برای حل مدلی از انتخاب سبد سهام که اخیراً توسعه یافته، الگوریتمی ترکیبی طراحی شده است که بر مبنای روش «بهینه سازی گروه ذره ها» استوار است. ابتدا مفهوم انتخاب سبد سهام و انواع مدل های آن، به اختصار بیان شده سپس روش «بهینه سازی گروه ذره ها» و چند نوع مختلف آن توضیح داده شده است. مدل انتخاب سبد سلیمانی (1386) با شیوه ای نو همراه با اصلاحاتی بازنویسی شده است. الگوریتم جدید (cbipso) معرفی و برنامه های رایانه ای که برای پیاده سازی الگوریتم با کدهای matlab® نوشته شده، تشریح گردیده اند. اعتبار الگوریتم جدید از طریق مقایسه با الگوریتم ga (سلیمانی، 1386) مورد ارزیابی قرار گرفته است. همچنین نحوه تغییر عملکرد cbipso با تغییر پارامترهای مختلف در الگوریتم و مسأله بررسی شده است. نتایج تحقیق نشان می دهند که با تنظیم های مناسب, cbipso از چند جهت بهتر از ga (سلیمانی، 1386) عمل می کند.

چکیده رشد اقتصادی در موج جدید اقتصاد دانش بنیان، بر پایه تولید و بکارگیری علم و دانش، برای تقویت قدرت نوآوری در عرضه فناوری ها ومحصولات جدید به بازارهای داخلی و خارجی است که منجر به تولید ثروت از دانش می شود. تحولات اخیر حکم می کند که کشور ایران جهت رقابت درعرصه جهانی، برنامه ریزی کلانی در نیل به اقتصاد دانش بنیان داشته باشد، سند چشم انداز 20 ساله به منظور تدوین چنین برنامه ای برای سالهای 1384 تا 1404 توسط مسئولان کشور تهیه گردیده است. در تصویر بزرگ سند چشم انداز اشاره شده است که: ایران کشوری توسعه یافته با جایگاه اول علمی، فناوری و اقتصاد در سطح منطقه آسیای جنوب غربی است.بعد از گذشت پنج سال از اجرای این سند، سیستم تولید علم و فناوری کشور، اثربخشی مناسبی در راستای اهداف تعیین شده نداشته وفقط منجر به افزایش تولید تعداد مقالات isi شده است. در این پژوهش با رویکرد پویایی شناسی سیستمها پس از مرور نظامهای تولید علم و نوآوری در سطح جهان، سیستم تولید علم وفناوری کشور ایران مورد تجزیه وتحلیل قرار گرفته و با رقبای منطقه ای مقایسه می شود.نتیجه این تحلیل نشان می دهد سیستم تولید علم کشوربا تکیه بر درامدهای نفتی و افزایش مداوم بودجه پژوهشی، فقط چاپ تعداد مقالات isi را در سال افزایش می دهد ومنجر به تولید ثروت از علم نمی شود . مطالعاتی که در ادامه این پژوهش، با تمرکزبر ارزیابی چالشهای سند چشم انداز 20 ساله ایران، در حوزه تولید علم وفناوری، جهت رشد اقتصادی کشور انجام گرفته، ما رابه این جمع بندی می رساند که؛اگر چه درامدهای حاصل از فروش منابع طبیعی قدرت زیربنایی نظام علم و فناوری را از لحاظ تاسیس مراکز آموزشی و پژوهشی(مکان تولید علم) و تربیت پژوهشگر (عامل تولید علم) بعنوان مزیت، افزایش داده است. اما عامل بروز و فوران دو حلقه نامطلوب بعنوان عارضه در این سیستم شده است. بدین معنی که: اولا بافروش منابع طبیعی، مواهب منابع به شومی منابع درجامعه تبدیل می شود. این پدیده منجر به حس بی نیازی، عدم تقاضای تولید علم و فناوری، نبود فرهنگ استفاده از دانش برای حل مشکلات جامعه، عدم نیاز به تغییر فنی و دانشبری صنایع می شود.ثانیا یک نوع ذهنیت رانتیه درجامعه و سیستم علم وفناوری ایجاد می کند که باعث می شود تعدادی از پژوهشگران به خارج از کشور مهاجرت کنند وتعدادی دیگری جذب بازارهایی شوند که درامدهای بهتری نسبت به بازار پژوهش دارند . بنابراین بهره وری کار پژوهشی در کشور به علت عدم تقاضا، فقدان جذابیت وکاهش تعداد پژوهشگران بسیار ضعیف شده است و با این روند سیستم تولیدعلم، بی هدف و ناکارامد می شود. کلمات کلیدی:

توالی عملیات و زمانبندی تصمیماتی هستند که در صنایع تولیدی و خدماتی نقش بسیار مهمی دارند. در دنیای رقابتی امروز، زمانبندی موثر شرط لازم برای بقا است. برای این منظور باید کلیه فعالیتها برای رسیدن به موقع به هدف نهایی، زمانبندی و ترتیب دهی شوند. زمانبندی شامل برنامه ریزی، اولویت دهی و چیدمان فعالیتهایی می باشد که نیازمند ترتیب، در انجام دادن آنها می باشد. در حقیقت زمانبندی به عنوان ابزاری در جهت بهینه سازی استفاده از منابع و امکانات در دسترس بکار می رود و موجب افزایش بازدهی و بهره برداری مناسب از ظرفیت، کاهش زمان مورد نیاز به منظور تکمیل کارها و در نهایت، سود آوری سازمان می گردد. مساله توالی عملیات و ترتیب چیدن کارها، به منظور کمینه نمودن زمان اتمام کارها از مهمترین مسائل زمانبندی می باشد. در این تحقیق یک روش فرا ابتکاری برای مساله جریان کارکارگاهی ترکیبی با هدف کمینه نمودن زمان اتمام کارها ارائه می گردد. اساساً ماهیت چنین مساله ای، چند جمله ای سخت می باشد و امکان استفاده از روشهایی که جواب بهینه تولید می کند تنها برای مسائل با اندازه بسیار کوچک میسر است. لذا بکارگیری روشهای فرا ابتکاری نه تنها امکان حل مسائل بزرگ را به ما می دهد، بلکه مدت زمان رسیدن به جواب بهینه یا نزدیک به بهینه بسیار کوتاه می شود. رویکردی که در این پژوهش بدان پرداخته شده است توالی عملیات در سیستم جریان کار کارگاهی ترکیبی می باشد و سعی دارد که با تخصیص مناسب کارها و در نظر گرفتن زمانهای راه اندازی وابسته به توالی دو کار مجزا، زمان تکمیل کارها را کمینه نماید. در مساله مطرح شده، هر کار دارای زمان پردازش مستقل بر روی هر ماشین بوده و زمان آماده سازی هر کار، وابسته به کار قبلی می باشد که روی آن ماشین پردازش گردیده است. با فرضیات مطرح شده در این مطالعه، مساله به شرایط واقعی نزدیکتر شده و لیکن با مطالعاتی که انجام گرفته مشخص گردیده است که مساله از نوع چند جمله ای سخت می باشد. لذا تمرکز مطالعه بر روی روش حل مساله با رویکرد الگوریتم ژنتیک با کلید تصادفی ارائه شده توسط kurz و askin صورت پذیرفت. در ابتدا مدل ارائه شده مجددا در محیط ویژوال بیسیک حل گردید. در ادامه با استفاده از مطالعات انجام شده بر روی مقالات دیگر در این حوزه، با ادغام الگوریتم با گونه ای از روش جستجوی محلی، الگوریتم ممتیک جدیدی برای حل مساله ارائه گردید. هر دو الگوریتم در طیف وسیعی از مسائل و در شرایط یکسان اجرا گردیدند. نتایج حاصل از اجراهای مختلف دو الگوریتم، مقایسه گردیدند و معین گردید که الگوریتم ممتیک پیشنهادی در تمامی موارد، نتایج مطلوبتری حاصل می نماید.

امروزه همزمان با پیشرفت صنایع، مقوله نگهداری و تعمیرات در صنعت به یکی از موضاعات مهم و کاربردی تبدیل شده است. هر چند این مقوله در کاهش هزینه ها، اقتصادی کردن و ایمن سازی فرآیندها نقشی اساسی دارد، ولیکن خود نیز به عنوان یکی از سنگین ترین هزینه های قابل کاهش در واحدهای صنعتی شناخته شده است. هزینه های نگهداری و تعمیرات بخش مهمی از کل هزینه های کارخانجات و صنایع را به خود اختصاص می دهد. بسته به نوع صنعت این نوع هزینه ها بین 15 تا 60 درصد در صنایع مختلف شناور می باشد.]1[ از ماشین های مدرن و پیشرفته ای که در محیط های صنعتی استفاده می شود، انتظار می رود که برای ساعات طولانی بطور پیوسته و با حداقل زمان توقف کار کنند. از بین عواملی که باعث توقف دستگاه ها می شود، خرابی که بوسیله ی یک ماشین دوار به وجود آمده است، بیشترین زمان را به خود اختصاص داده است، به طوریکه ایرادهای کوچک در یک مجموعه از ماشین دوار به مرور زمان تشدید شده وعامل بوجود آمدن خرابی های بیشتر می شوند و ممکن است این خرابی در زمانی که ما شدیداً به درست کار کردن دستگاه نیاز داریم اتفاق بیفتد، و زمان زیادی صرف باز کردن قطعات ماشین و تشخیص عیب و درنهایت برطرف کردن آن عیب گردد، ویا اینکه درست کار نکردن یکی از اجزای دوار باعث لرزه در مجموعه شده وکیفیت کارکرد آن بخش از دستگاه را کاهش داده و باعث ضرر اقتصادی گردد. بنابراین اگر ما بتوانیم شرایطی را بوجود بیاوریم که بدون باز کردن ماشین وضعیت این ماشین دوار را تحت کنترل قرار دهیم، می توانیم اولاً با عکس العمل به موقع از انتقال خرابی به دیگر قسمت های ماشین جلوگیری کرده، ثانیاًوضعیت قطعاتی که در دسترس قرار ندارند را نیز تحت کنترل قرار دهیم،و ثالثا در مواردی که دستگاه مشکوک به خرابی است با برنامه ریزی قبلی و اجتناب از بررسی های غیرضروری در زمان و هزینه صرفه جویی های قابل توجهی به عمل آوریم. و در صورت وجود خرابی قبل از آنکه منجر به از کار افتادگی دستگاه شود، خرابی تشخیص داده شده، و در ساعت غیر کاری عمل تعویض قطعه خراب را انجام دهیم. برای دسترسی به اهدافی که در بالا به آن اشاره شد می توان از سنسورهایی که در محلی نزدیک به منبع لرزش نصب شده-اند، برای گرفتن سیگنال های لرزشی استفاده کنیم. و از این سیگنال ها جهت تشخیص شرایط ماشین استفاده نماییم. استفاده از سیگنال های لرزشی برای تشخیص شرایط ماشین به طور کلی شامل دو مرحله ی استخراج خواص از سیگنال-ها و استفاده از این خواص برای تشخیص شرایط ماشین می باشد. برای استخراج خواص از دو مدل سری زمانی archو ar ، و برای استفاده از خواص در تشخیص شرایط ماشین از شبکه عصبی استفاده شده است. روش های مختلفی از قبیل شبکه عصبی، svm برای استفاده از خواص وجود دارد، که در این بین شبکه عصبی برای مواردی که تعداد داده های ما زیاد هستند مناسب است [2]،svmنیز دارای دقت مناسبی است اما فقط برای داده های قطعی مناسب است. [3] در مدل اتورگرسیو(ar) مرسوم فرض برآن است که واریانس جزء اختلال در کل دوره ی زمانی نمونه ثابت است و ناپایداری را در طول زمان ثابت در نظر می گیرند و قادر به توضیح نوسانات ناگهانی سیگنال ها نیستند. بنابراین در این مدل ها از همه اطلاعات موجود در پسماندهای سیگنال ها استفاده نمی شود. در سیگنال ها گرفته شده از ماشین های دوار ملاحظه می شود که بسیاری از سیگنال ها در دوره هایی با نوسانات زیاد همراه هستند و متعاقب آن دوره هایی از تغییرات اندک را پشت سر می گذارند. تحت این شرایط فرض وجود واریانس ثابت یا واریانس همسان چندان معقول نخواهد بود. در مدل های خود رگرسیون واریانس ناهمسان شرطی(arch)امکان ناپایداری (تغییرات واریانس)لحظه ای در سری های زمانی مورد توجه قرار می گیرد و برای این منظور واریانس خطاها در هر دوره تابع مقادیر گذشته آن درنظر گرفته می شود. طریقه کار به این صورت است که،ابتدا به سیگنال های لرزشی در حوزه فرکانس از روش باکس-جنکینز مدلی برازش داده می شود، سپس با استفاده از مجذور پسماندها که از مدل برازش داده شده و مقادیر واقعی بدست آمده مدل arch مدلسازی می شود و در انتها با کمک ضرایب مدل archو شبکه عصبی به طبقه بندی سیگنال ها پرداخته می شود.در این پژوهش سعی کرده ایم برتری مدل arch در مرحله استخراج خواص نسبت مدل ar را به تصویر بکشیم.در فصل اول جهت آشنایی هر چه بیشتر با مفاهیم آماری،شبکه عصبی، سری زمانی و انواع آن که شامل مفاهیم اولیه،تحلیل توصیفی سری زمانی، آشنایی با مفاهیم بنیادی سری زمانی، فرآیند های تصادفی، الگوهای سری زمانی،الگوسازی و مدل arch می باشد.در فصل دوم روش پیشنهادی برروی داده های مورد آزمایش تست شده است. در فصل سوم نیز پس از بحث در مورد آزمایش ها و نتایج آن، محدودیت های تحقیق و پیشنهادها ارائه شده است.