این تحقیق به ارائه مدلی برای بهینه سازی پرتفوی جهت مدیریت صندوق شاخصی بهبود یافته می پردازد. مدیریت صندوق شاخصی بهبود یافته دو هدف اساسی را نسبت به مدیریت فعال و مدیریت منفعلانه دنبال می کند. صندوق شاخصی بهبود یافته از یکسو در تلاش برای دست یابی به بازده بیشتر نسبت به شاخص است و از سوی دیگر، برای کاهش انحراف از شاخص تلاش می کند. در این مقاله چگونگی به کارگیری الگوریتم ژنتیک برای حل مساله تشکیل صندوق شاخصی بهبود یافته با در نظر گرفتن محدودیت تعداد دارایی های مختلف و همچنین محدودیت در وزن تخصیص داده شده به دارایی های مختلف صندوق، شرح داده شده است. دوره زمانی مورد استفاده برای این پژوهش از خرداد 1378 تا خرداد 1389 در بورس اوراق بهادار تهران بود. نتایج حاصل از بارگیری مدل پیشنهادی با شاخص قیمت و بازده نقدی مقایسه گردید. نتایج این مقایسه بیانگر این است که میانگین بازده صندوق های شاخصی بهبود یافته تفاوت معنی دار آماری با بازده شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران دارد و از آن بیشتر است.

راه رفتن یکی از انواع ویژگی های بیومتریک است که به وسیله آن می توان هویت فرد را از ویدیوهای حاوی این بیومتریک شناسایی کرد. برای تشخیص هویت از طریق راه رفتن دو چالش جدی وجود دارد: 1) تغییر در جهت و زاویه راه رفتن 2) تغییر در ظاهر سوژه که به دلایل مختلف ازجمله حمل کیف یا تغییر پوشش ایجاد می شود. هر دو چالش ذکرشده عملکرد شناسایی هویت را به شدت تحت تأثیر قرار می دهد. در این مقاله روشی ارائه شده است که با هر دو چالش مذکور مقابله می کند. در روش پیشنهادی ابتدا جهت راه رفتن با استفاده از موقعیت تعدادی از پیکسل های منطقه پای انرژی تصویر راه رفتن (GEI) شناسایی می شود. این پیکسل ها به گونه ای انتخاب می شوند که بیشترین درصد شناسایی را به دنبال داشته باشند. و در ادامه با استفاده از الگوریتم ژنتیک قسمت هایی از GEI که در دو حالت حمل کیف و تغییر پوشش بیشترین تغییرات را دارند شناسایی و پوشانده می شوند. الگوریتم ژنتیک این قابلیت را دارد که ناحیه بهینه را با دقت خوبی شناسایی و حذف کند به طوریکه عملکرد سیستم در برابر تغییرات ظاهری مقاوم باشد. این سیستم منطقاً باید عملکرد خوبی داشته باشد زیرا مرحله شناسایی جهت راه رفتن طوری طراحی شده که از نظر محاسباتی ارزان است و از طرفی الگوریتم ژنتیک به گونه ای عمل می کند که اطلاعات مفید بیشتری در مقایسه با سایر روش ها حفظ می کند. نتایج نشان می دهد که روش پیشنهادی به طور میانگین 9/95 درصد شناسایی دارد که این درصد شناسایی نشان از برتری عملکرد این روش نسبت به سایر روش هاست.

روش های فشرده سازی تصویر را می توان به دو دسته با اتلاف و بی اتلاف تقسیم بندی نمود. کدگذار پیشگو مبنای بسیاری از روش های فشرده سازی بی اتلاف تصویر است. این کدگذار با توجه به مقدار پیکسل های همسایه، مقداری را برای هر پیکسل از تصویر پیشگویی می نماید. تفاضل مقدار واقعی هر پیکسل از مقدار پیشگویی شده، مقدار خطا تلقی می شود و این مقادیر خطا کد می گردند. در این مقاله، روش پیش پردازشی پیشنهاد شده است که چیدمان تصویر را طوری تغییر می دهد تا مقادیر پیکسل های همسایه، همبستگی بیشتری با هم داشته باشند. با افزایش همبستگی بین پیکسل های همسایه، کدگذار پیشگو می تواند مقدار دقیق تری را برای هر پیکسل پیشگویی نماید، در نتیجه آنتروپی در تصویر خطا کاهش می یابد. طبق نظریه اطلاعات هر چه آنتروپی تصویر کمتر باشد، قابلیت کدگذار آنتروپی در فشرده سازی آن افزایش می یابد. در روش پیشنهادی به کمک الگوریتم ژنتیک، تبدیلات هندسی چرخش و انعکاس مناسبی بر روی هر بلوک از تصویر اعمال می شود تا چیدمان تصویر طوری تغییر یابد که همبستگی پیکسل های مجاور تصویر افزایش یابد. در این مقاله دو روش فشرده سازی JPEG بی اتلاف و CALIC که مبتنی بر کدگذار پیشگو هستند مورد بررسی قرار گرفت. نتایج ارزیابی روش پیشنهادی بر روی تصاویر متعدد نشان می دهد پیش پردازش پیشنهادی نرخ فشرده سازی این دو روش را بهبود می بخشد.

همگام با گسترش شبکه های کامپیوتری، حملات و نفوذها به این شبکه ها نیز افزایش یافته است. برای داشتن امنیت کامل در یک سامانه کامپیوتری، علاوه بر فایروال ها و دیگر تجهیزات جلوگیری از نفوذ، سامانه های دیگری به نام سامانه های تشخیص نفوذ (IDS) مورد نیاز هستند. هدف از یک سامانه تشخیص نفوذ نظارت بر فعالیت های غیرعادی و افتراق بین رفتارهای طبیعی و غیرطبیعی (نفوذ) در یک سامانه میزبان و یا در یک شبکه است. یک سامانه تشخیص نفوذ را زمانی می توان کارا دانست که نرخ تشخیص نفوذ بالا و به صورت هم زمان نرخ هشدار اشتباه کمی را دارا باشد. در این مقاله روشی جدید جهت طبقه بندی مجموعه داده KDD-Cup-99 معرفی شده است که از ترکیب الگوریتم جنگل تصادفی و الگوریتم ژنتیک حاصل شده است و هدف آن افزایش سرعت فاز یادگیری و آزمون و همچنین دقت روش جنگل تصادفی است. از جنگل تصادفی به دلیل ساختار ساده و کارایی بالای آن در بسیاری از محصولات مبتنی بر یادگیری ماشین استفاده می شود. ولی مانند دیگر الگوریتم های مبتنی بر درخت تصمیم، وجود تعداد زیادی متغیر غیرعددی (نوعی) می تواند برای دقت و سرعت برنامه مشکل ایجاد کند. در مسئله تشخیص نفوذ دقیقا ما با چنین سناریویی مواجه هستیم. نوآوری این مقاله، حل این معضل با استفاده از الگوریتم ژنتیک است. در این مقاله با تعریف کردن معیاری با نام بهره اطلاعات، تعداد ویژگی ها کاهش یافته است.

در این مقاله به طراحی کنترل کننده میراساز برای میرایی نوسانات سیستم قدرت بر مبنای  UPFCپرداخته شده است. سیستم تحت مطالعه یک سیستم تک ماشینه متصل به شین بینهایت می باشد. ابتدا مدل خطی به فرم فضای حالت برای سیستم تک ماشینه متصل به شین بینهایت آورده شده و سپس کنترل کننده مذکور با روش بهینه سازی الگوریتم ژنتیک برای این سیستم بهینه سازی شده است. تاثیر کنترل کننده میراساز بر میرایی نوسانات سیستم قدرت از طریق شبیه سازی غیر خطی در حوزه زمان نشان داده شده است. همچنین برای نمایش ویژگی های کنترل کننده طراحی شده نتایج این کنترل کننده با یک کنترل کننده کلاسیک مقایسه شده که نتایج برتری کنترل کننده طراحی شده را نسبت به کنترل کننده کلاسیک نشان می دهد.

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