوریتم درونیابی فرکتال و رگرسیون ماشین بردار پشتیبان به نام اختصاری الگوریتم فرکسیون پیشنهاد می کنیم. برای این منظور پس از تشخیص فرکتال بودن ساختار صنایع با استفاده از نمایه هرست هر صنعت، مقدار شاخص در هر صنعت فرکتالی را به عنوان داده های اولیه برای پیش بینی روند شاخص در نظر می گیریم. سپس با اصلاح الگوریتم درونیابی فرکتال، به تولید داده های جدید می پردازیم و در پایان با فراخوانی الگوریتم رگرسیون بردار پشتیبان بر روی داده های بدست آمده، به پیش بینی روند شاخص خواهیم پرداخت. نتایج حاصل از پیاده سازی الگوریتم ترکیبی فرکسیون و مقایسه آن با دو روش مرسوم یعنی شبکه عصبی مصنوعی و رگرسیون ماشین بردار پشتیبان، حاکی از برتری دقت پیش بینی الگوریتم پیشنهادی است.

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