ورشکستگی اخیر شرکت های بزرگ در سطح بین الملل و نوسان های بورس اوراق بهادار در ایران نیاز به وجود ابزارهایی برای ارزیابی توان مالی شرکت ها را نشان می دهد. با توجه به وضعیت حاکم بر اقتصاد کشور و اثر این وضعیت بر ثبات سازمان ها یک نوع تجزیه و تحلیل مالی برای اطلاع از وضعیت مالی سازمان ها در آینده از نیازهای ضروری می باشد. یکی از راه های کمک به سرمایه گذاران ارایه الگوهای پیش بینی درباره دورنمای کلی شرکت است. هر چه پیش بینی ها به واقعیت نزدیکتر باشد، تصمیمات صحیح تری اتخاذ خواهد شد. الگوهای پیش بینی ورشکستگی یکی از ابزارهای برآورد وضع آینده شرکت ها است. تا کنون روش های مختلفی برای پیش بینی ورشکستگی شرکت ها ارایه شده است. در این تحقیق سه مدل با استفاده از الگوریتم ژنتیک، الگوریتم بهینه سازی تجمعی ذرات و مدل اصلی با ترکیب دو الگوریتم ذکر شده ایجاد شده است. ترکیب الگوریتم بهینه سازی تجمعی ذرات با عملگرهای ژنتیک باعث می شود که جواب بهینه سراسری بهتری پیدا کنیم، بنابراین با مقایسه نتایج پیش بینی حاصل از سه مدل به این نتیجه می رسیم که مدل ترکیبی طراحی شده نتایج بهتری را ارایه می دهد. همچنین نتایج مدل ترکیبی ارایه شده با دو روش درخت تصمیم و شبکه عصبی که از روش های رایج هوش مصنوعی می باشد مقایسه شده است. بررسی نتایج بدست آمده نشان می دهد که از مدل ترکیبی نتایج بهتری حاصل شده است.

مطالب پژوهش حاضر به ترتیب زیر بخش بندی شده اند. در فصل اول کلیات تحقیق و بیان مساله ارائه شده است. فصل دوم به مبانی نظری و پیشینه پژوهش اختصاص دارد. فصل سوم انواع روش های یادگیری ساختاری در شبکه های بیزی را در بر دارد. در فصل چهارم به توصیف متغیرهای مربوط به مطالبات ریالی بالای 500 میلیون ریال بانک مسکن و نحوه پیاده سازی الگوریتم ژنتیک برروی داده های مذکور پرداخته شده است. در فصل پنجم نتایج تحقیق و پیشنهادهایی برای تحقیق های آتی آورده شده است.