Journal of Information and Communication Technology
,
Issue47,Year,
Spring_Summer
2021
با رشد روز افزون تاثیر فناوری نوین در بازار جهانی، معیارهای تصمیمگیری برای برنامه ریزی بنگاههای اقتصادی درگیر چالشهایی میباشد. یکی از رویکردهای مناسب برای مقابله با این چالشها، استفاده از سیستمهای پشتیبانی تصمیم با بکارگیری نظریه مجموعههای ناهموار است. در این مقا More
با رشد روز افزون تاثیر فناوری نوین در بازار جهانی، معیارهای تصمیمگیری برای برنامه ریزی بنگاههای اقتصادی درگیر چالشهایی میباشد. یکی از رویکردهای مناسب برای مقابله با این چالشها، استفاده از سیستمهای پشتیبانی تصمیم با بکارگیری نظریه مجموعههای ناهموار است. در این مقاله، یک سیستم پشتیبانی تصمیم به همراه الگوریتمی بر اساس نظریه مجموعههای ناهموار برای تصمیمگیری پیشنهاد میگردد. این الگوریتم برای یکی از خطوط تولید در یکی از بنگاههای تحت پوشش وزارت صمت، پیاده سازی و اثرات متغیرها بر اهداف آن بررسی شده است. برای تحلیل و ارزیابی نتایج، دو شاخص قدرت و پشتیبانی در قوانین موجود نظریه مجموعههای ناهموار، مورد استفاده قرار گرفت. این قوانین در سه دسته، مورد بررسی قرار گرفتند و از بین 12 قانون، سه قانون دارای ارزشی متوسط در آن دو شاخص هستند که همیشه برقرار می باشند. بقیه قوانین توزیع ناهمگنی دارند و امکان نقض شدن 3 مورد از قوانین نیز وجود دارد. مزایای استفاده از سیستم پیشنهادی، جلوگیری از اتلاف سرمایه بنگاه، پیشگیری از اشتباهات ناشی از عدم قطعیت موجود در دادهها، دقت بالا در تصمیم گیری، افزایش سادگی و سرعت در انجام تصمیم گیریهای حیاتی برای این بنگاه و بنگاههای اقتصادی مشابه میباشد که بر اساس نظرات تصمیم گیرندگان در این بنگاه، مورد تایید قرار گرفت.
Manuscript profile
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقا More
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقالی به نام TL-CLA پیشنهاد میگردد که از یادگیری انتقالی به عنوان راهکاری برای کاهش محاسبات و کمینهسازی چرخه یادگیری بهره میگیرد. مدل گسترشیافته پیشنهادی بر اساس تابع شایستگی و بردار نگرش برای انتقال یادگیری طراحی شده است. در الگوریتم TL-CLA، ابتدا مقدار تابع شایستگی بر اساس محیط محلی و مقدار بردار نگرش بر مبنای محیط سراسری اتوماتا محاسبه میشود. زمانی که این دو معیار حد آستانه مقرر را کسب کنند، انتقال بردار احتمالات اقدام ها سبب انتقال یادگیری از اتوماتای یادگیر سلولی منبع به اتوماتای یادگیر سلولی مقصد میشود. نتایج آزمایشها نشان میدهند که مدل پیشنهادی TL-CLA در محیطهای عملیاتی استاندارد با دو اقدام و چند اقدام، به طور میانگین، به ترتیب به اندازه 7/2% و 2/2% از نظر صحت همگرایی افزایش یافته است. نرخ همگرایی نیز به طور میانگین، به ترتیب 8% و 2% بهبود داشته است. اتوماتای یادگیر سلولی TL-CLA پیشنهادی در انتقال دانش حاصل از یادگیری یک وظیفه برای وظیفهای مشابه کاربرد دارد.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.