کد VHDL و فایل word پایان نامه طراحی و پیاده سازی یک ریزپردازنده قابل پیکربندی مجدد

لینک دانلود

فهرست مطالب

چکیده 1 فصل اول:تاریخچه محاسبات با قابلیت پیکربندی مجدد 1-1- مقدمه 3 فصل دوم: مفهوم، معماری‌ها و روش‌های طراحی سیستم‌های قابل‌ پیکربندی مجدد 2-1- محاسبات و سخت افزار با قابلیت پیکربندی مجدد 8 2-2- پیکربندی مجدد جزئی پویا و ایستا در FPGA ها 10 2-3- معرفی مرجع اول در پیکر بندی مجدد FPGA 11 2-4- معرفی مرجع دوم در پیکر بندی مجدد FPGA 12 2-5- معرفی مرجع سوم در پیکر بندی مجدد FPGA 14 2-6- معرفی مرجع چهارم در پیکر بندی مجدد FPGA 14 2-7- معرفی مرجع پنجم در پیکر بندی مجدد FPGA 15 فصل سوم: پیاده سازی نرم افزاری و سخت افزاری پیکربندی مجدد پیشنهادی 3-1- مقدمه 19 3-2- پیاده سازی جمع کننده CARRY_LOOK_AHEAD به صورت N بیتی 20 3-3- پیاده سازی ضرب کننده به صورت N بیتی 24 3-3-1 ضرب کننده برای دو عدد قدر مطلق علامت 24 3-3-2 ضرب دو عددمتمم 2 یا 2’S 25 3-4- پیاده سازی تقسیم کننده به صورت N بیتی 26 3-5- طراحی سخت افزار و ALU برای پیاده سازی کدها با قابلیت پیکر بندی مجدد 28 3-5-1 طراحی واحد کنترل 28 3-5-2 به کارگیری کنترل های FPGA در طراحی سخت افزاری با سرعت بالا 31

فصل چهارم: نتایج شیبه سازی 4-1- نتایج شیبه سازی در نرم افزار MODELSIM 37 4-2- نتایج شیبه سازی در نرم افزار ISE 39 4-3- مقایسه با مراجع 51 فصل پنجم: نتیجه گیری 5-1- نتیجه گیری 54 فصل ششم: کارهای آینده 6-1- کارهای آینده 56 منابع و مآخذ 57 فهرست منابع انگلیسی 57 پیوست: کدهای نوشته شده VHDL 59 چکیده انگلیسی 68

 

فهرست جداول

عنوان شماره صفحه جدول 1-1. روند کلی تکامل سیستم‌های قابل پیکربندی مجدد 6 جدول 3-1. 4 حالت ممکن برای جمع کننده ADDER_CARRY_LOOK_AHEAD 21  

فهرست شکل ها

عنوان شماره صفحه شکل 2-1. پیکر بندی مجدد جزئی پویا 10 شکل 2-2. پیکر بندی دوباره جزئی ایستا 11 شکل 2-3. سیستم پیشنهادی مرجع 1 در پیکر بندی مجدد FPGA 11 شکل 2-4. فلو چارت مربوط به مرجع ا 12 شکل 2-5. طراحی در سطح RTL در برد FPGA 13 شکل 2-6. نمونه هایی از پیاده سازی در نرم افزار MODELSIM 13 شکل 2-7. جریان طراحی سنتی برای مفهوم سیستم پیکر بندی مجدد به صورت پویا 14 شکل 2-8. الگوریتم پیکر بندی مجدد جزئی پویا مرجع 4 15 شکل 2-9. بلوک DCM 16 شکل 2-10. طراحی در سطح RTL بلوک DCM 16 شکل 2-11. طراحی سلسله مراتبی مرجع پنجم 17 شکل 2-12. نتایج شبیه سازی DRP بلوک های منطقی 17 شکل 3-1. جمع کننده کامل یا FULL ADDER 21 شکل 3-2. شکل مداری الگوریتم جمع کننده ADDER_CARRY_LOOK_AHEAD 23 شکل 3-3. مدار ضرب کننده برای ضرب دو عدد قدر مطلق علامت 24 شکل 3-4. مراحل ضرب دو عدد 3- و 4- را بیتی به روش قدر مطلق علامت 25 شکل 3-5. عمل تقسیم به روش مقایسه ای 26 شکل 3-6. مثالی از مراحل تقسیم 27 شکل 3-7. واحد کنترل 28 شکل 3-8. نشان دهنده مفهوم روش ریزبرنامه سازی 29 شکل 3-9. فعال شدن هر دستور بر اساس ورودی متناظر در روش سیم بندی شده 30 شکل 3-10. فعال شدن هر دستور بر اساس ورودی متناظر در روش ریز برنامه سازی 30 شکل 3-11. دیاگرام یک بلوک عمومی برای یک سیستم کامل کنترل سرعت بالا 31 شکل 3-12. نمودار بلوکی واحد پردازشی کنترلر طراحی شده بر مبنای FPGA 33 شکل 3-13. نحوه پیاده سازی طرح پیشنهادی در FPGA 34 شکل 4-1. شبیه سازی جمع کننده در نرم افزار MODELSIM 37 شکل 4-2. شبیه سازی ضرب کننده در نرم افزار MODELSIM 38 شکل 4-3. شبیه سازی تقسیم کننده در نرم افزار MODELSIM 38 شکل 4-4. شبیه سازی ALU در نرم افزار MODELSIM 39 شکل 4-5. بلوگ دیاگرام یا شماتیک RTL جمع کننده 41 شکل 4-6. مدار داخلی یا پیکر بندی داخلی مربوط به جمع کننده 41 شکل 4-7. بلوگ دیاگرام یا شماتیک RTL ضرب کننده 43 شکل 4-8. مدار داخلی یا پیکر بندی داخلی مربوط به ضرب کننده 44 شکل 4-9. مدار داخلی یا پیکر بندی داخلی مربوط به ضرب کننده 47 شکل 4-10. بلوگ دیاگرام یا شماتیک RTL تقسیم کننده 48 شکل 4-11. بلوگ دیاگرام یا شماتیک RTL مربوط به ALU 50 شکل 4-12. نمای کلی مدار داخلی یا پیکر بندی داخلی مربوط به ALU 50 شکل 4-13. مدار داخلی یا پیکر بندی داخلی مربوط به ALU 51 شکل 4-14. فلوچارت سیستم پیشنهادی 52  

چکیده

دو روش کلی در محاسبات برای اجرای الگوریتم¬های مختلف وجود دارد. روش اول، استفاده از ASIC ها می‌باشد تا بتوانیم الگوریتم مورد نظر را در سخت‌افزار اجرا و پیاده‌سازی کنیم. چون این تجهیزات برای هر الگوریتم خاص ساخته می‌شوند، سریع و کارا می‌باشند. اما مدارات آن‌ها پس از ساخته شدن، تغییر نمی‌کنند. راه دوم، استفاده از ریزپردازنده‌ها است که بسیار انعطاف‌ پذیرتر می¬باشند. آنها مجموعه‌ای از دستورات را اجرا می‌کنند و کارایی سیستم را بدون تغییر سخت‌افزار، تغییر می¬دهند. اما، همانند یک ASIC به این دلیل که برای یک کاربرد خاص طراحی نشده¬اند، دارای قابلیت انعطاف نمی‌باشد. سیستم¬های با قابلیت پیکربندی مجدد به گونه¬ای توسعه یافته‌ است تا فاصله میان سخت‌افزار و نرم‌افزار را کم کند و همچنین، به یک کارایی بسیار بالاتر از نرم‌افزار و قابلیت انعطاف بیشتر سخت‌افزار برسد. به همین منظور، در این پایان نامه ابتدا تاریخچه‌ای مختصر از توسعه‌ سیستم¬های با قابلیت پیکربندی مجدد بیان شده است. پس از آن، مفهوم قابلیت پیکربندی مجدد و انواع طراحی آن ارائه شده است. روند طراحی سیستم با قابلیت پیکربندی مجدد بر روی تراشه FPGA آورده شده است. ویژگی‌های طراحی سیستم با یک زبان برنامه نویسی بر مبنای VHDL بیان شده است. در نهایت سیستمی به صورت سخت افزاری و نرم افزاری ارائه شده است که قابلیت پیکر بندی مجدد را دارد و با استفاده از پردازش موازی سرعت پیکر بندی مجدد سیستم را افزایش می¬دهد. در ضمن، ایده کار به این صورت است که باس¬های حجیم از سیستم حذف شده و جای خود را به بلوک¬های منطقی دهد. در نهایت، تمامی قسمت¬های پویا و ایستا با هم به طور موازی کار می¬کنند که باعث افزایش سرعت مدار می¬شود.

کلمات کلیدی: پیاده سازی، پیکربندی مجدد جزئی پویا، پیکربندی مجدد جزئی ایستا  

فصل اول: تاریخچه محاسبات با قابلیت پیکربندی مجدد

1-1- مقدمه

مفهوم محاسبات با قابلیت پیکربندی مجدد از اوایل دهه 60 میلادی پدیدار شد. موقعی که مقاله جرالد استرین مفهوم یک کامپیوتر ساخته شده از یک پردازنده استاندارد و آرایه¬ای از سخت افزار قابل پیکربندی مجدد را پیشنهاد کرد. پردازنده اصلی، عملکرد سخت افزار قابل پیکربندی مجدد را کنترل می کند. در نتیجه، این سخت افزار با قابلیت پیکربندی مجدد، برای انجام هر کاری مناسب خواهد بود. برای مثال می¬توان کارهایی نظیر پردازش تصویر، الگوریتم عصبی و تطبیق الگو را با سرعت بالایی انجام داد. به محض اتمام یک کار، سخت افزار می¬تواند برای انجام کار جدید پیکربندی مجدد شود. چنین خاصیتی با ترکیب انعطاف پذیری یک نرم افزار و سرعت یک سخت افزار، در یک ساختار ترکیبی امکان پذیر شده است. در ضمن، چنین ایده¬ای در زمان پیدایش، بسیار جلوتر از تکنولوژی ساخت سخت افزار مورد نیازش بود. در دهه اخیر، تحقیقات زیادی درباره معماری¬های با قابلیت پیکربندی مجدد بوجود آمده است. این معماری¬ها هم در دانشگاه¬ها و هم در صنعت توسعه یافته¬اند. این معماری¬ها در دسته¬های زیر قرار می¬گیرند: • Matrix • Gorp • Elixent • XPP • Silicon Hive • Montium • Pleiades Morphosys • PiCOGA علت عملی بودن چنین طرحهایی، پیشرفت مداوم فنآوری سیلیکونی بوده که پیاده سازی طرح¬های پیچیده را روی یک تراشه امکان پذیر ساخته است. اولین مدل تجاری کامپیوتر با قابلیت پیکربندی مجدد در جهان به نام Algotronix CHS 2*4 در سال 1991 ارائه شد. این طرح به هیچ عنوان موفقیت تجاری نداشت، اما آنقدر امیدبخش بود که شرکت Xilinx (مخترع FPGA) تکنولوژی را خرید و محققان Algotronix را به خدمت گرفت. هم اکنون تعدادی شرکت فروشنده کامپیوترهای با قابلیت پیکربندی مجدد وجود دارند که بازار کامپیوترهای با کارایی بالا را در بر گرفته¬اند. مهمترین این شرکت¬هاSRC Computers ، SGL و Cray می¬باشند. شرکت ابر رایانه¬ای Cray بستر محاسبات قابل پیکربندی مجدد SRC را به دست آورد و آن را به عنوان XD1 به فروش می¬رساند. SGI رایانه RASC را همراه با سری ابر رایانه¬های Altix به فروش می¬رساند. شرکتSRC Computers یک خانواده از رایانه¬های قابل پیکربندی مجدد را توسعه داده است. این خانواده بر اساس معماری ضمنی و پردازنده MAP می¬باشد. تمام آنچه که گفته شد رایانه¬های هیبریدی هستند، که این رایانه¬ها با ریزپردازنده¬های FPGA همراه شده¬اند و با آن ساخته می¬شوند. FPGA ها توسط کاربر برنامه¬ریزی می¬شوند. این سیستم¬ها می¬توانند به عنوان ابر رایانه¬هایی با سرعت بالا با استفاده از FPGA ها به کاربرده شوند. (در حقیقت FPGA ها گزینه ای در XD1 و SGIRASC هستند). پیکربندی XD1 و SGIFPGA از طریق زبانهای توصیف سخت افزار (HDL) صورت می¬گیرد. با به کارگیری زبانهای سطح بالایی نظیر ابزار گرافیکی Star Bridge Viva یا زبانهایی مانند C مثل Handel-C از Celoxica و Lmpulse-C از Impulse Accelerated technologies یاMitrpn-C از Mitrionics و همچنین VHDL و Verilog نیز می¬توان پیکربندی را انجام داد. توسعه کد نویسی منطقی یک FPGA خام، یک فرآیند پیچیده است که نیازمند دانش و ابزار تخصصی است. SRC کامپایلری را ساخته است که زبان سطح بالایی مثل C یا Fortran را به عنوان ورودی می¬گیرد و با تغییراتی اندک، آنها را برای اجرا و پیاده¬سازی روی FPGA در ریزپردازنده، کامپایل می¬کند. بعضی از الگوریتم¬های کاربردی با زبانهای سطح بالا همانند C و Fortran نوشته می¬شوند. کامپایلر (Carte)، حداکثر موازی سازی را در کد انجام می¬دهد و منطق سخت افزار خط لوله¬ای را تولید می¬کند که در MAP ها مقداردهی شده¬اند. همچنین این کامپایلر تمام کدهای واسطی که برای مدیریت انتقال داده در داخل و خارج MAP نیاز است را تولید می¬کنند. این کدهای واسط، وظیفه هماهنگ سازی ریزپردازنده با منطق در حال اجرا در MAP را دارند.

خروجی ها :

کد اسمبلی و C و فایل word پایان نامه پیاده سازی codec صحبت استاندارد G.278 TMS320C5402

کد اسمبلی و C و فایل word پایان نامه

پیاده سازی بلادرنگ codec صحبت استاندارد G.278 بر روی پردازنده TMS320C5402

 

لینک دانلود

 

چکیده

کدک صحبت استاندارد G.728 ، یک کدک کم تاخیر است که صحبت با کیفیت عالی را در نرخ بیت 16 kbps ارائه می دهد و برای شبکه های تلفن ماهواره ای و اینترنت و موبایل که به تاخیر زیاد حساس هستند ، مناسب است. در این رساله به پیاده سازی بلادرنگ اینکدر و دیکدر G.728 بصورت دوطرفه کامل ( Full Duplex ) بر روی پردازنده TMS320C5402 می پردازیم . روشی ترکیبی برای برنامه نویسی TMS ارائه می شود که در آن زمان وپیچیدگی برنامه نویسی نسبت به برنامه نویسی دستی به 30% کاهش می یابد . در این روش پس از برنامه نویسی و شبیه سازی ممیزثابت الگوریتم کدک به زبان C ، با استفاده از نرم افزار ( Code Composer Studio ) CCS ، برنامه به زبان اسمبلی ترجمه شده و بهینه سازی دستی در کل کد اسمبلی صورت می گیرد . سپس بعضی از توابع مهم برنامه از نظر MIPS ، بصورت دستی به زبان اسمبلی بازنویسی می شوند تا برنامه بصورت بلادرنگ قابل اجرا گردد . در پایان نتایج این پیاده سازی ارائه می شود .

کلمات کلیدی کدینگ و فشرده سازی صحبت ، پیاده سازی بلادرنگ ، DSP ، TMS320C5402 ، برد DSK  

فهرست

- مقدمه 4 فصل 1 : بررسی و مدل سازی سیگنال صحبت 1-1- معرفی سیگنال صحبت 6 1-2- مدل سازی پیشگویی خطی 10 1-2-1- پنجره کردن سیگنال صحبت 11 1-2-2- پیش تاکید سیگنال صحبت 13 1-2-3- تخمین پارامترهای LPC 14 فصل 2 : روش ها و استانداردهای کدینگ صحبت 2-1- مقدمه 15 2-2- روش های کدینگ 19 2-2-1- کدرهای شکل موج 21 2-2-2- کدرهای صوتی 22 2-2-3- کدرهای مختلط 24 الف- کدرهای مختلط حوزه فرکانس 27 ب- کدرهای مختلط حوزه زمان 29 فصل 3 : کدر کم تاخیر LD-CELP 3-1- مقدمه 34 3-2- بررسی کدرکم تاخیر LD-CELP 36 3-2-1- LPC معکوس مرتبه بالا 39 3-2-2- فیلتر وزنی شنیداری 42 3-2-3- ساختار کتاب کد 42 3-2-3-1- جستجوی کتاب کد 43 3-2-4- شبه دیکدر 45 3-2-5- پست فیلتر 46 فصل 4 : شبیه سازی ممیزثابت الگوریتم به زبان C 4-1- مقدمه 49 4-2- ویژگی های برنامه نویسی ممیزثابت 50 4-3- ساده سازی محاسبات الگوریتم 53 4-3-1- تطبیق دهنده بهره 54 4-3-2- محاسبه لگاریتم معکوس 58 4-4- روندنمای برنامه 59 4-4-1- اینکدر 63 4-4-2- دیکدر 69 فصل 5 : پیاده سازی الگوریتم برروی DSP 5-1- مقدمه 74 5-2- مروری بر پیاده سازی بلادرنگ 75 5-3- چیپ های DSP 76 5-3-1- DSP های ممیزثابت 77 5-3-2- مروری بر DSP های خانواده TMS320 78 5-3-2-1- معرفی سری TMS320C54x 79 5-4- توسعه برنامه بلادرنگ 81 5-5- اجرای برنامه روی برد توسعه گر C5402 DSK 82 5-5-1- بکارگیری ابزارهای توسعه نرم افزار 84 5-5-2- استفاده از نرم افزارCCS 86 5-5-3- نتایج پیاده سازی 94 5-6- نتیجه گیری و پیشنهاد 97 - مراجع 103  

- مقدمه

امروزه در عصر ارتباطات و گسترش روزافزون استفاده از شبکه های تلفن ،موبایل و اینترنت در جهان ومحدودیت پهنای باند در شبکه های مخابراتی ، کدینگ و فشرده سازی صحبت امری اجتناب ناپذیر است . در چند دهه اخیر روشهای کدینگ مختلفی پدیدآمده اند ولی بهترین و پرکاربردترین آنها کدک های آنالیزباسنتز هستند که توسط Atal & Remedeدر سال 1982 معرفی شدند [2] . اخیرا مناسبترین الگوریتم برای کدینگ صحبت با کیفیت خوب در نرخ بیت های پائین و زیر 16 kbps ، روش پیشگویی خطی باتحریک کد (CELP) می باشد که در سال 1985 توسط Schroeder & Atal معرفی شد [8] و تا کنون چندین استاندارد مهم کدینگ صحبت بر اساس CELP تعریف شده اند . در سال 1988 CCITT برنامه ای برای استانداردسازی یک کدک 16 kbps با تاخیراندک و کیفیت بالا در برابر خطاهای کانال آغاز نمود و برای آن کاربردهای زیادی همچون شبکه PSTN ،ISDN ،تلفن تصویری و غیره در نظر گرفت . این کدک در سال 1992 توسط Chen et al. تحت عنوان LD-CELP معرفی شد[6] و بصورت استاندارد G.728 در آمد[9] و در سال 1994 مشخصات ممیز ثابت این کدک توسط ITU ارائه شد[10] . با توجه به کیفیت بالای این کدک که در آن صحبت سنتزشده از صحبت اولیه تقریبا غیرقابل تشخیص است و کاربردهای آن در شبکه های تلفن و اینترنت و ماهواره ای در این گزارش به پیاده سازی این کدک می پردازیم . در فصل اول به معرفی وآنالیز سیگنال صحبت پرداخته می شود و در فصل دوم روش ها و استانداردهای کدینگ بیان می شوند . در فصل سوم کدک LD-CELP را بیشتر بررسی می کنیم و در فصل چهارم شبیه سازی ممیز ثابت الگوریتم به زبان C را بیان می نمائیم. ودر پایان در فصل 5 به نحوه پیاده سازی بلادرنگ کدکG.728 بر روی پردازنده TMS320C5402 می پردازیم.

 

فصل 1

بررسی و مدل سازی سیگنال صحبت

1-1 –معرفی سیگنال صحبت

صحبت در اثر دمیدن هوا از ریه ها به سمت حنجره و فضای دهان تولید می‏شود. در طول این مسیر در انتهای حنجره، تارهای صوتی قرار دارند. فضای دهان را از بعد از تارهای صوتی ، لوله صوتی می‏نا مند که در یک مرد متوسط حدود cm 17 طول دارد . در تولید برخی اصوات تارهای صوتی کاملاً باز هستند و مانعی بر سر راه عبور هوا ایجاد نمی‏کنند که این اصوات را اصطلاحاً اصوات بی واک می‏نامند. در دسته دیگر اصوات ، تارهای صوتی مانع خروج طبیعی هوا از حنجره می‏گردند که این باعث به ارتعاش درآمدن تارها شده و هوا به طور غیر یکنواخت و تقریباً پالس شکل وارد فضای دهان می‏شود. این دسته از اصوات را اصطلاحاً باواک می‏گویند. فرکانس ارتعاش تارهای صوتی در اصوات باواک را فرکانس Pitch و دوره تناوب ارتعاش تارهای صوتی را پریود Pitch می‏نامند. هنگام انتشار امواج هوا در لوله صوتی، طیف فرکانس این امواج توسط لوله صوتی شکل می‏گیرد و بسته به شکل لوله ، پدیده تشدید در فرکانس های خاصی رخ می‏دهد که به این فرکانس های تشدید فرمنت می‏گویند. از آنجا که شکل لوله صوتی برای تولید اصوات مختلف، متفاوت است پس فرمنت ها برای اصوات گوناگون با هم فرق می‏کنند. با توجه به اینکه صحبت یک فرآیند متغییر با زمان است پس پارامترهای تعریف شده فوق اعم از فرمنت ها و پریود Pitch در طول زمان تغییر می‏کنند به علاوه مد صحبت به طور نامنظمی از باواک به بی واک و بالعکس تغییر می‏کند. لوله صوتی ، همبستگی های زمان-کوتاه ، در حدود 1 ms ، درون سیگنال صحبت را در بر می‏گیرد. و بخش مهمی از کار کدکننده های صوتی مدل کردن لوله صوتی به صورت یک فیلتر زمان-کوتاه می‏باشد. همان طور که شکل لوله صوتی نسبتاً آهسته تغییر می‏کند، تابع انتقال این فیلتر مدل کننده هم نیاز به تجدید ، معمولاً در هر 20ms یکبارخواهد داشت. در شکل (1-1 الف) یک قطعه صحبت باواک که با فرکانس 8KHz نمونه برداری شده است دیده می‏شود. اصوات باواک دارای تناوب زمان بلند به خاطر پریود Pitch هستند که نوعاً بین 2ms تا 20ms می‏باشد. در اینجا پریود Pitch در حدود 8ms یا 64 نمونه است. چگالی طیف توان این قطعه از صحبت در شکل (1-1 ب) دیده می‏شود[3]. اصوات بی واک نتیجه تحریک نویز مانند لوله صوتی هستند و تناوب زمان- بلند اندکی را در بر دارند ، همانگونه که در شکل های (1-1 ج) و (1-1 د) دیده می‏شود ولی همبستگی زمان کوتاه به خاطر لوله صوتی در آنها هنوز وجود دارد. بطورکلی سیگنال صحبت دارای افزونگی زیادی است که ناشی از عوامل ذیل هستند: ـ وابستگی های زمان-کوتاه : این وابستگی ها عمدتاً به کندی تغییرات صحبت با زمان و ساختار ( الف) (ب) (ج) (د) شکل (1-1) : مقایسه اصوات باواک و بی واک. (الف)و(ب) : باواک ، (ج)و(د) : بی واک

نسبتاً منظم فرمنت ها مربوط می‏شوند. ـ وابستگی های زمان- بلند : که عمدتاً از طبیعت نیمه متناوب اصوات با واک و تغییرات آرام پریود Pitch ناشی می‏شوند. ـ‌تابع چگالی احتمال صحبت : علیرغم پیچیدگی آماری صحبت می‏توان آن را با توابع چگالی احتمال شناخته شده تقریب زد. شکل لوله صوتی و مد تحریک آن به صورت نسبتاً آرام تغییر می‏کند و بنابراین صحبت را می‏توان به صورت شبه ایستان در دوره های کوتاه زمانی (حدود 20ms) در نظر گرفت و با یک فرآیند تصادفی ارگادیک در یک قطعه زمانی کوچک مدل نمود و طیف مشخصی برای آن در این قطعه زمانی بدست آورد. علاوه بر افزونگی های فوق عامل مهم دیگری که کاهش نرخ داده سیگنال صحبت را ممکن می سازد، طبیعت غیر حساس گوش انسان نسبت به بسیاری از ویژگیهای این سیگنال می‏باشد.

مراجع

1- Panos E. Papamichalis, "Practical Approaches to Speech Coding ", Prentice-Hall Inc. ,1987. 2-B.S. Atal & R.Remde "A new model of LPC excited for producing natural-sounding speech at low bit rates", Proc.ICASSP pp.614-617 1982. 3-Jason P. Woodard , "Digital Speech Coding" , Mini-Thesis , Department of Electronics & Computer Science, University of Southampton, Jun 1994. 4-J.Makhoul "Linear Prediction: A Tutorial Review " Proc. IEEE,vol 63, No.4,pp.561-580 Apr 1975. 5- Kondoz A.M," Digital Speech , Coding of low bit rate communication Systems", Chichester Wiley 2000 6- Chen,Cox & Lin,"A Low-Delay CELP Coder for the CCITT 16 kb/s Speech Coding Standard",IEEE Jour. On Selected Area in Comm.,vol.10,no.5 ,June 92. 7- L.Hanzo,A.Somerville & Jason P. Woodard, "Voice Compression and Communication",IEEE series on Digital & Mobile,2001 8- Schroeder & Atal ,"Code-Excited linear Prediction (CELP):High quality speech at very low bit rates",IEEE,ICASSP,pp.937-940,1985. 9- ITU,"Coding of Speech at 16 kbps using Low-Delay Code Excited Linear Prediction ", ITU (CCITT)Recommendation G.728, 1992. 10- ITU," G.728 Annex G , 16 kbps Fixed Point specification ", 11/94. 11- TI, "TMS320C54x Assembly language tools user guide ", www.ti.com, June 2001. 12- TI, " TMS320C54x DSP reference set, volume 1: CPU", spru131, www.ti.com. 13- TI, " TMS320C54x DSP reference set, volume 2: Mnemonic instruction set",spru172, www.ti.com . 14- TI, "Code Composer user guide",spru 328, www.ti.com. 15- TI, "C5402 DSK user guide" ,www.ti.com. 16- TI," DSP product tree" , http://dspvillage.ti.com/docs/allproducttree.jhtml. 17- TCTS Lab," The LD-CELP at 16kb/s (ITU-T G.728)",Coding research group homepage ,http://tcts.fpms.ac.be/coding.htm. 18- ITU,"G.728 Annex H:variable bit rate LD-CELP operation mainly for DCME at rates less than 16 kb/s",5/99. 19- DCS G.728 C54x Vocoder, algorithm, http://wwwd.connect.ti.com/dsp/tpcat/tpcodec.nsf/SoftwareForExternal/ EAB728D36C3C916E862569F200542A92.

کد متلب و فایل word کامل پایان نامه ارائه یک مدل ریاضی برای برنامه ریزی دو سطحی انتخاب تامین کننده

کد متلب و فایل word کامل پایان نامه ارائه یک مدل ریاضی برای برنامه ریزی دو سطحی در انتخاب تامین کننده با توجه به کاهش هزینه خرید و افزایش رضایت مندی مشتری

لینک دانلود

مقدمه

زنجیره تامین یک سیستم پیچیده است که نیاز به تصمیم گیری در سطوح مختلف دارد. مسائل برنامه ریزی زنجیره تامین به طور طبیعی یک ساختار شبکه ای تصمیم گیری چند سطحی از خود نشان می دهند. این تصمیمات شامل مکان یابی کارخانه های تولید کننده و یا مراکز توزیع,خرید مواد خام ,فرایند تولیدی,کنترل موجودی,تحویل محصول و غیره می باشد. این ساختار شبکه ای تصمیم گیری می توانند به وسیله برنامه ریزی چندسطحی نمایش داده شود.یکی از اصلی ترین و مهم ترین اجزاء مدیریت زنجیره ی تأمین، انتخاب تأمین کنندگان مناسب در راستای اهداف شرکت یا سازمان است. انتخاب تأمین کننده ی مناسب ، هزینه های خرید مواد اولیه و نیز زمان انتظار تا رسیدن محموله ی سفارش داده شده را به طور قابل توجهی کاهش می دهد و نیز موجب ارتقاء سطح رقابت پذیری موسسه می گردد. به عقیده ی بسیاری از متخصصان، انتخاب تأمین کننده مهم ترین فعالیت بخش خرید است. بخش خرید بر مسائلی چون منبع یابی، انتخاب تأمین کنندگان و مدیریت زنجیره تأمین ارتباط دارد و ماکزیمم سازی سطح رضایت مشتری نیز بر تأمین نیازهای مشتریان مرتبط می باشد.

 

هدف تحقیق

هدف از انجام این تحقیق، ارائه یک مدل ریاضی برای برنامه ریزی دوسطحی در انتخاب تامین کننده با توجه به کاهش هزینه خرید و افزایش رضایت مندی مشتری می باشد. در پایان، برای نشان دادن کارایی و موثر بودن مدل پیشنهادی، مثال عددی ارائه شده است.

 

توجیه ضرورت انجام طرح

اصلاح نظام تهیه مواد در زنجیره تأمین ((Procurementو دست یابی به رضایت مشتری (Customer Satisfacation) در قالب تأثیرگذاری پارامترهای کمی و کیفی روی محصول،منجر به عملکرد مثبت زنجیره تأمین می شود.

نوآوری تحقیق

در دنیای رقابتی امروز، شرکتها همواره به دنبال راه های جدیدی برای کم کردن هزینه ها هستند. برای رسیدن به این هدف، باید به فرایند مدیریت زنجیره عرضه، توجه شود. انتخاب تامین کننده، یکی از مهمترین بخشهای این زنجیره می باشد. در این مقاله، یک مدل پشتیبانی تصمیم را برای انتخاب تامین کننده گان، ارائه می دهیم. در مدل پیشنهادی از برنامه ریزی دو سطحی استفاده می نماییم.

     

منابع و ماخذ

1. Croom, S., Romano, P., Giannakis, M., Supply chain management: an analytical framework for critical literature review. European Journal of Purchasing & Supply Management, 6(1), 67-83(2000). 2. Huijun, S., Ziyou, G., Jianjun, W., A bi-level programming model and solution algorithm for the location of logistics distribution centers, AppliedMathematical Modelling, NO. 32, pp. 610–616, 2008. 3. Stevens, Graham C.,Integrating the Supply Chain, International Journal Of Physical Distribution and Logistics Managemant.19(8),3-8, 1989. 4. Handfield, R.B, Nchols, E.L,JR, Introduction to supply chain management. Prentice Hall, New Jersey, 1999. 5. Teylor,D., Global cases in logistics and supply chain management. Prentice Hall, New Jerssey, 5-7, 1997. 6. Thomas, D.J, Griffin, P.M. coordinated supply chain management, European Journal of Operations Research, 94, 1-15, 1996. 7. Simchi-Levi., D, Kaminsky., Designing and managing the supply chain, Mc Graw-Hill, Singapore, P.45-47, (2000). 8. Wadhwa, Vijay, and A., Ravi Ravindran. Vendor Selection in Outsourcing. Computers & operations research, 34.12: 3725-3737, 2007 . 9. Aissaoui, N., Haouari, M., & Hassini, E., Supplier selection and order sizing modeling: A review .Journal of Computers & Operations Research, 34, 3516- 3540, 2007. 10. Telgen, J., Inzicht en overzicht: de uitdagingen van Besliskunde enlnkoop management. Academical address at the University of Twente, Enschede, The Netherlands. (1994). 11. Qyayle, M., Purchasing and Supply Chain Management: Strategies and Realities. (9th ed.), IRM Press, 2006. 12. Cavinato J., & Kauffman R., The purchasing handbook: A Guide for the Purchasing and Supply Professional. (0th Ed.), McGraw-Hill, 2000. 13. De Boer, L ., Operations research in support of purchasing. Design of a toolbox for supplier selection. Ph.D. Thesis, University of Twente, Enschede, The Netherlands, 1998. 14. C.Kolstad, A review of the Literature on bi-Level mathematical programming, Technical Report LA-10284-MS,US-32, US-32, Los Alamos Laboratory,1985. 15. Shih, H.S., Wen, U.P., Lee, E.S., Lan, K.M., Hsiao, H.C., A Neural Network Approach to Multiobjective and Multilevel Programming Problems, Computers and Mathematics with Applications, NO. 48, pp. 95-108, 2004. 16. Ghodsypour, S.H., A decision support system for supplier selection integrating analytical hierarchy process with operations research methods. Thesis (Ph.D) , Univ.of Nottingham, Dept of manufacturing engineering and operations management, U.K. 1996. 17. Dickson, G.W., An Analysis of Vendor Selection Systems and Management. Journal of Purchasing. 2(1), 5-17, 1966. 18. Verma R., Pullman M.E; An analysis of the supplier selection process; International Journal of Management Science, Vol. 26, No. 6., 1998. 19. Weber, C.A., Current, J.R., & Benton, W.E., Vendor Selection Criteria and Methods.,European Journal of Operation Research, 50, 2-18, 1991. 20. zhang, zh, lei, j., cao, N., To, k Ng and keng po, Evolution of supplier selection criteria and methods., P.P. 1-19, 2004. 21. Gaballa, A.A., Miniman cost allocation of tenders. Operational Research Quarely25(3), 389-398, 1974. 22. Hong, J.D., Hayya Jc., Just-in time purchasing single or multiple sourcing?; International Journal of Production Economics, Vol. 27, 1992. 23. Ghodsypour, S. H., O’Brien, C., A decision support system for reducing the number ofsuppliers and managing the supplier partnership in a JIT/TQM environment. Proceedings of the Third International Symposium on Logistics, University of Padua, Padua, Italy, 1997. 24. Ghodsypour, S ,H. and O’Brien, C., A decision support system for supplier selection using an integrated analytic hierarchy process and linear programming, International Journal of Production Economics, Vol. 56-57, P.P. 199-212, 1998 25. Karpak, B., Kumcu, E., and Kasuganti, R., “Purchasing materials in the supply chain: managing a multi-objective task” , European journal of purchasing & supply management, 7(3), -21-1, 2001. 26. Weber ,C.A., Current, J.R., Desai, A., An optimization approach to determining the number of vendors to employ. Supply Chain management: an International Journal 5 (2), PP:90-98, 2000 27. Ghodsypour , S. H. and O’Brien, C., The Total cost of logistics in supplier selection, under conditions of multiple souring, multiple criteria and capacity constraint, International Journal of Production Economics, Vol. 73, P.P. 15-27,2001. 28. Kumar M., Vrat P., Shankar R., A fuzzy goal programming approach for vendor selection problem in a supply chain; Computers & industrial Engineering, Vol.46, 2004. 29. franklin L.f-h.hl. h-l., “ The voting analytic hierarchy process method for selecting supplir” , International Journal of Production Economics,(Article in press), 2005. 30. Zam S.,Sevkil M.,Tarim, M.,Fuzzy analytic hierarchy based approach for supplier selection, International Journal of Production, Vol. 73, P.P. 15-29, 2005. 31. A.Amid, S.H.Ghodsypour, C.O Brien., Fuzzy multiobjective Linear model for supplier selection in a supply chain, Int. J.Production Economics 104 394-407, (2006). 32. Amid. A, Ghodsypour. S.H, O’Brien. C. A Weighted Additive Fuzzy Multi-Objective Model for the Supplier Selection Problem Under Price Breaks in a Supply Chain. International Journal Production Economics, 323-332,2009. 33. Ho . W.xiaowei. X. Prasanta, K.D., Multi-criteria decision making approaches for supplier evaluation and selection: A Literature review, European Journal of Operational Reserch 202,16-24, 2010. 34. Juo, R,. Wang. Y. and Tien, F., “ Integration of artificial neural network and MADA methods for green supplier selection”, Journal of Cleaner Production, 18(12), 1161-1170, 2010. 35. Zeydan, Mithat, Cuneyt Colpan, and Cemal Cobanoglu., “A combined methodology for supplier selection and performance evaluation. Expert System with Applications 38.3: 2741-2751,(2011). 36. Desheng Dash Wu, Yidong Zhang, Dexiang Wu, David L.Olson., “Fuzzy multi objective programming for supplier selection and risk modeling: A possibility approach”, European Journal of Operational Research 200 774-787, 2010. 37. Amid, S.H.Ghodsypour, C.O Brien., “ A weigted max-min model for fuzzy multi-objective supplier selection in a supply chain”, Int. J.Production Economics 131 139-145, 2011. 38. Mafakheri, Fereshteh, Michel Breton, and Ahmed Ghoniem “ supplier selection-order allocation: A two-stage multiple criteria dynamic programming approach. “ International Journal of Production Economics 132.1:52-57, 2011. 39. Beyza Ahlatcioglu Ozkok, Fatma Tiryaki., “ A compensatory fuzzy approach to multi-objective Linear supplier selection problem with multiple-item”, Expert Systems with Applications 11363-11368, 2011. 40. Krishnendu Shaw, Ravi Shankar, Surendra S. Yadav, Lakshman S. Thakur.,Supplier selection using fuzzy AHP and fuzzy multi-objective Linear programming for developing Low carbon supply chain, Expert System with Applications 8182-8192, 2012. 41. Saman Hassanzadeh Amin, Guoqing Zhang., An integrated model for closed-loop supply chain configuration and supplier selection: Multi-objective approach, Expert System with Applications 678-6791, (2012). 42. Huseyin Selcuk, Kilic., An intergrated approach for supplier in multi-item/multi-supplier environment, Applied Mathematical Modelling 7752-7763, (2013). 43. Devika Kannan, Roohollah Khodaverdi, Laya Olfat, Ahmad Jafarian, Ali Diabat., Integrated fuzzy multi criteria decision making method and multiobjective programming Approach for supplier selection and order allocation in a green supply chain, Journal of Cleaner Production 355e367,(2013). 44. Guo, Cong, and Xueping Li., “A multi-echelon inventory system with supplier selection and order allocation under stochastic demand.” International Journal of Production Economics 37-47, (2014). 45. Deng, S. Aydin, R., Kwong, C.K., Auang,Yun., Integrated product line design and supplier selection: A multi-objective optimization paradigm. Cumputer & Industrial Engineering , Volum 70, pages 150-158, 2o14. 46. Aksoy,Ash., Sucky,Eric.,öztürk, Nursel., Dynamic strategic supplier selection system with fuzzy logic. Procidia- social and behavioral sciences 109, 1059-1063, 2014. 47. Savard G, Gavuvin J.,” The steepest descent direction for the nonlinear bilevel programming problem, “ Operations Reserch Letters 15:265-272, (1994). 48. Vicent LN, Calamai PH., Bilevel and multi- level programming: abibiography review. Journal of Global Optimization 5(3): 291-306, 2003. 49. Closon B, Macrotte P, Savard G., “ A trust-region method for nonlinear programming: algorithm and computational experience,” Computational Optimization and Applications 30(3): 211-227, 2005 50. Jeroslow RG.,” The polynomial hierarchy and a simple model for competitive analysis,” Mathemtical programming 32:146-164, 1985. 51. Migdalas, A., Bilevel programming in traffic planning:models, methods and challenge. Journal of Global Optimization,. 7(4):p.381- 405,1995. 52. Kazempour, S., A.J. Conejo, and C. Ruiz, Strategic generation investment using a complementarity approach. Power System, IEEE Transportations on, 26(2): p. 940-948, 2011. 53. K.Shimizu. “Two-level decision problems and their new solution methods by a penally method”, volume 2 of Control seience and technology for the progress of society, pages 1303 1308. IF AC, 1982. 52. Dao Lizhu, Quing Xu, Quing Xu, Zhenghua Lin, “A homotopy method for solving bilevel programming problem, Nonlinear Analysis 57, 917-928, (2004) 55. S.Saati, A.Memariani, “Bi-Level Programming and Recent approach of applied mathematics, N:2, pp.22-35. 2004. 56. Wan Zhongping, Wang Guangmin, Lv Yibing., "A dual-relax penalty function approach for solving nonlinear bilevel program" Acta Mathematica Scientia,31B(2):652–660,2011 57. Zhongping Wan, Lijun Mao, Guangmin Wang," Estimation of distribution algorithm for a class of nonlinear bilevel programming problems" Information Sciences 256 (2014) 184–196. 58. Willams, J.F. , “On the optimality of integer Lot size rations economic Lot size determination in multi-stage assembly systems. “Management Science, Vol.28.PP. 1341-1349, (2000). 59. Modarres, M. and Teimory. E., “ Optimal solution in a constrained distribution system. “ IIE Transaction. Vol. 15, 2002. 60. Modarres, M. and Teimory. E., “Generalization of mulri-retailer distribution systems.. “Journal of Production Plannig and control. Vol.8, 1997. 61. Fujiwara,O. Soewandi, H. and Sedarage. D “An optimal ordering and issuing policy for a teo-stage inventory system for perishable product. “European Journal of Operational Reserch. Vol.99.412-423, (1997). 62. Mitra, S.,. Analysis of a two-echelon inventory system with returns. Omega The international journal of management science.,Vol. 37, PP. 106 – 115, 2009. 63. Zhao, Z. , Gu ,X., Particle swarm optimization based algorithm for bilevel programming problems. Proceedings of the Sixth international Conference on intelligent Systems Design and Applications, IEEE, 2006. 64. Leblanc, L.J. Boyce, and D.E., A bilevel programming algorithm for exact solution of the network design problem with user- optimal flows. Transportation Research Part B: Methodological,20(3): p. 259-265,1986. 65. Saharidis, G.,The berth scheduling problem with customer differentiation: a new methodological approach based on hierarchical optimization. The International Journal of Advanced Manufacturing Technology, 46(1-4): p. 377-393. 66. Clark, P.A. and A.W. Westerberg, Optimization for design problems having more than one objective. Computers & Chemical Engineering, 7(4): p. 259- 278, 1983. 67. Clark, P.A. and A.W. Westerberg, Bilevel programming for steady- state chemical process design. Fundanentals and algorithms. Computers & Chemical Engineering, 14(1): P. 87-97, 1990. 68. Nicholls, M.G., Alumimum Production Modeling- A Nonlinear Bilevel Programming Approach. Operations research, 43(2): p. 208-218, 1995. 69. Mitsos, A., G.M. Bollas, and P.I. Barton, Bilevel optimization formulation for parameter estimation in liquid- liquid phase equilibrium problems. Chemical Engineering science, 64(3):p. 548- 559, 2009. 70. Dempe, S., V. Kalashnikov, and R.Z. Rios – Mercado, Discrete bilevel programming: Application to a natural gas cash- out problem.European Journal of Operational Research. 166(2): p.469-488,2009. 71. Lukac, Z., K. Soric, and V.V. Rosenzweig, Production planning problem with sequence dependent setups as a bilevel programming problem. European Journal of Operational Research, 187(3): p. 1504- 1512, 2008. 72. Kis, T. and A. Kovacs, on bilevel machine scheduling problems. R spectrum, 34(1): p. 43-68, 2012. 73. kucukaydin, H., N. Aras, and I. Kuban Altinel, Competitive facility location problem with attractiveness adjustment of the follower: A bilevel programming model and its solution. European Journal of Operational Research, 208(3): p. 206-220, 2011. 74. He, l., Huang, G., Lu, H., Greenhouse gas emission control in integrated municipal solid waste management through mixed integer bilevel decision- making. Journal of hazardous materials, 193: p. 112-119, 2011. 75. Jia, S. and Wan, Z., A penalty function method for solving ill- posed bilevel programming problem via weighted summation. Journal of system science and complexity, 26(6): p. 1019-1027, 2013. 76. Ma, Y., and Xu, J., A novel multiple decision- maker model for resource- costrained project scheduling problems. Canadian Journal of Civil Engineering , 41(999): p. 500-511, 2014. 77. Ryu, J.- H., Dua. V., and Pistikopoulos, E.N., A bilevel programming fromework for enterprise- wide process networks under uncertainty. Computers & chemical Engineering, 28(6): p. 1121-1129, 2004. 78. Amouzegar, M.A. and Moshirvaziri, K., Determining optimal pollution control policies: An application of bilevel programming. European Journal of Operational Research, 119(1): p. 100-120, 1999. 79. Mokhlesian, M. and Zegordi, S.H.,Application of multidibisional bi-level programming to coordinate pricing and inventory decisions in a multiproduct,competitive supply chain the International Journal of Advanced Manufacturing Technology,71(9-12): p. 1975-1989, 2014. 80. Bracken, J. and Mcgill, J.T. Dfence applications of mathematical programs with optimization problems in the constraints. Operations research, 22(5): p.1086-1096, 1974. 81. Cassidy, R., Kirby, M. and Raike, W., Efficient distribution of resources through three levels of government. Management science, 17(8): p. B-462- B- 473, 1971. 82. Choudhary, D. and Shankar, R. A goal programming model for joint decision making of inventory lot-size, supplier selection and carrier selection, Computers & Industrial Engineering. (2014) 83. Rezaei, J. and Davoodi, M. A deterministic, multi-item inventory model with supplier selection and imperfect quality. Applied Mathematical Modelling, 32, 2106-2116,(2008).

کد متلب و فایل word پایان نامه بهبود الگوریتم های پنهان نگاری در تصاویر دیجیتال با تجزیه مقدار منفرد

کد متلب و فایل word کامل پایان نامه

بهبود الگوریتم های پنهان نگاری در تصاویر دیجیتال با استفاده از تجزیه مقدار منفرد

لینک دانلود

چکیده

برای انتقال اطلاعات به روش هایی که کسی متوجه آن نشود راه های زیاد و موثری وجود دارد. استگانوگرافی علمی است که از زمان های دور از مفهوم آن برای انتقال اطلاعات سری استفاده می شد و امروزه نیز در سطح گسترده ای از آن استفاده می کنند. اکثر سرویس های اطلاعاتی روش های مشابهی برای انتقال اطلاعات سری خود بکار می گیرند. در این میان گروه های خرابکار و گروه های تروریستی نیز که معمولاًاز امکانات مالی خوبی بر خوردار هستند از این تکنولوژی چشم پوشی نمی کنند. پنهان نگاری یا استگانوگرافی هنر برقراری ارتباط پنهانی است و هدف آن پنهان کردن ارتباط به وسیله قرار دادن پیام در یک رسانه پوششی است به گونه ای که کمترین تغییر قابل کشف را در آن ایجاد نماید و نتوان موجودیت پیام پنهان شده در رسانه را حتی به صورت احتمالی آشکار ساخت. در پنهان نگاری تصویر، سیگنال پنهان نگاری شده در حوزه مکانی یا یکی از حوزه های فرکانسی مثل تبدیل کسینوس گسسته، فوریه، و موجک و ... می تواند پنهان شود. تکنیک های پنهان نگاری درحوزه تبدیل، مقاومت بیشتری در مقابل حملات گوناگون در مقایسه با تکنیک های حوزه مکان از خود نشان می دهند، چون وقتی از تصویری تبدیل معکوس گرفته می شود، تصویر مخفی به طور بی-قاعده ای در طول تصویر پخش می شود، بنابراین خواندن و اصلاح آن برای نفوذگرها بسیار مشکل خواهد شد. با توجه به کارهای گذشته ای که در این زمینه انجام شده است، در این پژوهش قصد داریم تا الگوریتم های پنهان نگاری در تصاویر دیجیتالی با استفاده از تجزیه مقدار منفرد را توسعه دهیم. برای این منظور از روش های پنهان نگاری ترکیبی که شامل تجزیه مقدار منفرد و تبدیل موجک گسسته می باشد استفاده خواهیم کرد.

کلمات کلیدی: پنهان نگاری تصاویر دیجیتالی ، حوزه تبدیل ، تجزیه مقدار منفرد ، تبدیل موجک گسسته

فهرست مطالب

فصل اول: مقدمه و کلیات تحقیق 1-1- مقدمه 2 1-2- بیان مساله 4 1-3- ضرورت و اهمیت تحقیق 5 1-4- اهداف تحقیق 6 1-5- سوالات تحقیق 6 1-6- فرضیه های تحقیق 7 1-7- کلمات کلیدی 7 1-7-1- استگانوگرافی 7 1-7-2- حوزه تبدیل 7 1-7-3- تجزیه مقدار منفرد 8 1-7-4- تبدیل موجک گسسته 8 1-8- نوآوری تحقیق 9 1-9- ساختار پایان نامه 9 فصل دوم: ادبیات و پیشینه تحقیق 2-1- تاریخچه 11 2-2- معرفی 13 2-2-1- پنهان نگاری 14 2-2-2- واترمارکینگ یا نقشاب داده ها 16 2-2-3-پوشیده نگاری 17 2-2-4- پنهان شکنی 18 2-2-5- تشخیص استگانوگرافی 19 2-2-6- علامت حق تکثیر 19 2-3- معایب استگانوگرافی 20 2-4- تفاوت بین واترمارکینگ و فینگرپرینتینگ 20 2-5- تفاوت پنهان نگاری و رمزنگاری 21 2-6- تفاوت پنهان نگاری، واترمارکینگ و رمزنگاری 22 2-7- اهداف و ملزومات پنهان نگاری 23 2-8- انواع بازرسی 25 2-9- شیوه حملات تحلیل 25 2-10- اصطلاحات استگانوگرافی 26 2-11- روش های پنهان سازی اطلاعات 26 2-12- استگانوگرافی در رسانه های مختلف 28 2-12-1- استگانوگرافی در متن 29 2-12-2- استگانوگرافی در عکس 31 2-12-2-1- فشرده سازی عکس 32 2-12-2-2- روش های رمز کردن عکس 33 2-12-2-3- درج بیت کمترین ارزش 33 2-12-2-4- پوشش و فیلتر 35 2-12-2-5- الگوریتم ها و تبدیلات 35 2-12-3- استگانوگرافی در صدا 36 2-12-3-1- محیط های صدا 37 -12-3-2- ذخیره صدا 37 2-12-3-3- وسایل پخش 37 2-12-3-4- روش های مخفی کردن اطلاعات در صدا 38 2-12-3-5- مخفی کردن اطلاعات در Echo 39 2-11- ابزارهای پنهان نگاری و بازیابی 40 2-12- استفاده از خط فرمان و ادغام فایل زیپ با گیف 41 2-15-کاربردهای استگانوگرافی 42 2-13- تبدیل فوریه 44 2-14- تبدیل موجک 45 2-15- تبدیل موجک گسسته (DWT) 45 2-16- تجزیه مقدار منفرد 48 2-17- مقدار منفرد چیست؟ 49 2-18- تعریف تجزیه مقدار منفرد 49 2-18- مثالی از SVD 51 2-19- خواص SVD در پردازش تصاویر دیجیتال 51 2-20- پنهان نگاری دیجیتالی با استفاده از تجزیه مقدار منفرد 53 2-20-1- الگوریتمهای مبتنی بر SVD خالص 53 2-20-1-1- الگوریتم های مبتنی بر غیر بلوک 54 2-20-1-2- الگوریتم های مبتنی بر بلوک 55 2-20-2- SVD و الگوریتم های مبتنی بر دامنه تبدیل 55 2-20-2-1- الگوریتم مبتنی بر SVD و DCT 56 2-20-2-2- الگوریتم مبتنی بر SVD و DWT 56 2-20-2-3- الگوریتم مبتنی بر SVD و FHT 57 2-20-2-4- الگوریتم مبتنی بر SVD و Zernike 57 فصل سوم: روش تحقیق 3-1- پنهان نگاری دیجیتالی 59 3-2- پیشینه تحقیق 61 3-3- روش های پنهان نگاری مبتنی بر SVD 63 3-4- نهان نگاری مبتنی بر SVDچندگانه در حوزه موجک... (زارعی، 2014) 63 3-4-1- الگوریتم جاسازی تصویر نهان نگاری 63 3-4-2- الگوریتم استخراج تصویر نهان نگاری 65 3-5- روش پیشنهادی پنهان نگاری مبتنی بر DWT-SVD 67 3-5-1- الگوریتم جاسازی پنهان نگاری 68 3-5-2- الگوریتم استخراج پنهان نگاری 70 فصل چهارم: محاسبات و یافته های تحقیق 4-1- پیاده سازی الگوریتم 72 4-1-1- ابزار مورد استفاده برای آزمایش و پارامترهای اندازه گیری 72 4-2- نتایج پیاده سازی 74 4-3- مقایسه با سایر روش های پنهان نگاری 78 فصل پنجم: نتیجه گیری و پیشنهادات نتیجه گیری و پیشنهادات 74 منابع و مآخذ 84 Abstract 92  

فهرست جداول

جدول 2-1 مقایسه پنهان نگاری، نهان نگاری و رمزنگاری 22 جدول 2-2 ارزش های منفرد از دو تصویر 52 جدول 4-1 MSE و PSNR با استفاده از روش پنهان نگاری پیشنهاد شده DWT-SVD 78 جدول 4-1 MSE و PSNR با استفاده از روش نهان نگاری زارعی (2014) 78  

فهرست اشکال

شکل 2-1 Johannes Trithemius و نمونه ای از کتابهایش 12 شکل 2-2 طبقه بندی انواع واترمارکینگ براساس مدل دی ولیچساور 15 شکل 2-3 شکل های پنهان سازی اطلاعات توسط پتیتکولاس 26 شکل 2-4 تصویر لنا – تصویر اصلی و تصویر فیلتر شده 52 شکل3-1 چارچوب استگانوگرافی سرپرست فعال 60 شکل 3-2 استگانوگرافی مدرن 61 شکل 3-3 الگوریتم جاسازی نهان نگاری زارعی 64 شکل 3-4 الگوریتم استخراج نهان نگاری زارعی 65 شکل 3-5 فلوچارت الگوریتم پرندگان در الگوریتم پیشنهادی 66 شکل 3-6 الگوریتم جاسازی به روش DWT-SVD 69 شکل 3-7 الگوریتم استخراج به روش DWT-SVD 70 شکل 4-1 تصویر پوششی 72 شکل 4-2 تصویر مخفی 72 شکل 4-3 تصویر پنهان نگاری شده 73 شکل 4-4 تصویر مخفی استخراج شده 73 شکل 4-5 تصویر پنهان نگاری شده توسط الگوریتم DWT-SVD پیشنهاد شده 74 شکل 4-6 تصویر پنهان نگاری شده توسط الگوریتم زارعی 74 شکل 4-7 حمله Salt & paper بر روی الگوریتم DWT-SVD پیشنهاد شده 75 شکل 4-8 حمله Salt & paper بر روی الگوریتم زارعی 75 شکل 4-9 حمله Rotation بر روی الگوریتم DWT-SVD پیشنهاد شده 76 شکل 4-10 حمله Rotation بر روی الگوریتم زارعی 76 شکل 4-11 حمله gaussian بر روی الگوریتم DWT-SVD پیشنهاد شده 76 شکل 4-12 حمله gaussian بر روی الگوریتم زارعی 77 شکل 4-13 حمله Cropping بر روی الگوریتم DWT-SVD پیشنهاد شده 77 شکل 4-14 حمله Cropping بر روی الگوریتم زارعی 77  

فصل اول مقدمه و کلیات تحقیق

1-1- مقدمه

پیشرفت سریع اینترنت و انقلاب اطلاعات دیجیتالی باعث تغییرات مهمی در کل جامعه شده است. داده های مولتی مدیا که در فرمت های دیجیتالی موجودند (تصویر، ویدئو، صدا) زمینه های چالش برانگیزی از نوآوری را باز کرده اند. نرم افزارهای ساده کاربردی و کاهش قیمت وسایل دیجیتالی این امکان را برای همه ی مردم در سراسر جهان فراهم کرده که داده های مولتی مدیا را براحتی ایجاد و ویرایش کنند. پهنای باند ارتباطات اینترنتی و انتقال تقریباً بدون خطای اطلاعات ایجاد کپی های یکسان از داده ها را آسان کرده است، به عکس فایل های آنالوگ (نوارهای کاست، نوارهایVHS )، فایل های دیجیتالی بر اثر کپی های زیاد کیفیتشان کم نمی شود، در نگاه اول این مزیت فایل های دیجیتالی به نوع آنالوگ آن است ولی اشکال در حفظ حقوق کپی رایت می باشد.[6] روش های قدیم حقوق کپی رایت برای محافظت از داده های مولتی مدیا دیگر کافی نیست یک مکانیسم ساده ی حفاظت که براساس تعبیه اطلاعات در بیت های سرآمد یک فایل دیجیتالی بود، ناکارآمد شده زیرا این اطلاعات می تواند به آسانی با تغییر در فرمت داده بی اثر شود بدون آنکه هیچ اثری روی کیفیت فایل بگذارد. رمزگذاری یک فایل مولتی مدیای دیجیتالی از دسترسی داشتن به آن فایل تا زمانی که کلید آشکار سازی مناسب را در اختیار نداشته باشند جلوگیری می کند، بنابراین مؤلف می تواند برای تحویل مولتی مدیا بصورت قابل مشاهده پول دریافت کند و هر مشتری که حق تایپ را پرداخت کرده قادر خواهد بود فایل دریافت شده را بطور مناسب رمزگشایی کرده و استفاده نماید، اما اشکال در این است که وقتی یکبار فایل مولتی مدیا رمز گشایی شد آن فایل می تواند بدون مانع مکرراً کپی شده و توزیع گردد.[6] پنهان نگاری دیجیتالی یک راه حل دیگر را برای حل این مشکل فراهم می کند. پنهان نگاری معادل فارسی واژه ی استگانوگرافی می باشد که در اصل کلمه ای یونانی بوده و از دو کلمهSteganos به معنای پنهان کردن و Graphy به معنای نوشتن تشکیل شده است.[7,8] اساس پنهان نگاری بر این فرض استوار است که پیام پنهان شده در اسناد یا تصویر توسط شخص سوم قابل تشخیص و یا بازیابی نباشد. پوشش می تواند یک فایل صوتی، صدا، متن و یا ویدئو و ... باشد. با توجه به اینکه پنهان نگاری در طیف گسترده ای از رسانه های دیجیتالی و با اهداف خاصی طراحی می شوند، لذا با توجه به موارد کاربردی در دسته های مختلفی طبقه بندی می شوند. با وجود تفاوت در اعمال روش های پنهان نگاری دیجیتال، همه روش ها در داشتن امنیت بالا دارای نقطه اشتراک هستند با توجه به دامنه وسیع کاربرد تکنیک های پنهان نگاری آنها را می توان به صورت زیر طبقه بندی نمود: طبقه بندی با توجه به حوزه کاری (حوزه فرکانس یا حوزه مکان ) با توجه به نوع اسناد (متن، صدا و تصویر) و با توجه به ادارک و آگاهی انسانی (سیستم بینایی و یا شنوایی)؛ با توجه به برنامه های کاربردی (مبتنی بر منبع یا مبتنی بر مقصد).[9] استگانوگرافی دارای روش های گسترده ای برای مخفی کردن اطلاعات در رسانه های مختلف است. در میان این روش ها می توان به جوهرهای نامرئی، امضای دیجیتالی، کانالهای پیچیده و ارتباطات طیف گسترده اشاره کرد. امروزه به خاطر وجود تکنولوژی پیشرفته از استگانوگرافی در متن، تصویر، صدا، سیگنالها و خیلی رسانه های دیگر استفاده می کنند. با این حال استگانوگرافی دارای عیوبی نیز می باشد. به طور مثال، برای فرستادن چند بیت اطلاعات، احتیاج به فرستادن تعداد بسیار زیادی بیت بدون اطلاعات هستیم و تلفات آن زیاد است. یا اینکه به محض لو رفتن الگوریتم یک روش، دیگر از آن روش نمی توان در مخفی کردن اطلاعات استفاده کرد.[2] به صورت کلی در سیستم های اختفاء اطلاعات سه عنصر مقاومت، امنیت ، و ظرفیت دخیل هستند. در روش های پنهان نگاری عناصر ظرفیت و امنیت اهمیت اصلی را دارند. تصاویر مهمترین رسانه مورد استفاده به خصوص در اینترنت هستند و درک تصویری انسان از تغییرات در تصاویر محدود است. تصاویر نوعی رسانه پوششی مناسب در پنهان نگاری محسوب می شوند و الگوریتم های پنهان نگاری متعددی برای ساختارهای مختلف تصاویر ارائه شده است.[2] به طور کلی روش های پنهان نگاری در تصویر از الگوریتم جاسازی بیت ها و الگوریتم استخراج تشکیل شده اند. برخی روش های روش های رایج در استگانوگرافی فایلهای تصویری عبارتند از [10] : 1. جایگزینی بیت کمترین ارزش (LSB) 2. همبستگی بر پایه آستانه 3. همبستگی بر پایه مقایسه 4. روش طیف گسترده 5. مقایسه ضریب باند متوسط DCT 6. مقایسه – همبستگی مستقر در باند متوسط DCT 7. طیف گسترده در دامنه موجک با توجه به کارهای گذشته ای که در این زمینه انجام شده است، در این تحقیق قصد داریم تا الگوریتم های پنهان نگاری در تصاویر دیجیتالی با استفاده از تجزیه مقدار منفرد را توسعه دهیم. برای این منظور از روش های پنهان نگاری ترکیبی که شامل تجزیه مقدار منفرد و تبدیل موجک گسسته می باشد استفاده خواهیم کرد.

منابع و مآخذ

1. ادینز. ا، گنزالس. ر، وودز. ر، پردازش تصاویر دیجیتال در Matlab. ترجمه سید مصطفی کیا، چاپ اول، تهران: خدمات نشر کیان رایانه سبز،1388، 681 صفحه. 2. آتش پز. اسماعیل، جاسازی اطلاعات محرمانه داخل تصویر، نهمین کنفرانس دانشجویی مهندسی برق ایران، دانشگاه تهران، شهریور 1385. 3. خیاط زاده. علی، شاه حسینی. هادی شهریار، نادری. مجید، یک روش جدید برای محاسبه تبدیل سینوسی گسسته دو بعدی، دومین کنفرانس. ماشین بینایی و پردازش تصویر ایران تهران، 1381. 4. زارعی. روح الـ...، نهان نگاری تصویرمبتنی بر SVD چندگانه در حوزه موجک با استفاده از SVD و PSO، پایان نامه ارشد، دانشگاه آزاد اسلامی واحد ساری، تابستان 1393. 5. علاقه بند. م، سعیدی. م، دزفولیان. م، خوشه بندی متون مبتنی بر مرکز دسته با استفاده از روشSVD و بهره گیری از نقاط همسایگی. نخستین کنفرانس بین المللی پردازش خط و متون زبان فارسی، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، 15 و 16 شهریور 1391.

6. Nedeljko Cvejic on Algorithms for Audio Watermarking and Steganography, a dissertation submitted to University of Oulu 2004. 7. Petitcolas F.A.P., Anderson, R.J. and Kuhn, M.G,”Information hiding – A survey,” proceedings of IEEE, vol. 87, 1999 July, pp.1062-1078. 8. Swanson, M.D., Kobayashi, M., and Tewfik, A. H, Multimedia data-embedding and watermarking technologies. Proceedings of IEEE, vol. 86, 1998 June, pp.1064-1087. 9. Saraju p. watermarking of digital images. MSC thesis Indian Institute of science junuary 1999. 10. Prof. Fawzi Al-Naima’, Prof. Siddeeq Y. Ameen at.al, Destroying Steganography Content in Image Files, College of Engineering, Nahrain University, Baghdad, Iraq, 2006. 11. Kahner D, Moler C, Nashs. Numerical Methods and software. Newjarsey: pretic-Hall, Inc, 1999. 12. D.P. Holmes, Introduction to Digital Image Steganography, 2002 Feb. 13. Herodotus, the Histories. London, U.K.: J. M. Dent & Sons, 1992و ch. 5 and 7. 14. G.Schott, Schola Steganographica: In Classes Octo Distributa (Whipple Collection). Cambridge, U.K.: Cambridge Univ., 1680. 15. K. Korhorn, Steganography Uses and Effects on Society, University of Illinois, 2002. 16. N.F. Johnson, S. Jajodia, Exploring Steganography: Seeing the unseen, IEEE Computer, vol. 31, no.2, 1998 Feb, pp 26-34. Bok. 17. N. Provos, and P. Honeyman, Hide and Seek: An Introduction to Steganography, IEEE Security and Privacy Magazine, 2003. 18. Andreas Westfeld , Andreas Pfitzman , “ Attacks On Steganigraphic Systems “ , Department ofcomputer science , IH’99 , LNCS 1768 , 2004, pp. 61-76 . 19. Fridrich and et al, Forensic Steganalysis: Determining the stego key, Proc. EI SPIE San Jose, CA, January 2005, 16-20, pp. 631-642. 20. De Vleeschouwer, C.; Delaigle, J.-F. And Macq, B. Invisibility and application functionalities in perceptual watermarking – An overview, proceedings of IEEE, vol. 90, 2002 Jan.pp.64-77– 13. 21. Nikolaidis, N.; Pitas, I.; Digital image watermarking: an overview Multimedia Computing and Systems. IEEE International Conference on Volume 1, 1999 June, Page(s):1 – 6 vol.1, 7-11. 22. Braudaway, G., Magerlein, K., and Mintzer F., Protecting publicly available image with a visible image watermark, Proce SPIE : Optical Security and Counterfeit Deterrence techniques, vol. 2659, 1996, pp. 126-133. 23. A. Chedded, J, Condell, K. Curran and P. MC Kevitt, “Digital Image Steganography: Survey and Analyses of Current Methods”. Signall processing, Volume 90, Issuse3, March 2010, Pages 727-752. 24. Michael Panczenko, Steganography-An Introduction to Data Hidig Techniques, The Windermere Group , Us Census Bureau Annual Security Day, Suitland , maryland, 2002. 25. Jiri Fridrich, Rui Du, Secure Steganographic Methods For pallet Images, Center for Intelligent Systems, Dept .of, SS&IE, 2000. 26. Romdahani, S, Face recognition using principal component unalysis, Survey, 1999. 27. Langelaar, G.C.; Setyawan, I.; Lagendijk, R.L, Watermarking digital image and video data. A state-of-the-art overview, Signal Processing Magazine, IEEE Volume 17, Issue 5, 2000 Sept, Page(s):20 - 46. 28. International Federation of the Phonographic Industry, Embedded signaling systems issue 1.0, Request for Proposals, 1997 June. 29. Petitcolas F.A.P. and Anderson R.J., “Weaknesses of copyright marking systems”, presented at Multimedia and Security Workshop at ACM Multimedia ‘98. Bristol, U.K., 1998 Sept. 30. Cox I.J. and Miller M.L., A review of watermarking and the importance of perceptual modeling, in Proc. SPIE Electronic Imaging ‘97, Storage and Retrieval for Image and Video Databases V, San Jose, CA, 1997 Feb. 31. Poularikas AD. The Transforms and Applications Handbook. Second edition. Howell KB, chapter 1. CRC Press LLC, 2000. 32. Polikar. The wavelet tutorial. Available at: http://users.rowan.edu/~polikar /WAVELETS /WTtutorial.html, Accessed 2009 October 21. 33. Liu R, Tan L. A SVD-based watermarking scheme for protecting rightful ownership. IEEE Trans. Multimedia 4. 2002 March, 121-128. 34. Chandra DVS. Digital Image watermarking using singular value Decomposition. Proceedings of 45th IEEE Midwest symposium on circuits and systems, Tulsa, ok, 2002 Agust, pp. 264-267. 35. Zhou Z, Tang B, Liu X. A Block-SVD based image watermarking method. Proceeding. Of the 6th world congress on intelligent control and Automation, 2006 June 21-23, Dalian, china. 36. Chang C, Tsia F, Linc. SVD-based digital image watermarking scheme. Pattern Recognition let, 2005, 1577-1586. 37. Ganic E, Zubair N, Es kicioglu M. An optimal watermarking scheme based on singular value decomposition. Proceeding of the IASTED International conference on communication, Network, and Information security (CNIS 2003). 2003, pp. 85-90. 38. Liu J, Niu X, Kong W. Image watermarking based on singular value Decomposition, Proceeding of the 2006. International conference on Intelligent formation Hiding and multimedia signal processing (IIH-MSP’06), 2006, pp. 457-460. 39. Ghazy A, EI-Fishawy, H, Hadhoud A, Dessouky. M, EI-Samien, Abd E. An Efficient Block-by-Block SVD-Based Image watermarking scheme National Radio science conference. Cairo, Egypt, 2007 March13-15, PP.1-9. 40. Ganic E, ESkicioglu A. Secure DWT-SVD. Domain Image watermarking: Embedding Data in All Frequencies. Acm Multimedia and security workshop Magdeburg, Germany, 2004 September, 20-21. 41. Severaldlov A, Dexter S, Eskicioglu M. Robust DCT-SVD Domain Image watermarking for copyright protection: Embedding Data in All Frequencies. Submitted to Multimedia computing and Networking conference, San Jose, CA, 2005 January 16-20. 42. Abdollah E, Hamza A, Bhattacharya p. A robust block-based image watermarking scheme using fast Hadamard Transform and singular value decomposition. Proceedings of 18th International conference on pattern Recognition (ICPR’06), Volume 3. 2006, pp.673-676. 43. Li H, Wang S, Song W, Wen Q. A Novel watermarking Algorithm Based on SVD and Zernike Moments. Lecture Notes in computer science, Springer-Verlag Berlin Hiedelberg, 2005, pp. 448-453. 44. Ross J.Anderson , Fabien A.Petitcolas , “ On the Limits of Steganography “. 45. .Johnson N. and Jajodia S., Steganography: Seeing the Unseen, IEEE Computer Magazine, vol. 25, no. 4, 1998, pp. 26-34. 46. Lin T. and Delp J., A Review of Data Hiding in Digital Images, in Proceedings of the Image Processing, Image Quality, and Image Capture Conference, Georgia, 1999, pp. 274-278. 47. Masud, Karim S.M., Rahman, M.S., Hossain, M.I., “A New Approach for LSB Based ImageSteganography using Secret Key.”, Proceedings of 14th International Conference on Computer andInformation Technology, IEEE Conference Publications, 2011, pp 286 – 291. 48. Xie, Qing., Xie, Jianquan., Xiao, Yunhua., “A High Capacity Information Hiding Algorithm in Color Image.”, Proceedings of 2nd International Conference on E-Business and Information System Security, IEEE Conference Publications, 2010, pp 1-4. 49. Sachdeva, S and Kumar, A., “Colour Image Steganography Based on Modified Quantization Table”, Proceedings of Second International Conference on Advanced Computing & Communication Technologies, IEEE Conference Publications, 2012, pp 309 – 313. 50. Roy, S., Parekh, R., “A Secure Keyless Image Steganography Approach for Lossless RGB Images.”, Proceedings of International Conference on Communication, Computing & Security, ACM Publications, 2011,573-576. 51. Mandal, J.K., Sengupta, M., “Steganographic Technique Based on Minimum Deviation of Fidelity (STMDF).”, Proceedings of Second International Conference on Emerging Applications of Information Technology, IEEE Conference Publications, 2011, pp 298 – 301. 52. Mandal, J.K., Sengupta, M., “Authentication/Secret Message Transformation Through Wavelet Transform based Subband Image Coding (WTSIC).” Proceedings of International Symposium on Electronic System Design, IEEE Conference Publications, 2010, pp 225 – 229. 53. Shejul, A. A., Kulkarni, U.L., “A Secure Skin Tone based Steganography (SSTS) using, 2011. 54. El Safy, R.O, Zayed. H. H, El Dessouki. A., “An Adaptive Steganographic Technique Based on Integer Wavelet Transform”, IEEE conference publications, 2009, pp 111-117. 55. Neda Raftari and Amir Masoud Eftekhari Moghadam, “Digital Image Steganography Based on Integer Wavelet Transform and Assignment Algorithm", Sixth Asia Modeling Symposium, 2012, pp. 87- 92. 56. Rubab, S., Younus, M., “Improved Image Steganography Technique for Colored Images using Wavelet Transform.”, International Journal of Computer Applications, Volume 39– No.14, 2012, pp 29-32. 57. Kapre Bhagyashri, S., Joshi, M.Y., “All Frequency Band DWT-SVD Robust Watermarking Technique for Color Images in YUV Color Space.”, Proceedings of IEEE International Conference on Computer Science and Automation Engineering, IEEE Conference Publications, 2011, pp 295 – 299. 58. Ghoshal, N., Mandal, J.K.., “ A Steganographic Scheme for Colour Image Authentication (SSCIA).”, Proceedings of International Conference on Recent Trends in Information Technology, IEEE Conference Publications, 2011, pp 826 – 831.

کد جاوا و فایل word پایان نامه مدیریت دانش مشتریان بانک مهر اقتصاد با تکنیک های داده‌کاوی

لینک دانلود

کد جاوا و فایل word کامل پایان نامه مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک های داده‌ کاوی

 

لینک دانلود

 

چکیده

افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیل گران سازمان ها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژی‌های لازم برای جلب رضایت مشتری می-تواند سازمان ها را به سمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهره گیری از فناوری های بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانک ها باعث بر جای ماندن حجم عظیمی از داده ها گشته که تحلیل و تصمیم گیری بر اساس آن ها با روش های معمول گزارش گیری و روش های آماری امکان پذیر نمی باشد. داده کاوی ابزار بروز و قدرتمندی است که در این پایان نامه جهت تحلیل داده ها به جهت استخراج دانش مشتری پیشنهاد می گردد. هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک-های داده‌کاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی‌های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک می باشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.

کلمات کلیدی فارسی: مدیریت دانش مشتری، داده کاوی، خوشه بندی مشتریان، کشف دانش.

 

فهرست مطالب

فصل اول 1 1-1- مقدمه 2 1-2- تعریف مسئله 3 1-3- ضرورت انجام تحقیق 7 1-4- مراحل انجام تحقیق 8 1-5- محدوده تحقیق 9 1-6- اهداف تحقیق 9 1-7- ساختار پایان‌نامه 10 فصل دوم 12 2-1- مقدمه 13 2-2- مدیریت دانش 14 2-2-1- دانش چیست؟ 15 2-2-2- هرم دانش 15 2-2-3- انواع دانش 16 2-2-3-1- دانش صریح 16 2-2-3-2- دانش ضمنی 16 2-2-4- مدیریت دانش چیست؟ 17 2-2-5- استراتژی‌های مدیریت دانش 18 2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان) 19 2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار) 19 2-2-5- 3- استراتژی ترکیب سازی (آشکار به آشکار) 20 2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان) 20 2-2-6-معایب عدم بهرهگیری از دانش در سازمان 20 2-2-7- اهداف مدیریت دانش 21 2-2-8- مدل های مدیریت دانش 21 2-3- مدیریت دانش مشتری 23 2-3-1- انواع دانش مشتری 24 2-3-2- مدل مدیریت دانش مشتری 28 2-4- مدیریت ارتباط با مشتری 29 2-4-1- مدیریت ارتباط مشتریان در نظام بانکی 32 2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها 33 2-5- مقایسه مفاهیم CKM و KM و CRM 34 2-6- تاریخچه‌ای از بانک و بانکداری 37 2-7- سیر تحول فناوری اطلاعات در صنعت بانکداری 38 2-7-1 دوره اول: اتوماسیون پشت باجه 38 2-7-2- دوره دوم: اتوماسیون جلوی باجه 38 2-7-3- دوره سوم: اتصال مشتریان به حساب‌هایشان 38 2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط کردن مشتریان با تمامی عملیات بانکی 39 2-7-5- بانکداری الکترونیک 39 2-8- داده‌کاوی 40 2-8-1- مقایسه روش‌های آماری و داده‌کاوی 40 2-8-2- مفهوم داده‌کاوی 42 2-8-3- داده‌کاوی و کشف دانش 44 2-8-4- فرایند داده‌کاوی 45 2-8-5- معرفی روش‌های داده‌کاوی 51 2-8-5-1- دسته‌بندی 53 2-8-5-2- درخت تصمیم 53 2-8-5-3- شبکه‌های عصبی 55 2-8-5-4- پیش بینی 56 2-8-5-5- خوشه‌بندی 56 2-8-5-5- انواع خوشه‌بندی 57 2-8-5-5-2- معیارهای ارزیابی در خوشه‌بندی 59 2-8-5-6- تحلیل انحراف 60 2-8-5-7- قواعد وابستگی (انجمنی) 61 2-8-5-8- تحلیل توالی 61 2-8-6- نرم‌افزار داده‌کاوی 62 2-8-7- کاربردهای داده‌کاوی 63 2-8-7-1- داده‌کاوی در صنعت بانکداری 63 2-9- پیشینه تحقیق 65 2-9-1- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری 66 2-9-2- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان 68 2-9-3- کاربرد داده‌کاوی در زمینه کشف تقلب 69 2-9-4- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری 69 2-10- جمع‌بندی مطالب فصل 74 فصل سوم 76 3-1- مقدمه 77 3-2- روش پیشنهادی 77 3-2-1- چارچوب تحقیق 77 3-2-2- انتخاب متغیرها 79 3-2-3- آماده‌سازی و پیش‌پردازش داده‌ها 80 3-2-3-1- نرمال سازی داده‌ها 81 3-2-4- تعیین تعداد بهینه خوشه‌ها 81 3-2-5- خوشه‌بندی 82 3-2-5-1- انواع خوشه‌بندی 83 3-2-5-2- خوشه‌بندی به روش K-Means 84 3-2-5-1-1- مزایای استفاده از الگوریتم خوشه‌بندی K-Means 85 3-2-5-1-2- محدودیت‌های الگوریتم K-Means 85 3-2-5-2- خوشه‌بندی به روش WK-Means 86 3-2-5-3- خوشه‌بندی به روش A-H-Means 87 3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 88 3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی 90 3-3- روش‌های جمع آوری اطلاعات 90 3-4- جمع‌بندی مطالب فصل 90 فصل چهارم 92 4-1- مقدمه 93 4-2- معرفی بانک مهر اقتصاد 93 4-3- موضوع و فعالیت بانک 94 4-4- محاسبات تحقیق 94 4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی 95 4-4-2- گام آماده‌سازی و پیش‌پردازش داده‌ها 96 4-4-3-گام تعیین تعداد بهینه خوشه‌ها 97 4-4-4- گام خوشه‌بندی داده‌ها 97 4-4-4-1- خوشه‌بندی به روش K-Means 98 4-4-4-2- خوشه‌بندی به روش WK-Means 100 4-4-4-3- خوشه‌بندی به روش A-H-Means 100 4-4-5- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 101 4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی 102 4-5- نتایج تحقیق 104 4-6- جمع‌بندی مطالب فصل 106 فصل پنجم 107 5-1- مقدمه 108 5-2- خلاصه تحقیق 108 5-3- نتیجه‌گیری 109 5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی 110 منابع و مآخذ 126    

فهرست جدول‌ها

جدول 2-1 انواع مختلف تبدیلات دانش 19 جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری 35 جدول 2-3 مقایسه روش‌های تحلیل آماری و داده‌کاوی 41 جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت 50 جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی 54 جدول 2-6 معیارهای محاسبه شباهت در خوشه‌بندی 59 جدول 2-7 معیارهای محاسبه فاصله در خوشه‌بندی 60 جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد داده‌کاوی در صنعت بانکداری 71 جدول 3-1 متغیرهای تحقیق 80 جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد 95 جدول 4-2 متغیرهای نرمال شده 96 جدول 4-3 وزن نسبی متغیرهای تحقیق 100 جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشه‌بندی 101 جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه 103 جدول 4-7 اطلاعات مربوط به خوشه‌بندی مشتریان بانک مهر اقتصاد به روش K-Means 104  

فهرست تصاویر و نمودارها

شکل 2-1 سلسله‌مراتب دانش 16 شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد. 17 شکل 2-3 مدل مدیریت دانش پروبست و رمهارد 22 شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری 26 شکل 2-5 مدل مدیریت دانش مشتری 28 شکل 2-7 گام‌های فرایند تولید دانش از پایگاه داده‌ها 44 شکل 2-8 متدولوژی فرآیند استاندارد میان صنعتی داده‌کاوی (CRISP-DM) 47 شکل 2-9 دسته‌بندی کلی عملکردهای داده‌کاوی 52 شکل 2-11 نیروهای رقابتی پورتر 64 شکل 3-1 چارچوب تحقیق 78 شکل 4-1 خوشه اول، الگوریتم K-Means 98 شکل 4-2 خوشه دوم، الگوریتم K-Means 98 شکل 4-3 خوشه سوم، الگوریتم K-Means 99 شکل 4-4 خوشه چهارم، الگوریتم K-Means 99 شکل 4-5 خوشه پنجم، الگوریتم K-Means 99  

فصل اول مقدمه و کلیات تحقیق

1-1- مقدمه

در سال های اخیر دانش به عنوان منبعی ارزشمند در کنار منابعی چون کار، زمین، سرمایه قرار گرفت و به عنوان موتور تولیدکننده درآمد و یک دارایی مهم و راهبُردی برای سازمان شناخته شد. از طرفی به دلیل وجود رقابت شدید در بین کسب و کارهای امروزی از جمله صنعت بانکداری، مشتری و توجه به جایگاه او و ارتباط با او اهمیت ویژه ای یافته است. بنابراین مبحث بسیار مهم مدیریت دانش مشتری مطرح گردید که امروزه مطالعات بسیار زیادی را به خود اختصاص داده است. مدیریت دانش مشتری با استفاده از راهکارهای مختلف مدیریت دانش نظیر روش‌های داده‌کاوی زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران‌بهای دانش مشتری فراهم می-آورد. از سوی دیگر در عصر حاضر بهره گیری از فناوری های نوین اطلاعات و ارتباطات در عرصه-های مختلف کسب وکار به امری گریزناپذیر مبدل گشته است. به طور خاص صنعت بانکداری از جمله صنایعی است که به‌کارگیری فناوری های روز دنیا در این صنعت می تواند مزیت رقابتی انکارناپذیری را برای آن ایجاد نماید. بنابراین این صنعت نیز از بهره گیری از بروزترین فناوری ها مستثنا نبوده و مواردی مانند بانکداری الکترونیک، سیستم‌های یکپارچه بانکداری ، دستگاه های خودپرداز، کارت های اعتباری، پایانه های خرید الکترونیک و... از مصادیق این امر می باشد. ورود فناوری های جدید به سازمان سبب افزایش چشمگیر سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها گشته است. از آنجا که این داده‌ها اغلب حجیم و وسیع می-باشند، معمولاً به صورت خام قابل‌استفاده نیستند، بلکه دانش موجود در آن ها باید استخراج گردد. با این وجود که ارزش این داده‌ها بر کسی پوشیده نیست، حجم بسیار بالای داده‌های ارزشمند موجود، تحلیل و بهره گیری از آن ها را به امری چالش‌برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی باشند. بنابراین باید به دنبال راهکاری بود که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع تر با نتایج دقیق تر و درصد خطای پایین تر را ممکن سازد. این مسئله گواهی بر لزوم به‌کارگیری روش‌های نوین تحلیل داده‌ها جهت حصول دانش، نظیر روش داده‌کاوی خواهد بود. دانش قابل توجهی که در زمان استفاده از خدمت یا مصرف کالا توسط مشتری، بین مشتری و سازمان تبادل می شود، به عنوان منبعی مهم برای سازمان شناخته می شود و کسب و بهره برداری از آن به یک مزیت رقابتی در سازمان ها تبدیل شده است. مدیریت دانش مشتری دربردارنده فرایندهایی ست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهره برداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدوده-های خارجی سازمان قرار دارند و دانشی که از آن ها استخراج می شود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32]. در این تحقیق مسئولیت کشف دانش بر عهده الگوریتم‌های داده‌کاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی‌های سازمان، بهره گیری می شود. 1-2- تعریف مسئله بااهمیت یافتن مشتری در عرصه پرتلاطم رقابت میان کسب وکارهای مباحثی همچون مدیریت دانش مشتری و مدیریت ارتباط با مشتری مطالعات و تحقیقات فراوانی را به خود اختصاص داده-اند. مدیریت دانش، کسب دانش درست، برای افراد مناسب، در زمان صحیح و مکان مناسب است، به گونه‌ای که آنان بتوانند برای دستیابی به هدف‌های سازمان، بهترین استفاده را از دانش ببرند. در تعریفی دیگر مدیریت دانش فرایند کشف، کسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به‌کارگیری دانش مناسب در زمان مناسب توسط فرد مناسب در سازمان، که از طریق ایجاد پیوند مناسب بین منابع انسانی، فناوری اطلاعات و ایجاد ساختاری مناسب برای دستیابی به اهداف سازمانی صورت میپذیرد، تعریف شده است. مدیریت ارتباط با مشتری از جمله راهکارهایی است که در سال های اخیر با افزایش روزافزون سطح رقابت در بازار به عنوان سلاحی ارزشمند در جهت افزایش وفاداری مشتری و جلب رضایت او و با هدف به ارمغان آوردن مزیت رقابتی بالاتر برای سازمان، از سوی سازمان ها بکار گرفته شده است. امروزه بیشتر روش‌های مدیریت ارتباط با مشتری مبتنی بر فناوری اطلاعات می باشند و مسلماً برای رسیدن به مدیریت مؤثر ارتباط با مشتری ناگزیر از مدیریت دانش مشتری خواهیم بود. مدیریت ارتباط با مشتری در برگیرنده مجموعه ای از فرایندهاست که سازمان ها را قادر می سازد تا از استراتژی های کسب وکار در جهت ایجاد روابط بلندمدت و سودآور با مشتریان خاص پشتیبانی نمایند [46]. در حقیقت CRM یک فناوری پیشرفته در جهت دستیابی به قله های اطلاعات مشتری است [G] و شرکت ها از آن به عنوان ابزاری در جهت افزایش رضایتمندی مشتری استفاده می کنند. مدیریت ارتباط با مشتری به عنوان فعالیتی جهت گسترش و نگاه‌داری مشتریان سازمان ها به طور گسترده ای مورد توجه قرار گرفته است و ابزارهای آن افزایش رضایت مشتری و وفاداری اوست. همچنین مدیریت دانش KM همچون مدیریت روابط با مشتری بر جمع آوری منابعی تأکید دارد که از فعالیت های تجاری در جهت رسیدن به توانایی رقابت‌پذیری حمایت می کند [37] برای بهبود روابط با مشتری، خدمات‌رسانی به روشی که مورد دلخواه اوست، ضروری است. از این رو به مدیریت دانش مشتری احتیاج است [17]. امروزه حجم بالای پایگاه های داده و پراکندگی و عدم به‌کارگیری راهکارهای مناسب جهت تحلیل این داده‌ها مطالعه و تصمیم گیری بهینه پیرامون ارتباط با مشتریان را با مشکل مواجه نموده است. به طور ویژه بانک ها سازمان هایی هستند که با مشتریان تعامل مستقیم دارند و عنصر مشتری در این سازمان ها اهمیت ویژه ای دارد. بدیهی است جهت پیشرو بودن در عرصه رقابت توجه به جایگاه مشتری و اختصاص خدمات ویژه با تشخیص نیازمندی های آن‌ها و ارائه خدمات درست به آن ها محقق خواهد شد. تحلیل منابع باارزش داده ای در رابطه با مشتریان کنونی بانک ها و مشتریان بالقوه و... مقدمه ای جهت تحقق این مهم خواهد بود. با ورود فناوری های جدید به سازمان ها و افزایش سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این داده‌ها به صورت خام وجود ندارد، بلکه دانش موجود در آن ها باید استخراج گردد. همچنین تحلیل این داده‌ها به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی باشند. داده‌کاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع تر با نتایج دقیق تر و درصد خطای پایین تر را ممکن سازد. داده‌ها کمیت‌های عددی یا خصیصه‌ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده‌اند. داده‌های دسته‌بندی شده اطلاعات را تشکیل می‌دهند. اطلاعات از ترتیب، ترکیب و شبکه شدن دانش را ایجاد می نماید. دانش، اطلاعات سازمان‌یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص می‌باشد. داده‌کاوی ابزاری بروز، قدرتمند و وسیع است که می تواند جهت تحلیل حجم عظیم داده بکار گرفته شود. داده‌کاوی به بهره گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزار با کاوش در بین داده‌های موجود و استخراج الگوها و روابط موجود در پایگاه داده‌ها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به کمک امکانات موجود در این ابزار می توان حجم داده‌ها را کاهش داد و داده‌های اضافی را حذف نمود. استفاده از روش‌های مختلف داده‌کاوی می تواند جهت کشف دانش و الگوهای موجود در حجم عظیم داده‌ها (برای مثال به طور خاص داده‌های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده‌های مربوط به تراکنش های مالی مشتریان و یا سرویس های ارائه شده توسط بانک) استفاده شود. این الگوها می توانند از سوی مدیران جهت اتخاذ تصمیمات مقتضی در ارتباط با مشتری، چگونگی برخورد با شرایط متفاوت کسب وکار، ارائه خدمات خاص و غیره بکار گرفته شود. تعاریف متفاوتی از داده‌کاوی وجود دارد ولی تعریفی که در اکثر مراجع به اشتراک ذکر شده عبارت است از «استخراج اطلاعات و دانش و کشف الگوهای پنهان از پایگاه داده‌های بسیار بزرگ و پیچیده.» داده‌کاوی یک متدولوژی بسیار قوی و با پتانسیل بالا می‌باشد که به سازمان‌ها کمک می‌کند که بر مهم‌ترین اطلاعات از مخزن داده‌های خود تمرکز نمایند [52]. داده‌کاوی را می توان به عنوان ابزاری جهت کشف دانش از پایگاه های داده تعریف نمود. داده‌کاوی یک گام در فرایند کشف دانش از پایگاه داده است که با استفاده از الگوریتم‌های کشف و تحلیل داده‌ها تعداد خاصی الگو یا مدل را از روی داده‌ها تولید می کند. یک الگو زمانی می تواند به عنوان دانش تلقی شود که : 1. به سادگی برای افراد قابل فهم باشد. 2. اعتبار آن از یک حد آستانه ای پایین تر نباشد. 3. دانش جدیدی متناسب با اهداف تعیین‌شده سازمان ارائه دهد. 4. کاربردی باشد. [1] امروزه کاربردهای مختلفی برای داده‌کاوی در صنعت بانکداری شناخته شده است. شهرابی و همکاران در [1] کاربردهایی نظیر مدیریت ارتباط با مشتریان از طریق بخش‌بندی آن ها و استخراج قواعد رفتاری آن ها جهت هدایت فعالیت‌های بازاریابی بانک، مدل‌سازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هر یک از سیاست های بانک بر تقاضا و امکان شبیه-سازی تعاملی سیاست ها و تصمیمات قبل از اجرا، ارزیابی ریسک اعتباری مشتریان متقاضی دریافت وام، محاسبه کارایی شعب و پیش بینی سری های زمانی مالی و ... کشف الگوهای پنهان در داده‌های حاصل از تعاملات با مشتریان و تحلیل این الگوها را به عنوان مثال هایی از کاربرد ابزار داده‌کاوی در بانک ذکر کرده است. بانک ها می توانند جهت افزایش سودآوری از طریق مشتریان تراز اول خود، برای یک محصول جدید بانکی، مشتریان بالقوه خود را از طریق داده‌کاوی شناسایی نموده و آن ها را به سمت استفاده از این محصول سوق دهند و بدین ترتیب در زمان و هزینه صرفه جویی کنند. پیاده سازی سیستم هوشمند ارزیابی اعتبار مشتری به کمک داده‌کاوی از کاربردهای دیگر این ابزار جهت مدیریت دانش مشتریان در بانک است. در این کاربرد می توان با استفاده از اطلاعات گروهی از وام گیرندگان سابق (مانند بعضی اطلاعات شخصی وام‌گیرنده مانند سن و جنسیت و وضعیت تأهل و درآمد و...، تعداد تراکنش ماهیانه مشتری با بانک، سایر بدهی های بانکی، نوع ضمانت و...) و وضعیت آن ها از نظر بازپرداخت وام به مدلی دست یافت که مشتریان متقاضی وام را در دسته هایی مانند مشتری خوش حساب، مشتری بدحساب و ... دسته‌بندی نمود. با حصول این دانش در مورد مشتری متقاضی اعتبار تصمیم گیری در مورد پرداخت یا عدم پرداخت اعتبار بسیار ساده تر خواهد بود. برخی از مشکلات نبود مدیریت دانش می توان عدم اولویت‌بندی و استفاده از انواع دانش، ایجاد شکاف دانشی در صورت جدا شدن کارشناسان از سازمان، احتکار دانش به جای ازدیاد آن، استفاده محدود از دانش های موجود، نبود مستندات در خصوص تجربیات به دست آمده از پروژه‌ها و کارها و نبود ساختار مناسب برای تسهیم سریع دانش را نام برد.

کد متلب و فایل word پایان نامه بهبود الگوریتم رقابت استعماری در پیدا کردن نقاط تعادل نش مدیریت بحران

لینک دانلود

کد متلب و فایل word کامل پایان نامه

بهبود الگوریتم رقابت استعماری در پیدا کردن نقاط تعادل نش مسئله مدیریت بحران

لینک دانلود

چکیده

مسائلی که در آنها چند نقطه بهینه وجود دارد و همه این نقاط به راه حل مسئله کمک کند، یک مسئله بهینه سازی چندگانه است. در بهینه سازی چندگانه کاربر دانش بیشتری درباره راه حل های مختلف در فضای جستجو بدست می آورد و این کمک می کند تا در مواقعی که راه حل فعلی مقدور نباشد از راه حل دیگری استفاده نماید.هدف روشهای بهینه سازی حفظ تنوع در جمعیت و تمایز بین گروه جواب ها می باشد. همچنین محاسبه نقاط تعادل نش در بازی های چند نفره غیر همکارانه از جمله محاسبات دشوار می باشد. در بازی ها با بیشتر شدن تعداد بازیکنان و استراتژی آنها و همچنین افزایش نقاط تعادل بازی ، الگوریتم های ریاضی با توجه به مشکل شدن محاسبات ، قادر به شناسایی تمام نقاط تعادل در یک زمان نیستند . الگوریتم های تکاملی ابزار جستجوی قدرتمندی برای حل اینگونه مسائل بهینه سازی هستند . یکی از مسائل مهم و پیچیده که جامعه شهروندی با آن رو به روست، تخصیص بهینه منابع برای موارد اورژانسی در صورت وقوع بحران های متعدد در محیط شهری است ، خصوصا هنگامیکه این منابع محدودیت هایی نیز داشته باشد. بنابراین تخصیص واحد های پاسخگویی به روشی مناسب بر اساس اتفاقات و نیاز های دوره بحران بسیار مهم می باشد. الگوریتم پیشنهادی، بهبود الگوریتم رقابت استعماری در پیدا کردن نقاط تعادل نش مسئله مدیریت بحران است. در این الگوریتم، بهینه ها در غالب امپراطوری های جداگانه ای که در حال تکامل هستند جستجو میشوند. برای این کار از یک معیار رشد امپراطوری برای مشخص کردن رشد امپراطوری ها در دهه های تکامل استفاده میشود و بدین شکل امپراطوری متزلزل و در حال رشد مشخص میشود و به این ترتیب امپراطوری که تکامل خود را تا یک آستانه ای انجام دهد به این معنی است که دارای بهینه ای است و باید این بهینه در حافظه خارجی ذخیره گردد و امپراطوری که رشد نکند، متزلزل است و در آن انقلاب رخ میدهد و ازهم پاشیده میشود، بعد از چندین تکرار الگوریتم ، جوابهای ذخیره شده در حافظه تمام بهینه های مسئله را شامل میشوند. در این پایان نامه مسئله مدیریت بحران به عنوان یک چارچوب نظریه بازی ها فرموله می شود به طوریکه حوادث به عنوان بازیکنان مدل شده و مرکز پاسخگویی های فوری و اورژانسی به عنوان موقعیت و مکان منابع که با برنامه ریزی، و تخصیص های محتمل به عنوان استراتژی بازی در نظر گرفته می شود. در این مسئله به هر بحران منابعی را اختصاص میدهیم به صورتی که استراتژیهای تخصیص داده شده به بازیکنان(بحران ها) بهترین ترکیب ممکن باشد و هر ترکیب دیگری وضعیت را به حالت بدتری تغییر دهد که این بهترین ترکیب ها لزوما واحد نیستند ،به این ترکیبات نقطه تعادل نش گوییم و ثابت میکنیم که به ازاء این ترکیب ها تابع لیاپانوف مقدار 0 را برمیگرداند.

فهرست مطالب

عنوان صفحه فصل 1 مقدمه 1 1-1 مقدمه 1 1-2 مساله تحقیق 2 فصل2 مبانی نظری تحقیق 6 2-1 مقدمه 6 2-2 الگوریتم رقابت استعماری 6 2-2-1 شکل دهی امپراطوری های اولیه 9 2-2-2 مدلسازی سیاست جذب 11 2-2-3 جابجایی موقعیت مستعمره و استعمارگر 14 2-2-4 قدرت کل یک امپراطوری 15 2-2-5 رقابت استعماری 16 2-2-6 سقوط امپراطوری ضعیف 19 2-2-7 همگرایی 20 2-3 نظریه بازی ها 21 2-4 تعادل نش 24 2-4-1 نقطه تعادل نش 24 2-4-2 الگوریتم تعادل نش 26 2-4-3 بازی غیرهمکارانه و تعادل نش 27 2-5 مسئله مدیریت بحران 28 2-6 فرمولاسیون بازی غیرهمکارانه 30 فصل 3 مروری بر تحقیقات انجام شده 33 3-1 مقدمه 33 3-2 روش نیچینگ براساس فازی کلاسترینگ 33 3-3 روش پاکسازی بر اساس مفهوم 36 3-4 روش الگوریتم ژنتیک سلسله مراتبی تطبیقی نیچ 38 3-5 روش الگوریتم ژنتیک نیچینگ جزیره ای 39 3-6 روش دسته جمعی از الگوریتم های نیچینگ 42 3-7 روش سرگردانی 45 3-8 روش جمعیت نخبگان تطبیقی مبتنی بر الگوریتم ژنتیک 47 3-9 بهینه سازی گروه ذرات 50 3-9-1 روش اتوماتیک نیچینگ بهینه سازی گروه ذرات 53 3-9-2 روش بهینه سازی گروه ذرات با نسبت فاصله اقلیدسی تابع برازندگی 55 3-9-3 روش بهینه سازی گروه ذرات مبتنی بر گونه 57 3-9-4 روش بهینه سازی گروه ذرات نیچینگ با جستجوی محلی 57 3-9-5 روش بهینه سازی گروه ذرات نیچینگ ترتیبی تطبیقی 59 3-9-6 روش بهینه سازی گروه ذرات نیچینگ بر پایه همسایگی محلی اصلاح شده 61 3-10 الگوریتم رقابت استعماری ابزاری برای به دست آوردن نقطه تعادل نش 63 3-11 CMS 63 3-12 معماری رویداد محور برای مدیریت مدیریت بحران توزیع شده 64 3-13 راه حل بازی تک نفره رویداد محور برای تخصیص منابع در محیط چندبحرانه 65 3-14 مدیریت بحران چند رویدادی با استفاده از بازی های غیر همکارانه چند مرحله ای 67 فصل 4 الگوریتم پیشنهادی 68 4-1 مقدمه 68 4-2 نگاهی خلاصه به کارهای انجام شده 68 4-3 الگوریتم پیشنهادی 77 4-3-1 تعاریف 79 4-3-2 مراحل الگوریتم پیشنهادی 81 فصل 5 نتایج شبیه سازی 91 5-1 مقدمه 91 5-2 تعاریف 92 5-2-1 نظریه بازی ها 92 5-2-2 نقطه تعادل نش 94 5-3 مثالی از تابع لیاپانوف 95 5-4 نتایج الگوریتم پیشنهادی در پیدا کردن نقاط تعادل نش 99 5-5 نتایج الگوریتم پیشنهادی در حل مسئله مدیریت بحران 103 فصل 6 نتیجه گیری و پیشنهادات 136 6-1 نتیجه گیری 136 6-2 پیشنهادات 136 پیوست 1 کدهای شبیه سازی 145  

فهرست شکل‌ها

عنوان صفحه شکل ‏شماره 1: فلوچارت الگوریتم رقابت استعماری 8 شکل ‏شماره 2: اجزای اجتماعی سیاسی تشکیل دهنده یک کشور 9 شکل شماره 3: چگونگی شکل‌گیری امپراطوری‌های اولیه. 11 شکل ‏ شماره 4: شمای کلی حرکت مستعمرات به سمت امپریالیست. 12 شکل ‏ شماره 5: حرکت واقعی مستعمرات به سمت امپریالیست 13 شکل ‏ شماره 6: تغییر جای استعمارگر و مستعمره 15 شکل ‏ شماره 7: کل امپراطوری، پس از تغییر موقعیت‌ها 15 شکل شماره 8: امپراطوری‌های بزرگ‌تر، با احتمال بیشتری، مستعمرات امپراطوری‌های دیگر را تصاحب می‌کنند. 16 شکل ‏ شماره 9: سقوط امپراطوری‌ ضعیف. 20 شکل ‏ شماره 10: شمای کلی الگوریتم توسعه داده شده 21 شکل ‏ شماره 11: چرخه مدیریت بحران 29 شکل شماره 12: سناریو اتفاقات چندگانه یک بحران 30 شکل شماره 13:ساختار استراتژی GASH-FC 35 شکل شماره 14: گام های اصلی در روش پاکسازی بر اساس مفهوم 37 شکل شماره 15:الگوریتم ژنتیک جزیره ای- توپولوژی حلقه ای 41 شکل شماره 16: الگوریتم ژنتیک جزیره ای- توپولوژی همسایگی 41 شکل شماره 17: الگوریتم ژنتیک جزیره ای- توپولوژی شبکه ای 41 شکل شماره 18: فلوچارت روش دسته جمعی 44 شکل شماره 19: حالتهای دو جواب نسبت به یکدیگردر حالت کلی 47 شکل شماره 20: حالتهای دو جواب نسبت به یکدیگردر حالت فلات 48 شکل شماره 21: مثالی از تشخیص حرکت جواب ها 49 شکل شماره 22: تکرار 5 الگوریتم 54 شکل شماره 23: تکرار 15 الگوریتم 54 شکل شماره 24: ضعف در توانایی تنظیم خوب یک Ibest استاندارد 58 شکل شماره 25: الگویی از تابع تپه دره 60 شکل شماره 26: Infospheres 65 شکل شماره 27: شمای کلی اجرای مراحل الگوریتم پیشنهادی 78 شکل شماره 28: مثالی از میزان رشد امپراطوری 80 شکل شماره 29: تقسیم کشورها در بین امپراطوری ها 82 شکل شماره 30: شمای کلی حرکت کشورهای مستعوره به سمت فرمانروایی 83 شکل شماره 31: حرکت واقعی مستعمرات به سمت فرمانروایی 83 شکل شماره 32: تغییر جای فرمانروایی و مستعمرات 85 شکل ‏ شماره 33: الگویی از تابع تپه دره 88 شکل شماره 34: شمای تصویری ساختار کلی الگوریتم پیشنهادی 90 شکل ‏ شماره 35:سناریو بحران ها 104 شکل شماره 36: سود بازیکنان در تخصیصات بیمارستان در نرم افزار Gambit 133 شکل شماره 37: نقاط تعادل نش در تخصیصات بیمارستان در نرم افزار Gambit 134

فهرست جدول‌ها

عنوان صفحه جدول شماره 1: مقایسه پیچیدگی روش های نیچینگ 28 جدول شماره 2: منابع موردنیاز بحران ها (بازیکنان) 31 جدول ‏شماره 3: منابع موجود در دسترس 32 جدول ‏شماره 4: درجه اولویت بحران ها 32 جدول شماره 5: زمان رسیدن به بحران ها 32 جدول شماره 6: مثال بازی دو نفره 96 جدول ‏شماره 7: نقاط تعادل نش خالص بازی دو نفره 96 جدول شماره 8: جدول سود بازی1 99 جدول ‏شماره 9: پارامترهای الگوریتم پیشنهادی 100 جدول شماره 10: پارامترهای الگوریتم PSO وDE 100 جدول شماره 11: تعداد نقاط نش پیدا شده توسط الگوریتم ها در بازی 1 101 جدول شماره 12: تعداد نقاط نش پیدا شده توسط الگوریتم ها در بازی 2 101 جدول شماره 13: تعداد نقاط نش پیدا شده توسط الگوریتم ها در بازی 3 102 جدول ‏شماره 14: تعداد نقاط نش پیدا شده توسط الگوریتم ها در بازی 4 102 جدول شماره 15: منابع موجود 105 جدول شماره 16: انواع حوادث و درخواست ها 105 جدول شماره 17: اولویت حوادث 105 جدول شماره 18: سود بازیکنان از تخصیصات مرکز پلیس 107-110 جدول ‏شماره 19: نقاط تعادل نش مرکز پلیس 110 جدول شماره 20: حل تابع لیاپانوف برای مرکز پلیس 110-113 جدول شماره 21: سود بازیکنان از تخصیصات آتش نشانی 114-118 جدول شماره 22: نقاط تعادل نش آتش نشانی 118 جدول شماره 23: حل تابع لیاپانوف برای آتش نشانی 119-122 جدول شماره 24: سود بازیکنان از تخصیصات بیمارستان 124-128 جدول شماره 25: نقاط تعادل نش بیمارستان 128 جدول شماره 26: حل تابع لیاپانوف برای بیمارستان 128-133 جدول شماره 27: نتایج روش پیشنهادی در مقابل نرم افزار Gambit با اجرا در 20 دقیقه 135

1- فصل اول: مقدمه 1-1- مقدمه

بدست آوردن بهترین نتیجه ممکن برای یک مساله با توجه به شرایط حاکم بر آن را، بهینه سازی می گویند. در مسائل بهینه سازی در دنیای واقعی، گاهی اوقات فقط یک راه حل بهینه کافی نیست. وقتی چند جواب بهینه برای مساله وجود دارد، تقاضا برای راه حل های مختلف حساسیت بیشتری پیدا میکند. بسیاری از مسائل در دنیای واقعی یک فضای جستجوی راه حل با تعدادی پاسخ های نابرابر دارند که گاهی باعث گمراهی روش های تکاملی می گردد. در چنین مسائلی که چند نقطه بهینه وجود دارد، چنانچه همه این نقاط به راه حل مسئله کمک نمایند با یک مسئله چندگانه مواجه شده ایم که هر کدام از این نقاط یک بهینه محلی نامیده شده و بزرگترین آنها را بهینه سراسری می گویند که ممکن است بهینه های محلی نیز به اندازه بهینه های سراسری در انتخاب راه حل بهتر، مفید باشند. در بهینه سازی چندگانه کاربر دانش بیشتری درباره راه حل های بهینه مختلف در فضای جستجو بدست آورده و این کمک می کند تا در مواقعی که راه حل فعلی بنا بر بعضی ملاحظات( مانند برخی قیود فیزیکی)، مقدور نباشد از راه حل دیگری استفاده نمایدحتی گاهی داشتن چندین راه حل می تواند خواص پنهان مربوط به فضای مسئله را روشن نماید. از بهینه سازی در نظریه بازی ها استفاده میشود؛ نظریه بازی ها یکی از زمینه های ریاضیات است که دارای بیشترین تاثیر در زمینه های اقتصادی و اجتماعی می باشد. دو شاخه اصلی در نظریه بازی وجود دارد: نظریه بازی همکارانه و غیر همکارانه. به طور عمده ، بازیهای ایستا ،بازیهای با حرکت همزمان بازیکنان هستند.در بازیهای ایستا، همه بازیکنان در یک لحظه استراتژیهای خود را اتخاذ میکنند و بنابراین هنگام تصمیم گیری ،هیچ اطلاعی راجع به انتخاب و تصمیم رقبای خود ندارند . بازیهای ایستای غیر همکارانه از تعامل افراد هوشمند با یکدیگر که در تلاش برای دستیابی به اهداف خود هستند ، تشکیل میشود . حل بازی های چند نفره که دارای نقاط تعادل نش متعدد هستند از کارهای دشوار است که مقایسه ای بین روشهای هوشمند در بدست آوردن نقاط تعادل نش انجام شده است.

1-2- مساله تحقیق

کارکرد روش های موجود برای بهینه سازی چندگانه به معیاری وابسته است، که این معیار از فاصله دو بهینه از یکدیگر بدست می آید، این معیار در روش های مختلف نام های متفاوتی همچون معیار شباهت، شعاع اشتراک، شعاع پاکسازی، حداقل فاصله مجاز، فاصله گونه و شعاع نیچ دارد که در تمامی این روش ها تخمین این پارامتر، نیاز به اطلاعات قبلی از تابع بهینه سازی همچون تعداد و توزیع بهینه ها در فضای مسئله دارد، در صورتی که این اطلاعات از تابع بهینه سازی وجود نداشته باشد، تخمین نامناسب این پارامتر کارایی روش ها را در پیدا کردن تمام بهینه ها با خطا روبرو میکند. در روش هایی در بهینه سازی چندگانه که خروجی روش، جمعیتی از جوابها است نیاز به مکانیزمی است، تا از روی این جمعیت خروجی، تعداد بهینه های پیدا شده استنباط شود و این مکانیزم علاوه بر نیاز به پردازش بیشتر باز هم وابسته به فاصله دو بهینه از یکدیگر است. همچنین خروجی یک روش به شکل جمعیتی از جوابها، میزان کنترل ما را بروی مراحل اجرای روش، از نظر تعداد بهینه های پیدا شده در حین اجرا، محدود میکند. در این روش ها نیاز به نگهداری جمعیت پایدار در اطراف هر بهینه است که در آن باید این جمعیت پایدار تا انتهای روش حفظ شود، این نگهداری از جمعیت پایدار میتواند با تغییر در اپراتور های الگوریتم های تکاملی و یا ذخیره آن در حافظه صورت گیرد. علاوه بر آن در روش هایی که مبتنی بر زیر جمعیت هستند، استفاده از مکانیزم الگوریتم تکاملی که دارای مکانیزم مناسب برای جستجوی فضای مسئله و همچنین دارای نرخ همگرایی سریع است، میتواند باعث جستجوی بهتر و سرعت رسیدن به جوابها در زیر جمعیت ها باشد. در الگوریتم پیشنهادی بهینه ها در غالب امپراطوری های جداگانه پیدا میشوند و بدین طریق از همگرایی زود رس که در نتیجه از دست دادن تنوع گونه ها، ایجاد میشود با زیر جمعیت هایی که بطور جداگانه تکامل پیدا میکنند، اجتناب میشود و در کنار آن، استخراج که روندی رو به همگرایی دارد، را نیز انجام میدهد. برای این کار از یک معیار رشد امپراطوری برای مشخص کردن امپراطوری متزلزل و در حال رشد استفاده میشود که در واقع این معیار از جمع شدن کشورها از یک حد آستانه ای در اطراف بهینه ها جلوگیری میکند و به این ترتیب امپراطوری که تکامل خود را تا یک آستانه ای انجام دهد به این معنی است که دارای بهینه ای است و باید این بهینه در حافظه خارجی ذخیره گردد. در الگوریتم پیشنهادی نیاز به نگهداری جمعیت پایدار در اطراف هر بهینه ای که پیدا می شود، وجود ندارد زیرا فقط مکان یک جواب که نشان دهنده یک بهینه است، نگهداری میشود و به همین علت که، هر جواب ذخیره شده در حافظه نشان دهنده یک بهینه است، نیاز به مکانیزمی که با استفاده از آن، تعداد بهینه ها از روی زیرجمعیت ها استنباط شود، وجود نخواهد داشت. بنابراین الگوریتم پیشنهادی مبتنی بر زیر جمعیت است و استفاده از مکانیزم الگوریتم تکاملی مانند رقابت استعماری که نشان داده است دارای مکانیزم مناسب برای جستجوی فضای مسئله و همچنین دارای نرخ همگرایی سریع است میتواند باعث جستجوی بهتر و سرعت رسیدن به جوابها در زیر جمعیت ها باشد و همچنین، الگوریتم پیشنهادی در ترکیب با الگوریتم تپه نوردی قرار میگیرد تا بدین صورت بعد از چندین تکرار مشخص، جوابهای ذخیره شده در حافظه با کمترین هزینه محاسباتی به مراکز بهینه ها برسند. برای رفع مسئله وابستگی الگوریتم ها به پارامتری که وابسته به فاصله دو بهینه از یکدیگر است، در الگوریتم پیشنهادی در حافظه فقط جواب هایی ذخیره میشوند که با جوابهای دیگر بروی یک بهینه قرار نداشته باشند. در حافظه هر جوابی که می خواهد ذخیره شود با تمام جوابهایی که از قبل ذخیره شده اند مقایسه میشود. اگر این جواب با هیچ یک از جوابهای دیگر موجود در حافظه بروی یک بهینه قرار نداشته باشد، به حافظه اضافه میشود و در غیر این صورت به حافظه اضافه نمیشود و بدین طریق وابستگی، به تخمین پارامتری که به فاصله دو بهینه از یکدیگر مربوط است، ازبین می رود. به لطف این خصوصیت حافظه که در آن هر جواب معادل یک بهینه است میتوان کنترلی خوب بروی الگوریتم، در حین اجرا آن داشت که در آن میتوان شرط توقف الگوریتم را،تعداد تکرار الگوریتم، بدون ذخیره جواب تازه در حافظه قرار داد و یا شرط توقف میتواند تعداد مورد نظر بهینه ای باشد که ما از مسئله انتظار داریم. از سوی دیگر، بازیهای ایستا ،بازیهای با حرکت همزمان بازیکنان هستند.در بازیهای ایستا،همه بازیکنان در یک لحظه استراتژی های خود را اتخاذ میکنند و بنابراین هنگام تصمیم گیری ،هیچ اطلاعی راجع به انتخاب و تصمیم رقبای خود ندارند. بازیهای ایستای غیر همکارانه از تعامل افراد هوشمند با یکدیگر که در تلاش برای دستیابی به اهداف خود هستند، تشکیل میشود. حل بازی های چند نفره که دارای نقاط تعادل نش متعدد هستند از کارهای دشوار است . علاوه بر موارد فوق، باید توجه داشت که در مسائل بهینه سازی چندگانه در دنیای واقعی همیشه اطلاعات کاملی از مسئله بهینه سازی شامل تعداد نقاط تعادل نش و یا توزیع این نقاط در فضای جستجو وجود ندارد از این رو استفاده از مکانیسمی که وابسته به اطلاعات قبلی از مسئله بهینه سازی نباشد میتواند نتایج بهتری در پیداکردن نقاط تعادل نش داشته باشد. در این تحقیق ما مسئله مدیریت بحران را به عنوان بازی غیرهمکارانه در نظر گرفته ایم ، چرا که تخصیص بهینه منابع برای موارد اورژانسی در صورت وقوع بحران های متعدد در محیط شهری یکی از مسائل پیچیده موجود در جامعه شهروندی می باشد، به خصوص زمانی که این منابع محدودیت هایی نیز داشته باشند. بنابراین تخصیص واحد های پاسخگویی به روشی مناسب بر اساس اتفاقات و نیاز های دوره بحران بسیار مهم می باشد. در این تحقیق، یک ابزار مدیریت بحران به نحوی توسعه می یابد که شامل الگوریتم های تخصیص منابع می باشد.مسئله به عنوان یک چارچوب نظریه بازی ها فرموله می شود به طوریکه حوادث در بحران به عنوان بازیکنان مدل شده و مرکز پاسخگویی های فوری و اورژانسی به عنوان موقعیت و مکان منابع که با برنامه ریزی، و تخصیص های محتمل به عنوان استراتژی بازی در نظر گرفته می شود.

فهرست منابع و مراجع

[1] Atashpaz-Gargari, E. , Lucas, C .(2007).”Imperialist competitive algorithm: An algorithm for optimization inspired by imperialistic competition”, in: Evolutionary Computation, CEC 2007. IEEE Congress on, pp. 4661-4667.

[2] Gupta, U., Ranganathan ,N.( 2007 ). “Multievent Crisis Management Using Noncooperative Multistep Games”, IEEE Press, VOL. 56, NO. 5

[3] <http://en.wikipedia.org/wiki/Nash_equilibrium> [20NOV 2014]

[4] Das, S., Maity, S., Qu, B.Y., Suganthan, P.N. (2011). “Real-parameter evolutionary multimodal optimization — A survey of the state-of-the-art”, Swarm and Evolutionary Computation.

[5] El Imrani, A. , Bouroumi, A., Zine El Abidine, H., Limouri M., Essa¨ıd A.(2000) ’’ A fuzzy clustering-based niching approach to multimodal function optimization, in: Journal of Cognitive Systems,pp.119-133.

[6] B. Fayek, M., M. Darwish, N., M. Ali, M.(2010). “Context based clearing procedure: A niching method for genetic algorithms“, Journal of Advanced Research.

[7] Ye, F., Qi, W., Xiao, J.(2011). ”Research of niching genetic algorithms for optimization in electromagnetics”, In: Science Direct, Procedia Engineering.

[8] M.N.A. Pereira, C. , F. Sacco, W.(2008).”A parallel genetic algorithm with niching technique applied to a nuclear reactor core design optimization problem”, in: Science Direct, Progress in Nuclear Energy.

[9] Yu ,E.L., Suganthan ,P.N.(2010). ”Ensemble of niching algorithms”, in: Information Sciences.

[10] Lung ,R.I.; Dumitrescu, D.(2005). "A new subpopulation model for evolutionary multimodal optimization",in: Symbolic and Numeric Algorithms for Scientific Computing, pp., 25-29.

[11] Jada, Ch., Yenala, H., Rachavarapu, K.K., Chittipolu, N. K.,Omkar ,S.N.(2012) “ Modified Roaming Optimization for Multi-modal Optima’’,in: Third International Conference on Emerging Applications of Information Technology,IEEE.

[12] Leung, K.S., Liang, Y.(2011).” genetic algorithm with Adaptive elitist-population strategies for multimodal function optimization”, In: Applied soft Computing,Vol.11,Issue.2,pp. 2017–2034.

[13] Das, S., Maity, S., Qu, B.Y. , Suganthan, P.N. (2011). “Real-parameter evolutionary multimodal optimization — A survey of the state-of-the-art”, Swarm and Evolutionary Computation.

[14] Liu, Y. , Yan, Z., Li, W., Lv, M. , Yao, Y.(2010). “An Automatic Niching Particle Swarm for Multimodal Function Optimization”, In: Springer-Verlag Berlin Heidelberg.

[15] Li, X.(2007).’’ A multimodal particle swarm optimizer based on fitness Euclidean-distance ratio’’,in: Proceedings of the 9th annual conference on Genetic and evolutionary computation,pp.78-85.

[16] Li, X.(2006)’’ Enhancing the robustness of a speciation-based PSO’’,in: Evolutionary Computation,IEEE,pp. 843 – 850.

[17] Liang.(2005).’’Dynamic multi-swarm particle swarm optimizer with local search’’, in: Evolutionary Computation,IEEE.

[18] Zhanga, J. , Huang, D.Sh. , Lok, T.M. , R. Lyu, M.(2006).” A novel adaptive sequential niche technique for multimodal function optimization”, Neurocomputing.

[19] Ghosh, P. , Zafar, H. , Mandal, A.(2011). “Modified Local Neighborhood Based Niching Particle Swarm Optimization for Multimodal Function Optimization”, Springer-Verlag Berlin: Heidelberg.

[20] Rajabioun, R. , Atashpaz-Gargari, E. , Lucas, C. (2008). “Colonial Competitive Algorithm as a Tool for Nash Equilibrium Point Achievement”, Springer , ICCSA, Part II, LNCS 5073, pp. 680–695 , Berlin :Heidelberg .

[21] Kienzle, J. , Guelfi, N. , Mustafiz, S. ( 2010).”Crisis Management Systems A Case Study for Aspect-Oriented Modeling” , Springer, Volume 6210, pp 1-22 , Berlin: Heidelberg.

[22] Mani Chandy, K. , Aydemir, B.E. , Karpilovsky, E.M. , Zimmerman, D.M.(2003). “Event-Driven Architectures for Distributed Crisis Management,” Proc. 15th IASTED Int’l Conf. Parallel and Distributed Computing and Systems.

[23] S. Shetty R.( 2004). “An Event Driven Single Game Solution For Resource Allocation In A Multi-Crisis Environment” , University of South Florida.

[24] Jong, K.A.D.(1975). “An analysis of the behaviour of a class of genetic adaptive systems”. PhD thesis, University of Michigan.

[25] Mahfoud, S. (1992). “Crowding and preselection revisited”, in: Parallel Problem Solving from Nature, vol. 2, pp. 27–37.

[26] Mengsheol, O. , Goldberg, D.(1999). “Probabilistic crowding: deterministic crowding with probabilistic replacement”, in: Proceedings of the Genetic and Evolutionary Computation Conference, GECCO 99, pp. 409–416.

[27] Pétrowski, A. (1996). “A clearing procedure as a niching method for genetic algorithms”, in: Proceedings of Third IEEE International Conference on Evolutionary Computation, ICEC’96, IEEE Press, Piscataway, NJ,pp. 798–803.

[28] Goldberg, D.E. , Richardson, J. (1987).“Genetic algorithms with sharing for multimodal function optimization”, in: Proceedings of the second International Conference on Genetic Algorithms, pp. 41–49.

[29] Miller, B.L. , Shaw, M.J.(1996). “Genetic algorithms with dynamic niche sharing for multimodal function optimization”, in:Evolutionary Computation, pp.786-791, 20-22.

[30] Goldberg, D.E. , Wang, L. (1998). “Adaptive niching via coevolutionary sharing”,in: Genetic Algorithm sand Evolution Strategies in Engineering and Computer Science, pp. 21–38.

[31] Shir, O.M. , Emmerich, M. , Bäck, T. (2010).“Adaptive niche radii and niche shapes 1024 approaches for niching with the CMA-ES”,in: Evolutionary Computation,pp. 97–126.

[32] Harik, G. (1997). “Finding multi-modal solutions using restricted tournament selection”, in: Proceedings of the Sixth International Conference on Genetic Algorithms, ICGA-95, pp. 24–31.

[33] Roy, R. , Parmee, I.C.(1996).”Adaptive restricted tournament selection for the identification of multiple sub-optima in a multi-modal function”, in: Selected Papers from AISB Workshop on Evolutionary Computing, Springer-Verlag: London, vol. 1143, pp. 236–256.

[34] Yin, X. , Germay, N.(1993).” A fast genetic algorithm with sharing scheme using cluster analysis methods in multi-modal function optimization”, in: Proceedings of the International Conference on Artificial Neural Nets and Genetic Algorithms, pp. 450–457.

[35] El Imrani, A. , Bouroumi, A. , Zine El Adidine, H. , Limouri, M. , Essaid, A. (2000). ”A fuzzy clustering-based niching approach to multimodal function optimization”, in: Science Direct, Progress in Evolutionary Computation.

[36] Li, J.P. , Balazs, M.E. , Parks, G.T. , Clarkson, P.J.(2002).” A species conserving genetic algorithm for multi-modal function optimization”, in: Evolutionary Computation,Vol.10,No.3,pp. 207–234.

[37] Li, J.P. , Wood, A. (2009).“Random search with species conservation for multimodal functions”, in: Proceedings of the Eleventh Conference on Congress on Evolutionary Computation, Trondheim, Norway, pp. 3164–3171.

[38] Beasley, D. , Bull, D.R. , Martin, R.R. (1993). ”A sequential niche technique for multimodal function optimization”, vol. 1,No.2,pp. 101–125.

[39] Zhanga, J. , Huang, D.Sh. , Lok, T.M. , R. Lyu, M. (2006).“A novel adaptive sequential niche technique for multimodal function optimization”, in:Neurocomputing,vol.1,pp.75-80.

[40] J. Mengshoel, O. , E. Goldberg, D.(2000). “ The Crowding Approach to Niching in Genetic Algorithms”, by the Massachusetts Institute of Technology.

[41] Ursem, R.K.(1999). “Multinational evolutionary algorithms”, in: Proceedings of the Congress on Evolutionary Computation, vol. 3, pp. 1633–1640.

[42] lin, C.Y. , Wu, W.H.(2002).”Niche Identifcation Techniques in multimodal Genetic search with Sharing Scheme”, in: Advances I Engineering software,vol.33,No.11,pp.779-791.

[43] Zhang, J. , et al.(2007). “Multi-sub-swarm particle swarm optimization algorithm for multimodal function optimization,” Proc. Evolutionary Computation, 2007. CEC 2007. IEEE Congress on, pp. 3215-3220.

[44] lung,R.I. , Dumitrescu, D.(2004).’’ROAMING OPTIMATION:a new evolutionary technique for multimodal optimization,in:studia univ,2004.

[45] lung, R.I. , Dumitrescu, D.(2005).’’Multimodal optimization by using a new subpopulation model’’,in:Computational Intelligence Reports.

[46] Rajabioun, R. , Atashpaz-Gargari, E. , Lucas, C. , Gervasi, O. , Murgante, B. , LaganÃ, A. , Taniar, D. , Mun, Y. , Gavrilova, M. (2008). “Colonial Competitive Algorithm as a Tool for Nash Equilibrium Point Achievement,Computational Science and Its Applications” , Lecture Notes in Computer Science,Vol. 5073, Springer –Berlin: Heidelberg, pp. 680-695.

[47] < levine.sscnet.ucla.edu /general /whatis.htm>[ May 2006]

[48] Pavlidis, N. G. , Parsopoulos, K. E. , Vrahatis, M. N. (2005). “Computing nash equilibria through computational intelligence methods”. J. Comput. Appl. Math, pp.113-136.

[49] F. Nash, J.(1951). “Non-cooperative games”. Annals of Mathematics.

[50] N. Webb, J.(1385). “Game Theory: Decisions, Interaction and Evolution” , Springer,pp.85-145.

[51] F. Nash, J. (1950). “Equilibrium Points in n-Person Games”.

[52] D.McKelvey,R. (1991). “A Liapunov function for Nash equilibria”, Technical report.

[53] D. McKelvey,R. , McLennan, A.(1996). “Computation of equilibria in ¯nite games”. In H. M. Amman, D. A. Kendrick, and J. Rust, editors, Handbook of Computational Economics, chapter 2, vol. 1, pp. 87-142. Elsevier.

[54] D.McKelvey, R. , McLennan, A. , Turocy, T.(2000). “Gambit Command Language” , California Institute of Technology.

[55] D. McKelvey, R. , M. McLennan, A. L. Turocy, Th.(2007). “Gambit: Software tools for game theory”. Technical report, Version 0.2007.01.30.

[56] <http://sourceforge.net/projects/gambit/files/gambitstable/0.2010.09.01/gambit0.2010.09.01.tar.gz/download > [Sep 2010]

[57] Yang, Z., Yong, W. , Cheng,P.(2009). ” Improved Imperialist Competitive Algorithm for Constrained Optimization”. In :Computer Science-Technology and Applications, 2009. IFCSTA '09. International Forum.

[58] Abdechiri, M., Faez, K. Bahrami, H.(2010). ” Adaptive Imperialist Competitive Algorithm (AICA) ”, in: Cognitive Informatics (ICCI), 2010 9th IEEE International Conference on 2010.

[59] Bahrami, H., Faez, K. , Abdechiri, M.(2010). ” Imperialist Competitive Algorithm Using Chaos Theory for Optimization (CICA) ”. in: Computer Modelling and Simulation (UKSim), 2010 12th International Conference on 2010.

[60] Coelho, L.D.S., Afonso, L.D. , Alotto, P.(2012). “A Modified Imperialist Competitive Algorithm for Optimization in Electromagnetics Magnetics”, in: IEEE Transactions,p. 579-582.

[61] Yang, S.D., Yi, Y.L. , Shan, Z.Y.(2012). ” Gbest-guided Imperialist Competitive Algorithm for Global Numerical Optimization. in Computer Distributed Control and Intelligent Environmental Monitoring (CDCIEM) ”, in: International Conference on. 2012.

[62] Ye, F. , Qi, W. , Xiao, J. (2011). “Research of niching genetic algorithms for optimization in electromagnetics” , Science Direct, Procedia Engineering.

[63] Yang, H.Z. , Li, F.C. , Wang, C.M. (2005). “A density clustering based niching genetic algorithm for multimodal optimization” , in: Proceedings of 2005 International Conference on Machine Learning and Cybernetics, vol. 3, pp.1599–1604.

کد متلب و فایل word کامل پایان نامه پیش بینی قیمت سهم در بورس اوراق بهادار به کمک داده کاوی

لینک دانلود

کد متلب و فایل word کامل پایان نامه

پیش بینی قیمت سهم در بورس اوراق بهادار به کمک داده کاوی با الگوریتم های ترکیبی تکاملی

 

لینک دانلود

 

چکیده

تحقیقات بسیاری جهت پیش بینی قابل قبول و قابل اطمینان به کمک روشهای شبیه سازی، تحلیل سری های زمانی، ترکیب روشهای هوش مصنوعی با روش های تحلیل سری های زمانی و در آخرین آنها ترکیب روشهای داده کاوی و هوش مصنوعی با روش های تحلیل سری های زمانی و الگوریتم های بهینه سازی تکاملی در حوزه قیمت سهم در بازار بورس اوراق بهادار صورت گرفته است. در این تحقیق سعی بر آن شده که در قالب فرایند CRISP داده کاوی و با ارجاع به آخرین تحقیقات صورت گرفته، ترکیب شبکه عصبی مصنوعی و الگوریتم های بهینه سازی تکاملی به عنوان مدل پیش بینی قیمت سهم در بازار بورس اوراق بهادار مورد بررسی قرار گیرد. الگوریتم های بهینه سازی تکاملی ژنتیک، ازدحام ذرات و رقابت استعماری در آموزش شبکه عصبی مصنوعی با داده های سری زمانی کاهش یافته قیمت پنج سهم منتخب از بازار بورس اوراق بهادار تهران به کار گرفته شدند و قابل قبول و قابل اطمینان بودن پیش بینی به کمک شبکه عصبی مصنوعی آموزش دیده با الگوریتم ازدحام ذرات بر اساس مقادیر شاخص میزان خطا (mse) پیش بینی شبکه عصبی مصنوعی مورد اشاره به اثبات رسید. همچنین عدم درک آشوب داده ها توسط الگوریتم یادگیری پیش انتشار خطا به چالش کشیده شد.

کلمات کلیدی: پیش بینی، داده کاوی، شبکه عصبی مصنوعی، الگوریتم های بهینه سازی تکاملی  

فهرست مطالب

فصل 1 : معرفی تحقیق 1 1-1 مقدمه 1 1-2 تعریف مساله 2 1-3 اهمیت مساله 3 1-4 هدف تحقیق 4 1-5 سئوالات تحقیق 5 1-6 مفروضات تحقیق 5 1-7 دامنه تحقیق 6 1-8 ساختار تحقیق 7 فصل 2 : پیشینه تحقیق 9 2-1 مدلهای پیش بینی قیمت سهم در تحقیقات پیشین 9 2-2 انتخاب/ استخراج ویژگی در قیمت سهم در تحقیقات پیشین 16 فصل 3 : مبانی نظری تحقیق 18 3-1 بازار بورس اوراق بهادار 18 3-2 تکنیکهای رایج تحلیل و پیش بینی قیمت سهام 19 3-3 تکنیکهای نوین تحلیل داده ها 20 3-3-1 داده کاوی 21 3-3-2 شبکه عصبی مصنوعی 26 عنوان صفحه 3-3-3 الگوریتمهای تکاملی 31 3-3-3-1 الگوریتم ژنتیک 33 3-3-3-2 الگوریتم بهینه سازی ازدحام ذرات 36 3-3-3-3 الگوریتم رقابت استعماری 38 فصل 4 : روش تحقیق 43 4-1 فرایند CRISP 43 4-1-1 تعریف مساله 43 4-1-2 تحلیل داده ها 43 4-1-3 آماده سازی داده ها 44 4-1-4 مدلسازی 44 4-1-5 ارزیابی 44 4-1-6 پیاده سازی 45 فصل 5 : اجرا 46 5-1 اجرای فرایند CRISP 46 5-1-1 مجموعه داده ها 46 5-1-2 کیفیت داده ها و کاهش داده ها 50 5-1-3 پیاده سازی شبکه عصبی مصنوعی برای سری های زمانی 51 5-1-3-1 معماری شبکه عصبی مصنوعی 51 5-1-3-2 تطبیق ورودی های زمانی به عنوان ورودی شبکه عصبی مصنوعی 53 5-1-4 پیاده سازی آموزش شبکه عصبی مصنوعی با الگوریتمهای تکاملی 54 5-1-4-1 الگوریتم ژنتیک 54 5-1-4-2 الگوریتم بهینه سازی ازدحام ذرات 55 5-1-4-3 الگوریتم رقابت استعماری 56 5-1-4 به کارگیری شبکه عصبی مصنوعی آموزش دیده با الگوریتم های تکاملی 58 فصل 6 : تحلیل یافته ها، نتیجه گیری و پیشنهاد ها 60 6-1 نتیجه گیری و پاسخ به سئوالات تحقیق 60 عنوان صفحه 6-2 تحقیقات پیشنهادی آینده 64 فهرست منابع 65 پیوست ها 67 پیوست 1: کد شبکه عصبی سری زمانی با آموزش با الگوریتم پیش انتشار خطا 67 پیوست 2: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ژنتیک 68 پیوست 3: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ازدحام ذرات 71 پیوست 4: کد شبکه عصبی مصنوعی با آموزش با الگوریتم رقابت استعماری 73

فهرست جدول ها

جدول شماره ‏2 1: مقایسه نتایج پیش بینی مدل بت-عصبی با سه مدل دیگر 13 جدول شماره ‏2 2: مقایسه نتایج پیش گویی مدل ارائه شده با مدلهای دیگر 14 جدول شماره ‏2 3: نسل بندی روشهای تحقیق در پیش بینی قیمت سهم 16 جدول شماره ‏3 1: شبه کد الگوریتم پیش انتشار خطا 30 جدول شماره ‏3 2: شبه کد عمومی الگوریتم های تکاملی 32 جدول شماره ‏3 3: شبه کد الگوریتم ژنتیک 34 جدول شماره ‏3 4 : شبه کد الگوریتم ازدحام ذرات 37 جدول شماره ‏3 5 : شبه کد الگوریتم رقابت استعماری 41 جدول شماره ‏5 1: نماد سهم های انتخاب شده 46 جدول شماره ‏5 2: اندازه کاهش یافته داده ها 51 جدول شماره ‏5 3: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ژنتیک 54 جدول شماره ‏5 4: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم ازدحام ذرات 55 جدول شماره ‏5 5: ساختار پیاده سازی آموزش شبکه عصبی با الگوریتم رقابت استعماری 56 جدول شماره ‏5 6: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ژنتیک 58 جدول شماره ‏5 7: نتایج mse شبکه عصبی آموزش دیده با الگوریتم ازدحام ذرات 58 جدول شماره ‏5 8: نتایج mse شبکه عصبی آموزش دیده با الگوریتم رقابت استعماری 59 جدول شماره ‏5 9: نتایج mse شبکه عصبی آموزش دیده با الگوریتم پیش انتشار خطا 59 جدول شماره ‏6 1: میانگین و انحراف معیار خطای اجراهای ANN و BP 61 جدول شماره ‏6 2: نتایج خطای پیش بینی با ANN و PSO 63 جدول شماره ‏6 3: نتایج خطای پیش بینی با ANN و ICA 63

فهرست شکل ها

شکل شماره ‏3 1 : نمونه ای تحلیل قیمت سهم با ابزارهای رویکرد تحلیل تکنیکال 20 شکل شماره ‏3 2 : فرایند CRISP 23 شکل شماره ‏3 3 : ساختار یک نورون 27 شکل شماره ‏3 4 : نمونه ای از یک شبکه عصبی مصنوعی با یک لایه پنهان 28 شکل شماره ‏3 5 : نمونه نورون در شبکه عصبی مصنوعی پیشرو 29 شکل شماره ‏3 6 : فلوچارت عمومی الگوریتم های تکاملی 32 شکل شماره ‏3 7 : نمایش ترکیب تک نقطه ای 35 شکل شماره ‏3 8 : نمایش حرکت ذره در PSO 36 شکل شماره ‏3 9: نمایش نمونه ای تقسیم کلونی ها به امپریالیست ها 40 شکل شماره ‏3 10: حرکت خطی کلونی 41 شکل شماره ‏3 11: حرکت زاویه ای کلونی 41 شکل شماره ‏5 1 : نمودار قیمت روزانه سهام نماد بکام 48 شکل شماره ‏5 2 : نمودار قیمت روزانه سهام نماد وپارس 48 شکل شماره ‏5 3 : نمودار قیمت روزانه سهام نماد وغدیر 49 شکل شماره ‏5 4 : نمودار قیمت روزانه سهام نماد خودرو 49 شکل شماره ‏5 5 : نمودار قیمت روزانه سهام نماد رانفور 50 شکل شماره ‏5 6 : شبکه عصبی مصنوعی با داده های سری زمانی 53 شکل شماره ‏6 1 : تابع احتمال تجمعی توزیع نرمال برازش شده خطا 61 شکل شماره ‏6 2 : تابع احتمال تجمعی توزیع نرمال برازش شده خطا ANN و EAs 62

فصل 1 : معرفی تحقیق

1-1 مقدمه

بشر در دنیای امروزی به صورت روزمره در بازارهای گوناگون درگیر تصمیم گیری های بیشماری بوده و هر گونه پیشنهادی که امکان بهبود دقت و صحت تصمیم و یا کاهش زمان تصمیم گیری را برای او به ارمغان بیاورد برای وی جذاب و ارزشمند می باشد. یکی از بازارهایی که امروزه رو به رونق بوده و مزایای سیستمهای پشتیبان تصمیم گیری در آن بسیار مشهود می باشد بازارهای پولی و سرمایه شامل بازار بورس اوراق بهادار می باشد. فعالان این بازار به خرید و فروش سهام شرکتها در آن بازار پرداخته و از آن طریق با پذیرفتن ریسکِ آینده سهم برای خود سود و یا زیان به بار می آورند. در این تحقیق سعی خواهد شد تا با به کارگرفتن تکنیکهای داده کاوی شناخته شده، در مسیر تحقیقات صورت گرفته پیشین، ترکیبی از الگوریتم شبکه عصبی مصنوعی با الگوریتمهای بهینه سازی تکاملی به منظور پیش بینی قیمت سهام شرکتها در بورس اوراق بهادار ارائه گردد. ترکیب الگوریتم شبکه عصبی مصنوعی با سه الگوریتم بهینه سازی تکاملی ژنتیک، رقابت استعماری و ازدحام ذرات روی حداقل پنج سهم مورد بررسی قرار خواهد گرفت و دقت پیش بینی هر یک محاسبه و ارائه خواهد گردید. خروجی این تحقیق، پیشنهاد بهترین الگوریتم ترکیبی از بین موارد ذکر شده برای پیش بینی قیمت سهام شرکتهای عضو بورس اوراق بهادار خواهد بود.

1-2 تعریف مساله

در بازارهای پولی و سرمایه دو نوع تکنیک اساسی برای تحلیل و تصمیم به خرید و یا فروش سهام شرکتها وجود دارد: تکنیک تحلیل بنیادی ، تکنیک تحلیل تکنیکی . در تحلیل بنیادی، از مولفه های اصلی عملکرد و توان شرکت در برابر فرصتها و تهدیدهای بازار و در سطح کلان کشور استفاده شده و در مورد خرید و یا فروش آن سهم تصمیم گیری می شود. در برابر در تحلیل تکنیکی، فرض بر آن است که اثر کلیه عوامل کلان و خرد اقتصادی و نیز توان و عملکرد شرکت در پیشینه تاریخی قیمت سهم وجود داشته و در نتیجه با تحلیل روند قیمت سهم، تصمیم به خرید و یا فروش سهم شرکتی گرفته می شود. پیش بینی و یا پیش گویی قیمت سهم شرکتها در بازارهای اوراق بهادار از مسائلی است که تحقیقات گوناگونی در کشورهای مختلف در مورد آن صورت گرفته است. این تحقیق در بازار بورس اوراق بهادار تهران و تحت رویکرد تکنیک تحلیل تکنیکی سعی خواهد نمود تا به حل مساله پیش بینی قیمت سهم شرکتها پرداخته و پاسخی به نیاز فعالان بورس اوراق بهادار در مورد حل مساله پیش بینی قیمت سهم ارائه نماید.

کد متلب و فایل word پایان نامه بهینه سازی چند هدفی مدل جانمایی تسهیلات با الگوریتم های فرا ایتکاری

لینک دانلود

کد متلب و فایل word پایان نامه

بهینه سازی چند هدفی مدل جانمایی تسهیلات با سرویس دهندگان ثابت و تقاضای تصادفی مشتریان با استفاده از الگوریتم های فرا ایتکاری

لینک دانلود

چکیده

مسأله مورد بررسی در این پایان نامه، مسأله‌ی جانمایی تسهیلات با فرض ثابت بودن سرویس‌دهندگان و تصادفی بودن تقاضای مشتریان می‌باشد. مسأله شامل طراحی و جانمایی دستگاه‌های خودپرداز درون یک شهر می‌باشد؛ به این ترتیب که یک سری موقعیت مکانی برای جانمایی این دستگاه‌‌ها کاندید شده اند؛ تعدادی از این دستگاه‌ها قرار است در موقعیت‌های مکانی کاندید شده مذکور جانمایی شوند. مشتری‌ها به صورت تصادفی از یک سری مراکز تقاضا به یکی از این دستگاه‌ها می‌رسند. اگر هنگامی‌که آن‌ها می‌رسند، دستگاه خودپرداز آزاد باشد، آن‌ها بلافاصله سرویس دهی می‌شوند. در غیر این صورت، آن‌ها به صف می‌پیوندند یا آنجا را ترک می‌کنند. زمان تصادفی که یک مشتری در یک دستگاه سپری می‌کند بستگی به تعداد و نوع تراکنشی (مثلاً مانده حساب، دریافت وجه، انتقال وجه و غیره) دارد که او انجام می‌دهد. سه هدف برای مسأله فوق درنظر گرفته شده‌است که هدف اول، مینیمم کردن متوسط تعداد مشتریان درحال سفر، هدف دوم، مینیمم کردن متوسط تعداد مشتریان در حال انتظار و هدف سوم، ماکزیمم کردن مجموع کارکرد دستگاه‌ها در واحد زمان می‌باشد. باتوجه به اینکه این مسأله، در حالت تک‌هدفه بودن نیز NP-Hard می‌باشد، حل آن در حالت چندهدفه، بسیار مشکل تر خواهدبود. به‌همین خاطر، چندین روش فراابتکاری برای حل آن ارائه می‌شود. در این تحقیق سعی شده‌است که از سه الگوریتم چندهدفه مبتنی بر الگوریتم ژنتیک و همچنین از سه الگوریتم چندهدفه مبتنی بر سیستم ایمنی مصنوعی استفاده شود. این الگوریتم‌ها با استفاده از روش‌های اندازه گیری عملکرد الگوریتم‌های چندهدفه، مورد بررسی و تجزیه و تحلیل قرار می‌گیرند.

کلمات کلیدی: مکان‌یابی تسهیلات، سیستم صف، الگوریتم های چندهدفه مبتنی بر الگوریتم ژنتیک ، الگوریتم‌های چندهدفه مبتنی بر سیستم ایمنی مصنوعی   

فهرست مطالب

فصل اول: تعریف مسأله 1 1-1- مقدمه 2 1-2- مکانیابی تسهیلات 2 1-3- بیان مسأله 4 1-4- روش حل 7 1-5- اهمیت و ضرورت تحقیق 8 1-6- اهداف تحقیق 9 1-7- جمع بندی 9 فصل دوم: مرور ادبیات 11 2-1- مقدمه 12 2-2- مکانیابی تسهیلات 12 2-2-1- مرور ادبیات در موضوع مکانیابی تسهیلات 12 2-2-2- معیارهای دسته بندی مدلهای مکانیابی 17 2-2-3- مسائل پوشش 19 2-2-3-1-مسأله پوشش مجموعه 19 2-2-3-2- مسأله مکانیابی حداکثر پوشش 21 2-2-3-3- مسائل p-center 22 2-2-3-4- مسائل p-median 23 2-2-4- مسائل دیگر مکانیابی 24 2-2-5- مسائل مکانیابی تسهیلات با تقاضای تصادفی و تراکم 25 2-2-5-1- مرور ادبیات مسائل مکانیابی تسهیلات با تقاضای تصادفی و تراکم 26 2-2-5-2- مکانیابی تسهیلات با تقاضای تصادفی و تراکم 29 2-3- نظریه صف 35 2-3-1- مشخصات صف 36 2-3-2- قانون لیتِل 38 2-3-3- صف M/M/1 39 2-4- مسائل بهینه سازی چندهدفه 40 2-4-1- فرمول بندی مسائل بهینه سازی چندهدفه 40 2-4-2- الگوریتم‌های تکاملی برای بهینه سازی مسائل چندهدفه بر مبنای الگوریتم ژنتیک 41 2-4-2-1- الگوریتم ژنتیک مرتب سازی نامغلوب 42 2-4-2-2- الگوریتم NSGA-II محدود شده 45 2-4-2-3- الگوریتم ژنتیک رتبه بندی نامغلوب 46 2-4-3- الگوریتم‌های تکاملی برای بهینه سازی مسائل چندهدفه بر مبنای سیستم ایمنی مصنوعی 49 2-4-3-1- سیستم ایمنی مصنوعی 49 2-4-3-1-1- مفاهیم ایمنی 49 2-4-3-1-2- ایمنی ذاتی 51 2-4-3-1-3- ایمنی اکتسابی 51 2-4-3-1-4- تئوری شبکه ایمنی 52 2-4-3-1-5- الگوریتم ایمنی مصنوعی 53 2-4-3-1-6- سیستم ایمنی مصنوعی و مسائل بهینه سازی چندهدفه 54 2-4-3-2- الگوریتم MISA 56 2-4-3-3- الگوریتم VIS 61 2-4-3-4- الگوریتم NNIA 64 2-5- روش‌های اندازه گیری عملکرد الگوریتم‌های چندهدفه 67 2-5-1- فاصله نسلی 68 2-5-2- درجه توازن در رسیدن همزمان به اهداف 69 2-5-3- مساحت زیر خط رگرسیون 70 2-5-4- تعداد جواب‌های غیرمغلوب نهائی 71 2-5-5- فاصله گذاری 71 2-5-6- گسترش 72 2-5-7- سرعت همگرائی 73 2-5-8- منطقه زیر پوشش دو مجموعه 73 2-6- جمع بندی 74 فصل سوم: مدل سازی مسأله و توسعه الگوریتم‌ها 76 3-1- مسأله موردتحقیق 77 3-2- طراحی الگوریتم‌ها 81 3-2-1- تطبیق الگوریتم‌ها با مسئله موردبررسی 81 3-2-1-1- ساختار حل‌ها 81 3-2-1-2- معیار توقف 82 3-2-2- تطبیق الگوریتم NSGA-II برای مسئله موردبررسی 83 3-2-3- تطبیق الگوریتم CNSGA-II برای مسئله موردبررسی 84 3-2-4- تطبیق الگوریتم NRGA برای مسئله موردبررسی 85 3-2-5- تطبیق الگوریتم MISA برای مسئله موردبررسی 85 3-2-6- تطبیق الگوریتم VIS برای مسئله موردبررسی 85 3-2-7- تطبیق الگوریتم NNIA برای مسئله موردبررسی 86 فصل چهارم: تجزیه و تحلیل داده‌ها 87 4-1- تولید مسأله نمونه 88 4-2- اندازه گیری عملکرد الگوریتم‌ها براساس معیارها 89 4-3- تجزیه و تحلیل نتایج 92 فصل پنجم: نتیجه گیری و مطالعات آتی 100 5-1- نتیجه گیری 101 5-2- مطالعات آتی 102 فهرست منابع و مراجع 103 پیوست الف: محاسبه معیارهای هشت گانه برای الگوریتم های استفاده شده 105 پیوست ب: نمودارهای بدست آمده از تجزیه و تحلیل نتایج 113 پیوست ج: یک نمونه مسئله حل شده توسط الگوریتم NSGA-II 118 پیوست د: کد برنامه نویسی الگوریتم NSGA-II در محیط MATLAB 123

فهرست اشکال

شکل 2-1- مدل پایه‌ای صف 36 شکل 2-2- مجموعه حل‌های غیرمغلوب 41 شکل 2-3- نمایشی از نحوه عملکرد NSGA-II 43 شکل2-4- الگوریتم NRGA 47 شکل 2-5- سلول B، آنتی ژن، آنتی بادی، اپیتوپ، پاراتوپ و ادیوتوپ 50 شکل 2-6- فلوچارت الگوریتم MISA 57 شکل 2-7- یک شبکه تطبیقی برای رسیدگی به حافظه ثانویه 60 شکل 2-8- فلوچارت الگوریتم VIS 62 شکل 2-9- تکامل جمعیت NNIA 65 شکل 2-10- نمایش حل‌های مناسب 69 شکل 2-11- مساحت زیر خط رگرسیون 70 شکل 2-12- بیشترین گسترش 73 شکل 3-1- مکانیسم عملگر تقاطع 83 شکل 4-1- نمودار همگرایی الگوریتم‌ها براساس شاخص MID 90 شکل 4-2- نتیجه بدست آمده از آنالیز واریانس برای معیار تعداد جواب‌های غیرمغلوب 94 شکل 4-3- نتیجه بدست آمده از آزمون توکی برای معیار تعداد جواب‌های غیرمغلوب 95 شکل 4-4- نتیجه به دست آمده از آنالیز واریانس برای تعداد جواب‌های غیرمغلوب 97  

فهرست جداول

جدول 4-1- مشخصات هر نمونه 88 جدول 4-2- گروه بندی الگوریتم‌ها براساس معیار تعداد جواب‌های غیرمغلوب 96 جدول 4-3- مقایسه الگوریتم‌ها ازنظر معیارهای مختلف و در حالت‌های گوناگون 98 جدول 4-4- متوسط معیارهای الگوریتم‌ها و رتبه بندی الگوریتم‌ها براساس آن 99  

تعریف مسأله

1-1- مقدمه

با رشد روز افزون معاملات تجاری در سطح جهان و در سال‌های اخیر، ظهور پدیده تجارت الکترونیک و بانکداری الکترونیک به عنوان بخش تفکیک ناپذیر از تجارت الکترونیک مطرح شد. بانکداری الکترونیک اوج استفاده از فناوری انفورماتیک و ارتباطات و اطلاعات برای حذف دو قید زمان و مکان از خدمات بانکی است. ضرورت یک نظام بانکی کارامد برای حضور در بازارهای داخلی و خارجی ایجاب می‌کند تا بانکداری الکترونیک نه به عنوان یک انتخاب، بلکه ضرورت مطرح شود. امروزه پایانه فروش، پایانه شعب، دستگاه‌های خودپرداز و ... نماد بانکداری الکترونیک است و یافتن مکان بهینه برای این پایانه‌ها و دستگاه‌ها می‌تواند نقش مهمی در حضور یک بانک یا مؤسسه در بازارهای داخلی و خارجی داشته باشد [1].

1-2- مکانیابی تسهیلات

فرض کنید که یک شرکت رسانه‌ای می‌خواهد که ایستگاه‌های روزنامه را در یک شهر ایجاد کند. این شرکت در حال حاضر جایگاه‌هایی را به صورت بالقوه در شهرهای همسایه اش مشخص کرده‌است و هزینه ایجاد و نگهداری یک جایگاه را می‌داند. همچنین فرض کنید که تقاضای روزنامه در هر شهر همسایه مشخص است. اگر این شرکت بخواهد تعدادی از این ایستگاه‌ها را ایجاد کند، باتوجه به مینیمم کردن کل هزینه‌های ایجاد و نگهداری این ایستگاه‌ها و همچنین متوسط مسافت سفر مشتریان، این ایستگاه‌ها در کجا باید واقع شوند؟ سؤال قبل یک مثال از مسأله مکانیابی تسهیلات بود. مکانیابی تسهیلات یعنی اینکه مجموعه‌ای از تسهیلات (منابع) را به صورت فیزیکی به گونه‌ای در یک مکان قراردهیم که مجموع هزینه برآورده کردن نیازها (مشتریان) باتوجه به محدودیت‌هایی که سر راه این مکانیابی قرار دارد، مینیمم گردد. از سالهای 1960 به این طرف مسائل مکانیابی یک جایگاه ویژه‌ای را در حیطه تحقیق در عملیات اشغال کرده‌اند. آنها وضعیت‌های مختلفی را درنظر گرفته‌اند که می‌توان به موارد ذیل اشاره کرد: تصمیم گیری در مورد مکان کارخانجات، انبارها، ایستگاه‌های آتش نشانی و بیمارستان‌ها. به طور اساسی، یک مسأله مکانیابی بوسیله چهار عنصر زیر توصیف می‌شود: • مجموعه‌ای از مکانها که در آن‌ها، تسهیلات ممکن است ایجاد یا باز شوند. برای هر مکان نیز بعضی اطلاعات درمورد هزینه ساخت یا باز نمودن یک تسهیل در آن مکان مشخص می‌شود. • مجموعه‌ای از نقاط تقاضا (مشتریان) که برای سرویس دهی به بعضی از تسهیلات اختصاص داده شوند. برای هر مشتری، اگر بوسیله یک تسهیل معینی خدمت‌رسانی شود، بعضی اطلاعات راجع به تقاضایش و درمورد هزینه یا سودش بدست می‌آید. • لیستی از احتیاجات که باید بوسیله تسهیلات بازشده و بوسیله تخصیص نقاط تقاضا به تسهیلات برآورده شود. • تابعی از هزینه یا سودهایی که به هر مجموعه از تسهیلات اختصاص پیدا می‌کند. پس هدف این نوع مسائل، پیدا کردن مجموعه‌ای از تسهیلات است که باید باتوجه به بهینه کردن تابع مشخصی باز شوند. مدل‌های مکانیابی در یک زمینه گسترده از کاربردها استفاده می‌شود. بعضی از این موارد شامل موارد ذیل است: مکانیابی انبار در زنجیره تأمین برای مینیمم کردن متوسط زمان فاصله تا بازار؛ مکانیابی سایت‌های مواد خطرناک برای مینیمم کردن درمعرض عموم قرار گرفتن؛ مکانیابی ایستگاه‌های راه آهن برای مینیمم کردن تغییرپذیری زمان بندی‌های تحویل بار؛ مکانیابی دستگاه‌های خودپرداز برای بهترین سرویس دهی به مشتریان بانک و مکانیابی ایستگاه‌های عملیات تجسس و نجات ساحلی برای مینیمم کردن ماکزیمم زمان پاسخ به حادثه‌های ناوگان دریایی. با اینکه این پنج مسأله توابع هدف مختلفی دارند، همه این مسائل در حوزه مکانیابی تسهیلات واقع می‌شوند. درواقع، مدل‌های مکان‌یابی تسهیلات می‌توانند در موارد ذیل متفاوت باشند: توابع هدفشان، معیارهای فاصله‌ای که به کار می‌برند، تعداد و اندازه تسهیلاتی که قرار است مکانیابی شوند و چندین معیار تصمیم گیری مختلف دیگر. بسته به کاربرد خاص هر مسأله، درنظرگرفتن این معیارهای مختلف در فرموله کردن مسأله، منتهی به مدل‌های مکانیابی بسیار متفاوتی خواهدشد.

1-3- بیان مسأله

هدف از اجرای این تحقیق، مکان‌یابی سیستم‌های خدمات رسانی ثابت با ظرفیت خدمت محدود می‌باشد. یعنی دستگاه‌های خدمت‌رسان به چه تعداد و در چه محل‌هایی استقرار یابند و چه مراکز تقاضایی به این دستگاههای خدمت‌رسان تخصیص یابند. در چنین سیستم‌هایی، زمانی که برای انجام سرویس موردنیاز است تصادفی است و همچنین تقاضای انجام خدمت در نقاط تصادفی از زمان می‌رسند که این تقاضا از جمعیت بزرگی از مشتریان سرچشمه می‌گیرد و معمولاً این سرویس‌دهی در نزدیک ترین تسهیل انجام می‌شود. چنین سیستم‌های خدمت‌رسانی، سیستم‌های صف را تشکیل می‌دهند. مدل‌های مختلفی برای حل این مسائل مکان‌یابی سیستم صف ارائه شده‌است. دو ناحیه کاربردی وجود دارد که ما با این مدل‌ها روبه رو می‌شویم [4]: اولی در طراحی سیستم ارتباط کامپیوتری مانند اینترنت می‌باشد. در یک سیستم ارتباط کامپیوتری، ترمینال‌های مشتری (کاربران اینترنت) به کامپیوترهای میزبان (سرورهای پروکسی، سرورهای آینه) وصل می‌شوند که قابلیت پردازش بالا و/یا پایگاه داده‌های بزرگ میزبان دارند. زمانی که طول می‌کشد تا سرور درخواست را پردازش کند بستگی به سرعت پردازش سرور و و نوع درخواست دارد که آن هم تصادفی است. زمانی که مشتری برای پاسخ سرور منتظر می‌ماند نیز بستگی به تعداد و اندازه درخواست‌های داده‌ای است که در حال حاضر در صف هستند. به طور کلی، درخواست‌های مشتری‌ها به نزدیکترین سرور وصل می‌شود. این مکان و ظرفیت سرورها، پارامترهای طراحی بحرانی هستند. این انتخاب پارامترها تأثیری قابل توجه روی کیفیت خدمات دارد، به طوری که بوسیله یک مشتری درک می‌شود.

کد CPLEX و فایل word پایان نامه برنامه ریزی تولید ادغامی چند هدفه پایدار

لینک دانلود

کد CPLEX و فایل word پایان نامه

برنامه ریزی تولید ادغامی چند هدفه پایدار در زنجیره تأمین تحت شرایط عدم قطعیت

لینک دانلود

چکیده

برنامه ریزی تولید ادغامی در زنجیره تأمین یکی از فعالیت های اصلی در حوزه برنامه ریزی کلی شرکت های بزرگ و پیشرو محسوب می گردد. در تحقیق حاضر، برنامه ریزی ادغامی در زنجیره تأمین بصورت متمرکز با استفاده از مدل های برنامه ریزی ریاضی چند هدفه و تحت شرایط عدم قطعیت مدلسازی شده است. رویکردهای مورد استفاده شامل دو گام می باشد: در گام اول؛ تصمیمات کلانِ پیش تولید، نظیر میزان و نحوه تأمین مواد اولیه از تأمین کنندگان، برنامه ریزی لجستیک و حمل و نقل مربوط به آن، تعیین نرخ تولید و مدیریت نیروی انسانی در کارخانه های تولیدی مورد بررسی قرار می گیرد. در گام دوم؛ با تحقق تصمیمات مربوط به گام اول، در مورد میزان و نحوه نگهداری موجودی ها، میزان و نحوه توزیع کالا به مشتریان به همراه برنامه ریزی لجستیک آن، تصمیم گیری می شود. تصمیمات مربوط به گام اول همگی مبتنی بر پیش بینی مقادیر پارامترها صورت می گیرد و تصمیمات مربوط به گام دوم همگی مبتنی بر مقادیر واقعی پارامترها گرفته می شود. مدل های ارائه شده در این تحقیق، اهداف زیر را دنبال می کنند: 1- کمینه سازی مجموع هزینه های تأمین و تولید (شامل هزینه های مربوط به خرید، حمل و نقل، تولید، تغییر ظرفیت تولیدی و نگهداری موجودی در کارخانه ها) و کمینه سازی امید ریاضی مجموع هزینه های توزیع (شامل هزینه های حمل و نقل، نگهداری و کمبود موجودی) 2- بیشینه سازی رضایتمندی مشتریان نهائی از طریق کمینه کردن بیشینه کمبود کالا در میان همه نقاط مشتری 3- کمینه نمودن تغییرپذیری و ریسک حاصل از عدم تحقق برنامه به دلیل ماهیت غیر قطعی زنجیره تأمین 4- افزایش بهره وری کارکنان، از طریق برگزاری دوره های آموزشی نوع عدم قطعیت در نظر گرفته شده شامل عدم قطعیت در میزان تقاضا، زمان تدارک، پارامترهای هزینه ای و نیز عدم قطعیت در تأمین می باشد. به دلیل ماهیت چندملیتی زنجیره تأمین، تغییرات قوانین و مقررات دولتی (گمرکی/زیست محیطی) حاکم بر تأمین/تولیدکنندگان مدنظر قرار گرفته است. مباحث آموزش نیروی انسانی و نقش موثر آن در بهره وری، تخفیفِ مقداری، به عنوان عامل موثر در میزان سفارش، انعطاف پذیری زمان تدارک و همبستگی آن با هزینه حمل و نقل، و در نهایت هزینه کمبودِ غیرخطی از جمله ویژگی های مدل های ارائه شده می-باشد. در نهایت برای حل مدل های پیشنهادی، روش های حل مناسب و کارایی در حوزه های حل قطعی (نرم افزارهای LINGO ،AUGMECON ،CPLEX) ، شبیه سازی، ابتکاری (تلفیق روش اپسیلون-محدودیت، روش ال-شکل و مونت کارلوی توسعه یافته) و فرا ابتکاری (تلفیق روش های اپسیلون محدودیت ارتقاء یافته و الگوریتم ژنتیک) ارائه شده و برای اثبات کارائی آن ها و اعتبارسنجی مدل های پیشنهادی، مورد مطالعاتی (شرکت چوب و کاغذ چوکا) و مثال های عددی در نظر گرفته شده است. مقایسات خوبی بین حل های بدست آمده از نرم افزارهای موجود نظیر CPLEX و LINGO با الگوریتم های ابتکاری و فرا ابتکاری پیشنهادی صورت پذیرفته است. تجزیه و تحلیل نتایج، کاربردپذیری مدل های پیشنهادی و روش های حل آن ها را به خوبی تأیید می نماید.

واژه های کلیدی: برنامه ریزی تولید ادغامی، برنامه ریزی زنجیره تأمین، عدم قطعیت، برنامه ریزی چندهدفه، برنامه-ریزی تصادفی پایدار.

فهرست مطالب

1- کلیات تحقیق 1 1-1- مقدمه 2 1-2- تعاریف کلی از حوزه تحت بررسی 2 1-2-1- برنامه ریزی تولید 2 1-2-2- برنامه ریزی تولید ادغامی 5 1-2-3- واحد ادغامی 6 1-2-4- استراتژی های برنامه ریزی تولید ادغامی 6 1-2-5- هزینه های مرتبط با برنامه ریزی تولید ادغامی در زنجیره تأمین 6 1-2-6- روش های حل مسائل برنامه ریزی تولید ادغامی 7 1-2-7- عدم قطعیت و انواع آن 7 1-3- بیان مساله 8 1-4- ضرورت انجام تحقیق 9 1-5- کاربردهای تحقیق 9 1-6- اهداف تحقیق 10 1-7- ساختار رساله 10 2- مروری بر ادبیات تحقیق 12 2-1- مقدمه 13 2-2- مروری بر مدل های برنامه ریزی تولید (قبل از سال 2000) 13 2-3- مروری بر مدل های برنامه ریزی تولید تحت عدم قطعیت (بعد از سال 2000) 26 2-4- بهینه سازی تحت شرایط عدم قطعیت 40 2-4-1- برنامه‌ریزی تصادفی با ارجاع 40 2-4-2- بهینه‌سازی پایدار 41 2-4-2-1- بهینه‌سازی تصادفی پایدار 43 2-4-2-2- بهینه سازی پایدار با پارامترهای بازه ای 45 2-4-3- برنامه ریزی ریاضی فازی 47 2-4-3-1- برنامه ریزی فازی منعطف 47 2-4-3-2- برنامه ریزی فازی امکانی 48 2-5- بهینه سازی چند هدفه 48 2-5-1- برنامه ریزی توافقی 49 2-5-2- اپسیلون-محدودیت 49 2-6- نتیجه‌گیری از تحقیقات گذشته و بیان ایده‌های تحقیق 50 3- مدل های پیشنهادی 52 3-1- مقدمه 53 3-2- مدل پیشنهادی اول؛ 53 3-2-1- تشریح مسئله و فرضیات 54 3-2-2- پارامترها و متغیرهای مسئله 55 3-2-3- مدل سازی، حالت قطعی 56 3-2-4- مدل سازی، حالت تصادفی 58 3-3- مدل پیشنهادی دوم؛ 60 3-3-1- تشریح مسئله و فرضیات 62 3-3-2- پارامترها و متغیرهای مسئله 63 3-4- مدل پیشنهادی سوم؛ 66 3-4-1- پارامترها و متغیرهای مسئله 66 3-5- مدل پیشنهادی چهارم؛ 70 3-5-1- تشریح مساله و فرضیات 71 3-5-2- پارامترها و متغیرهای مسئله 73 3-5-3- تابع تخفیف مقداری 76 3-5-4- تابع جریمه کمبود غیرخطی 77 3-5-5- خطی سازی توابع چند ضابطه ای 78 3-5-5-1- خطی سازی تابع تخفیف قیمت خرید 78 3-5-5-2- خطی سازی تابع هزینه کمبود 81 3-5-6- خطی سازی عبارات درجه دوم با روش تفکیک پذیر 81 3-5-7- زمان تدارک منعطف 83 4- الگوریتم حل و نتایج محاسباتی 86 4-1- مقدمه 87 4-2- روش حل پیشنهادی مدل 1 87 4-3- مورد مطالعاتی مدل 1 87 4-3-1- تشریح مورد مطالعاتی 87 4-3-2- نتایج محاسباتی 93 4-4- روش حل پیشنهادی مدل 2 98 4-4-1- روش اپسیلون-محدودیت ارتقاء یافته 98 4-4-2- روش ال-شکل 100 4-5- مثال کاربردی برای مدل 2 104 4-5-1- تشریح مثال 104 4-5-2- نتایج محاسباتی 105 4-6- روش حل پیشنهادی مدل 3 108 4-6-1- روش اپسیلون-محدودیت ارتقاء یافته 109 4-6-2- الگوریتم ژنتیک 109 4-6-2-1- ساختار کرموزوم (نحوه کد کردن جواب) 109 4-6-2-2- جمعیت اولیه 112 4-6-2-3- تابع برازندگی 112 4-6-2-4- استراتژی انتخاب 113 4-6-2-5- عملگرهای بهبود یافته الگوریتم ژنتیک 113 4-6-2-6- اپراتورهای تعدیل 114 4-6-3- قدم های الگوریتم ژنتیک پیشنهادی 115 4-6-3-1- معیار توقف الگوریتم 116 4-7- مثال های عددی برای مدل 3 117 4-7-1- تشریح مثال 118 4-7-2- نتایج محاسباتی مثال های عددی با ابعاد کوچک و متوسط 118 4-7-3- نتایج محاسباتی مثال های عددی با ابعاد بزرگ 120 4-7-4- منحنی کارائی 121 4-8- روش حل پیشنهادی مدل 4 122 4-8-1- تخمین تعداد سناریوهای مورد نیاز 124 4-8-2- تشریح مثال 125 4-8-3- نتایج محاسباتی 126 5- جمع‌بندی و پیشنهادها 133 5-1- جمع‌بندی 134 5-2- نوآوری‌های تحقیق 134 5-3- پیشنهادهایی برای تحقیقات آتی 135 6- منابع و مراجع 136 7- پیوست‌ها 149 7-1- پیوست 1 150 7-2- پیوست 2 150

لیست شکل‌ها و جداول

شکل ‏1 1- برنامه ریزی بلند مدت، میان مدت و کوتاه مدت 3 شکل ‏1 2- برنامه ریزی و کنترل تولید 4 شکل ‏1 3- رابطه برنامه ریزی تولید ادغامی با سایر فرآیندهای برنامه ریزی تولید 5 شکل ‏2 1- فضای جواب شدنی مسئله برنامه ریزی خطی با ضرائب فنی غیرقطعی 42 شکل ‏3 1- فرم کلی زنجیره تأمین سه سطحی 55 شکل‏3 2- تابع چند ضابطه ای تخفیف مقداری 77 شکل ‏3 3- تابع چند ضابطه ای هزینه کمبود غیر خطی 78 شکل ‏3 4- تخمین خطی تفکیک پذیر 82 شکل ‏3 5- رابطه زمان تدارک و هزینه حمل و نقل 83 شکل ‏3 6- جداول استاندارد گازهای آلاینده در وسایل حمل و نقل مختلف 85 شکل ‏4 1- زنجیره تأمین شرکت چوکا (با کمی تغییرات) 88 شکل ‏4 2- زیان کل زنجیره تأمین در برابر کمبود تجمعی 96 شکل ‏4 3- تعادل بین پایداری مدل و توابع Z1 و Z2 97 شکل ‏4 4- رابطه بین پایداری مدل و مقدار Z1 بدست آمده از مدل Lp-metrics 98 شکل ‏4 5- فلوچارت الگوریتم ال-شکل پیشنهادی 102 شکل ‏4 6- قدمهای اصلی روش مونت کارلوی پیشنهادی 103 شکل ‏4 7- فلوچارت روش حل پیشنهادی برای مدل دوم 104 شکل ‏4 8- زنجیره تأمین دو سطحی 105 شکل ‏4 9- نمودار همگرائی روش ال-شکل 106 شکل ‏4 10- منحنی پارتو برای امیدریاضی در مقابل تغییرپذیری 106 شکل ‏4 11- رفتار Z1 در مقابل Z2 107 شکل ‏4 12- قسمت A-1 از کروموزوم پیشنهادی 110 شکل ‏4 13- قسمت A-2 از کروموزوم پیشنهادی 111 شکل ‏4 14- قسمت B از کروموزوم پیشنهادی 112 شکل ‏4 15- ساختار کلی کروموزوم پیشنهادی 112 شکل ‏4 16- عملگر جابجائی ستونی 113 شکل ‏4 17- عملگر جابجائی بلوکی 114 شکل ‏4 18- عملگر جابجائی نامنظم 114 شکل ‏4 19- فلوچارت روش حل پیشنهادی مدل سوم 117 شکل ‏4 20- زمان حل الگوریتم پیشنهادی در مقایسه با زمان حل نرم افزار برای مسائل با ابعاد کوچک 119 شکل ‏4 21- زمان حل الگوریتم پیشنهادی در مقایسه با زمان حل نرم افزار برای مسائل با ابعاد متوسط 120 شکل ‏4 22- همگرائی به جواب بهینه در مسئله شماره 5 120 شکل ‏4 23- منحنی پارتو برای بهره وری کارکنان در مقابل هزینه کل سیستم تولیدی 122 شکل ‏4 24- منحنی پارتو برای حداکثر کمبود در برابر هزینه کل سیستم تولیدی 122 شکل ‏4 25- هزینه حمل و نقل و سود حاشیه ای در برابر تنگ تر شدن محدودیت انتشار گازهای گلخانه ای 127 شکل ‏4 26- ترکیب بندی نرخ تولید قبل و بعد از در نظر گرفتن محدودیت پسماندهای صنعتی 128 شکل ‏4 27- اجزای تابع هدف و سود حاشیه ای در مقایسه با سناریوهای مختلف 129 شکل ‏4 28- همگرائی الگوریتم CPLEXبه جواب بهینه 130 شکل ‏4 29- فراوانی اندازه سفارشات و کمبود رخ داده تحت همه سناریوهای مختلف 131 شکل ‏4 30- معیار تغییر پذیری 131 شکل ‏4 31- امیدریاضی سود حاشیه ای در برابر معیار تغییرپذیری 132

جدول ‏2 1- تکنیک های مختلف حل مسئله برنامه ریزی تولید به ترتیب زمانی قبل از سال 2000 میلادی 14 جدول ‏2 2- تکنیک های مختلف حل مسئله برنامه ریزی تولید و نوع عدم قطعیت مربوطه قبل از سال 2000 میلادی 21 جدول ‏2 3- تکنیک های مختلف حل مسئله برنامه ریزی تولید و نوع عدم قطعیت مربوطه بعد از سال 2000 میلادی 36 جدول ‏‏4 1- هزینه نیروی انسانی 89 جدول ‏ ‏‏4 2- هزینه دوره آموزشی در سایت 1 ($10/manpower) 90 جدول ‏ ‏‏4 3- زمان تولید، هزینه نگهداری مواد اولیه و محصولات 90 جدول ‏ ‏‏4 4- تقاضای بازار تحت سناریوی 1 91 جدول ‏‏4 5- اطلاعات کارخانه های تولیدی 91 جدول ‏‏4 6- زمان در دسترس 91 جدول ‏‏4 7- ضریب مصرف 92 جدول ‏‏4 8- هزینه و ظرفیت مربوط به ماده اولیه m که توسط تأمین کننده s در دوره 1 تحت سناریوی ξ تأمین میشود 92 جدول ‏‏4 9- هزینه حمل و نقل ($/unit) 92 جدول ‏‏4 10- زمان تدارک (دوره) 93 جدول ‏‏4 11- هزینه کمبود و قیمت فروش 93 جدول ‏‏4 12- برنامه ریزی تولید ادغامی حاصل از حل مدل پیشنهادی 94 جدول ‏‏4 13- برنامه ریزی نیروی انسانی بدست آمده از حل مدل پیشنهادی 94 جدول ‏‏4 14- تعاملات بین موجودیت های زنجیره تأمین 95 جدول ‏‏4 15- ارتقاء کارکنان در برابر ضریب پایداری مدل 96 جدول ‏4 16- لیست عایدات مربوط به روش اپسیلون-محدودیت 99 جدول ‏‏4 17- توابع توزیع پارامترهای هزینه ای 105 جدول ‏4 18- لیست عایدات برای مثال عددی 105 جدول ‏‏4 19- ارتقاء مهارت کارکنان در برابر متوسط بهره وری 107 جدول ‏‏4 20- مقایسه عملکرد الگوریتم پیشنهادی با تعداد سناریوهای مختلف 108 جدول ‏‏4 21- توابع توزیع پارامترهای هزینه ای 118 جدول ‏‏4 22-کارائی الگوریتم حل پیشنهادی مدل سوم برای مسائل با ابعاد کوچک 118 جدول ‏‏4 23-کارائی الگوریتم حل پیشنهادی مدل سوم برای مسائل با ابعاد متوسط 119 جدول ‏‏4 24- مقایسه کارائی الگوریتم حل پیشنهادی به ازای تعداد سناریوهای مختلف 121 جدول ‏4 25- پیش بینی تقاضا 125 جدول ‏‏4 26- هزینه تولید در وقت عادی/اضافه کاری، هزینه نگهداری و نفر ساعت مورد نیاز برای تولید یک محصول 125 جدول ‏‏4 27- قیمت و هزینه نگهداری در نقاط مشتری 125 جدول ‏‏4 28- فواصل بین موجودیتهای زنجیره تأمین 125 جدول ‏‏4 29- پارامترهای مربوط به قیمت خرید و تخفیف 125 جدول ‏‏4 30- پارامترهای مربوط به جریمه کمبود 126 جدول ‏‏4 31- زمان تدارک بین کارخانه و مشتری و بین کارخانه و تأمین کننده 126 جدول ‏4 32- مقادیر اجزاء تابع هدف برای مسئله قطعی 126 جدول ‏‏4 33- اجزای تابع هدف برای ده سناریوی نمونه 128

1- کلیات تحقیق

1-1- مقدمه

برنامه ریزی تولید همواره یکی از ارکان غیر قابل تفکیک در امر تولیده بوده است. امروزه، با پیچیده تر شدن شرایط تولید، برنامه ریزی کلی تولید نقش بسزایی در موفقیت شرکت های بزرگ تولیدی ایفا می نماید. این شرایط عبارتند از:  افزایش تنوع محصولات  افزایش پیچیدگی تقاضا  کاهش دورة عمر محصول  تغییرات سریع در تقاضای بازار و سلیقه مشتریان  فشرده شدن رقابت جهانی  نیاز روزافزون به افزایش کیفیت و ضرورت کاهش هزینه های زاید  کاهش زمان تحویل کالا به مشتریان  توسعه شرکت های بزرگ چند ملیتی و گسترش روز افزون زنجیره تأمین  عدم قطعیت موجود در پارامترهای موثر در تولید و زنجیره تأمین همه این عوامل منجر گشته برنامه ریزی کلی تولید جایگاه ویژه خود را خصوصاً در زنجیره های بزرگ تأمین حفظ نماید. تولید اقتصادی و سودآور ایجاب می کند که برای کلیه مراحل تولید از تأمین مواد اولیه از تأمین کنندگان گرفته تا تولید محصول در کارخانه ها و توزیع محصولات نهایی به مشتریان، برنامه ریزی جامع و دقیق صورت گرفته تا ضمن استفاده بهینه از منابع موجود، هزینه های کل سیستم تولیدی کمینه گردد. عدم قطعیت موجود در زنجیره تأمین که معمولاً در مواردی نظیر پیش بینی نادقیق تقاضا، زمان تدارک متغیر، تحویل های دیرهنگام، ارسال ناقص سفارشات، نوسانات هزینه ها و قیمت، تخفیف مقداری و مناسبتی، سفارشات متورم شده و غیره رخ می دهد، همواره اثرات نامطلوبی نظیر تأخیر، ناتمام ماندن سفارشات و تحمیل هزینه های اضافی بر سیستم تولیدی می گذارد. بنابراین یکی از اهداف مهم برنامه ریزی کلی تولید، تعمیم برنامه ریزی متمرکز از یک شرکت منفرد به تمامی موجودیت های زنجیره تأمین و در نظر گرفتن توأمان همگی فاکتورهای موثر در تولید می باشد به نحویکه برنامه تهیه شده توانایی پاسخگوئی به عدم قطعیت-های موجود را داشته باشد. بنابراین در تحقیق حاضر، ضمن یکپارچه نمودن برنامه ریزی تولید کلی با برنامه ریزی زنجیره تأمین، تلاش شده است رویکردهای نوینی در این عرصه برای مواجهه با انواع مختلف عدم قطعیت ارائه گردد.

1-2- تعاریف کلی از حوزه تحت بررسی

هدف از این بخش ارائه تعاریف مختصر از مفاهیم، استراتژی ها و راهکارهای برنامه ریزی تولید ادغامی در زنجیره تأمین غیر قطعی می باشد.

1-2-1- برنامه ریزی تولید

بنا به تعریف، برنامه ریزی تولید به معنای فرایند تصمیم گیری در خصوص منابعی است که سازمان برای عملیات تولید آینده اش به آن ها نیاز دارد و نیز تخصیص این منابع جهت تولید محصول مورد نظر در تعداد مورد نیاز و با کمترین هزینه. در حقیقت می توان برنامه ریزی تولید را ایجاد محدوده و مرز جهت عملیات تولیدی آیندة سازمان تعبیر نمود. با توجه به تعریف فوق، دو هدف اساسی را می توان برای برنامه ریزی تولید برشمرد: الف) تعیین برنامه های تولید بر اساس هزینه ها و سیاست های مدیریت در خصوص مسائل مالی، توسعه ظرفیت، خدمت به مشتری و پویایی نیروی کار. ب) کمک به مدیریت جهت نشان دادن تأثیرات سیاست های مختلف روی هزینه ها، میزان موجودی و تولید. برنامه ریزی را می توان از دیدگاه های متفاوت به انواع مختلفی تقسیم بندی نمود ولی یکی از کاربردی ترین و مرسوم-ترین این تقسیمات، تقسیم بندی براساس بُرد زمانی برنامه ریزی می باشد. بطورکلی برنامه ریزی را می توان به سه دسته بلند مدت، میان مدت و کوتاه مدت تقسیم بندی کرد. برنامه ریزی تولید نیز از این قائده مستثنی نیست. بسته به مطالباتی که از یک برنامه ریزی تولید داریم، افق زمانی آن می تواند بلند مدت، میان مدت و یا کوتاه مدت باشد (شکل 1-1).

شکل ‏1 1- برنامه ریزی بلند مدت، میان مدت و کوتاه مدت کوچکترین واحد زمانی برنامه ریزی، دوره نامیده می شود. فرض بر این است که دوره قابل شکسته شدن به واحدهای کوچکتر نمی باشد. بسته به نوع صنعت و هدف از برنامه ریزی، واحد زمانی دوره می تواند یک شیفت کاری، روزکاری، هفته و یا حتی ماه باشد. ساختار کلی برنامه ریزی و کنترل تولید را می توان به صورت شکل 1-2 نمایش داد.

شکل ‏1 2- برنامه ریزی و کنترل تولید همانطور که در شکل 1-2 مشخص است، سیستم برنامه ریزی و کنترل تولید به سه سطح تقسیم شده که عبارتند از خط مقدم ، موتور و پشتیبانی که در ادامه به اختصار به توضیح هر یک خواهیم پرداخت. خط مقدم، قسمتی از برنامه ریزی تولید است که با استراتژی های کلان شرکت در ارتباط است. افق برنامه ریزی های آن 1 تا 5 ساله است و از سه قسمت مدیریت تقاضا، برنامه ریزی منابع و برنامه ریزی عملیات و فروش تشکیل یافته است. برنامه ریزی عملیات و فروش با گرفتن اطلاعات مربوط به پیش بینی تقاضا، استراتژی های کلان شرکت و نیز برآورد سرانگشتی منابع، اقدام به تهیه برنامه عملیاتی و فروش می کند که معمولاً افق برنامه ریزی آن چند ساله است. این برنامه ریزی اغلب برحسب یک واحد ادغامی است و از این جهت به آن برنامه ریزی ادغامی نیز گفته می شود. این برنامه ریزی ادغامی سپس در یک سطح پائین تر با استفاده از تکنیک های برنامه ریزی تفکیک پذیر، برنامه مدون شدة فروش برای محصولات ادغامی را به برنامه ای برای فروش به تفکیک نوع محصول تبدیل می نماید که خروجی چنین اقدامی سربرنامه تولید ( MPS) است که افق آن نیز معمولاً یکساله می باشد. سطح موتور که ورودی اصلی خود را از سربرنامه تولید می گیرد، با استفاده از تکنیک های برنامه ریزی مواد و ظرفیت، برنامه هایی با جزئیات بیشتر و با افق برنامه ریزی کوتاه تر برای مواد و ظرفیت مورد نیاز فراهم می آورد. برنامه ریزی مواد مورد نیاز ( MRP) و برنامه ریزی ظرفیت ( CP) در این حوزه قرار می گیرد. در نهایت در سطح پشتیبانی، شاهد سیستم هایی جهت پشتیبانی از زنجیره تأمین شرکت از یک سو و برنامه ریزی عملیات در کف کارگاه از سوی دیگر هستیم. آنچه در برنامه ریزی کف کارگاه صورت می گیرد نوعاً برنامه هایی از جنس زمان بندی و تعیین توالی کارها بر روی ماشین ها و تخصیص نیروی انسانی به ماشین آلات می باشد.

1-2-2- برنامه ریزی تولید ادغامی

طبق تعریف، برنامه ریزی تولید ادغامی یک برنامه ریزی میان مدت در شرکت های تولیدی است که میزان و زمان تولید، موجودی و سطوح نیروی کار را جهت پاسخگویی به تغییرات احتیاجات خالص (تقاضا) در یک افق زمانی سه تا 18 ماهه تعیین می نماید (گالگو 2001). با معلوم بودن (یا پیش بینی) تقاضای بیرونی و منابع فیزیکی شرکت در طول افق برنامه ریزی، این برنامه تلاش می نماید تا ضمن بهترین استفاده از منابع موجود، هزینه های کل سیستم تولیدی را کمینه نماید. این برنامه بایستی روش ها و استراتژی های مختلفی را برای فائق آمدن بر نوسانات تقاضا و هزینه های مرتبط با آن، ارائه نماید. در شکل 1-3، رابطه برنامه ریزی تولید ادغامی با سایر فرآیندهای برنامه ریزی تولید، مشخص گردیده است.

شکل ‏1 3- رابطه برنامه ریزی تولید ادغامی با سایر فرآیندهای برنامه ریزی تولید

1-2-3- واحد ادغامی

طبعاً به دلیل بازة زمانی نسبتاً طولانی و نیز تنوع محصولات، امکان این که برای هر نوع محصول و هر نوع مدل از محصول، تخمینی از تعدادی که بایستی فرضاً در طی چند دوره آتی تولید گردند کمتر وجود خواهد داشت. در برنامه-ریزی تولید ادغامی چند محصولی، محصولات به چند خانواده تقسیم می شوند و هر خانوادة محصول، نماینده چندین محصول شبیه به هم می باشد. این شباهت می تواند بر اساس شباهت ظاهری، شباهت فرآیندهای تولیدی و یا شباهت هزینه های تولیدی و سود حاشیه ای باشد. هر خانواده محصول در واقع یک واحد ادغامی خوانده می شود و آن واحد ادغامی نماینده همه محصولات آن خانواده خواهد بود. مقادیر پارامترهای مربوط به یک واحد ادغامی در واقع میانگین مقادیر آن پارامترها برای محصولات مربوط به آن خانواده می باشد. لذا با انتخاب یک یا چند واحد مشترک مابین تمام محصولات یک خانواده، یک برنامة تولید ادغامی ایجاد می شود. واحد ادغامی می تواند کیلوگرم، متر، بشکه، نفرساعت، واحد پول و یا حتی یک مدل همگن از یکی از محصولات آن خانواده باشد.

1-2-4- استراتژی های برنامه ریزی تولید ادغامی

1- تغییر در میزان نیروی کار، از طریق استخدام و یا اخراج که منجر به تغییر در نرخ تولید می گردد. این استراتژی معمولاً در شرکت هایی که نرخ تولید، مبتنی بر نیروی کار است مورد استفاده قرار می گیرد. اخراج بی رویه معمولاً توسط قوانین دولتی محدود می شود و ممکن است تبعات منفی زیادی برای کارکنان به همراه داشته باشد. آموزش کارکنان می تواند یک استراتژی مناسب برای افزایش بهره وری کارکنان برای جبران نرخ تولید اضافی مورد نیاز در پیک تقاضا باشد. استفاده از نیروی کار پاره وقت نیز از جمله استراتژی های مرسوم در این حوزه قلمداد می شود. 2- تغییر در نرخ تولید از طریق افزایش شیفت های کاری، اضافه کاری و یا برونسپاری بخشی از تولید به خارج از شرکت. 3- تجمیع موجودی های فصلی؛ معمولاً بالانس بین هزینه های نگهداری موجودی و هزینه های تغییر نرخ تولید از جمله سوالات اساسی است که در بسیاری از موردهای واقعی بایستی بدان پاسخ داده شود. تلفیق موجودی-های فصلی محصولاتی که دارای بازه زمانی پیک تقاضای متفاوتی هستند می تواند در تنظیم نرخ تولید مؤثر باشد. 4- برنامه ریزی سفارشات عقب افتاده؛ از جمله استراتژی های مورد استفاده در تنظیم نرخ تولید بویژه در زمان های پیک تقاضا است و معمولا بایستی یک بالانس بین هزینه های ناشی از تأخیر در تحویل سفارشات و هزینه-های تغییر نرخ تولید و یا نگهداری موجودی صورت پذیرد. 5- تحت تأثیر قرار دادن تقاضا از طریق تبلیغات، ترویج محصول و تخفیف قیمت

1-2-5- هزینه های مرتبط با برنامه ریزی تولید ادغامی در زنجیره تأمین

1- هزینه های اساسی تولید؛ شامل هزینه خرید مواد اولیه از تأمین کنندگان، هزینه مستقیم نیروی کار، هزینه راه اندازی و سربار تولید می گردد. این هزینه ها معمولاً به دو دسته هزینه ثابت و متغیر تقسیم می شوند. 2- هزینه های مرتبط با تغییر در نرخ تولید؛ هزینه های مرتبط با استخدام، اخراج و یا آموزش کارکنان از یک طرف و نیز هزینه های جبرانی مرتبط با اضافه کاری و برونسپاری از طرف دیگر در این حوزه قرار می گیرند. 3- هزینه های مرتبط با نگهداری موجودی و سفارشات عقب افتاده. 4- هزینه های توزیع و حمل و نقل؛ هزینه های حمل و نقل مواد اولیه از تأمین کنندگان به کارخانجات و نیز هزینه های حمل و نقل محصولات نهائی از کارخانجات به نقاط مشتری. این هزینه ها نیز معمولاً به دو دسته هزینه های ثابت و متغیر تقسیم می گردند.

1-2-6- روش های حل مسائل برنامه ریزی تولید ادغامی

به طور کلی روش های حل برنامه ریزی ادغامی به دو دسته کلی زیر تقسیم می شوند: 1- روش های گرافیکی و مبتنی بر جدول؛ در رویکردهای مبتنی بر جدول، سعی می شود بطور ابتکاری با تلفیقی از استراتژی های مرسوم در برنامه ریزی تولید ادغامی یک برنامه شدنی مناسب تهیه گردد. طبیعتاً این روش ها، جواب بهینه را ارائه نمی دهند. 2- رویکردهای ریاضی؛ رویکردهای ریاضی خود به دسته های زیر قابل تقسیم می باشد: 2-1- رویکردهای مبتنی بر برنامه ریزی ریاضی 2-2- قوانین تصمیم خطی 2-3- مدل ضرائب مدیریت 2-4- شبیه سازی 2-5- قوانین جستجوی تصمیم در تحقیق حاضر از رویکرد برنامه ریزی ریاضی استفاده شده است و در فصل مرور ادبیات، تحقیقاتی که در این حوزه ها صورت پذیرفته است مرور خواهد شد.

1-2-7- عدم قطعیت و انواع آن

عدم قطعیت به معنی حالتی است که اطلاعات کافی در مورد یک واقعه یا نتایج آن وجود ندارد بنحویکه نتوان وضعیت واقعه یا نتایج آتی حاصل از آن را بطور دقیق توضیح داد. گالبریث (1973) عدم قطعیت را به عنوان تفاوت بین حجم اطلاعات مورد نیاز برای انجام یک کار و حجم اطلاعاتی که قبلاً بدست آمده، تعریف می نماید. در دنیای واقعی در یک زنجیره تأمین انواع مختلفی از عدم قطعیت ها وجود دارند که فرآیندهای تولیدی و غیر تولیدی را تحت تأثیر قرار می دهند. برای مثال هو (1989) عدم قطعیت را به دو دسته کلی طبقه بندی نموده است: 1- عدم قطعیت محیطی (EU) 2- عدم قطعیت سیستم تولیدی (SU) عدم قطعیت محیطی، شامل عدم قطعیت هایی است که در ورای فرآیند تولید وجود دارند، نظیر عدم قطعیت موجود در عرضه (SLU) و تقاضا (DU). عدم قطعیت سیستم، مربوط به عدم قطعیت موجود در فرآیند تولید نظیر عدم قطعیت بازدهِ عملیات (OYU)، عدم قطعیت زمان تدارک تولید (LTU)، عدم قطعیت کیفیت (QU)، خرابی سیستم تولیدی و تغییرات در ساختار محصول می گردد.

1-3- بیان مساله

برنامه ریزی تولید ادغامی یکی از ارکان مهم تولید است و قدمت آن به آغاز کار شرکت های تولیدی باز می گردد، جائی که شرکت ها می بایستی برنامه ریزی تولید و فروش یکسال خود را انجام می دادند و ناگزیر بودند که بر اساس هزینه های مرسوم در بخش تولید، مثل هزینه های تولید، نگهداری موجودی، هزینه های پرسنلی، استخدام و اخراج، هزینه های راه اندازی، هزینه های سفارشات عقب افتاده و محدودیت هایی نظیر ظرفیت تولید، ظرفیت انبار و غیره تصمیم گیری نمایند و برنامه تدوین شده را در افق برنامه ریزی مربوطه اساس کار خود قرار دهند. در این حوزه مدل سازی های متنوعی صورت پذیرفته و به تدریج فضای واقعی محیط های تولیدی وارد مدل سازی گشته و مدل های پیچیده تری ارائه گردیده است. یکی از واقعیت های غیرقابل انکار محیط های تولیدی، عدم قطعیت است. عدم قطعیت در همه ارکان تولید از جمله زمان فرآیندهای تولیدی، میزان تقاضا، زمان تدارک تولید، زمان تدارک در زنجیره تأمین، کیفیت محصول، بهره وری و بازده تولید، خرابی سیستم تولیدی و غیره وجود دارد. اولین و مهمترین تأثیری که این عدم قطعیت ها در سیستم های تولیدی می گذارند، برنامه ریزی است. برنامه ریزی قرار است تقاضا، فروش، ظرفیت و بطور کلی رفتار عرضه و تقاضا را در سال آتی پیش بینی نماید و بر اساس این پیش بینی ها راهکارهایی را پیش روی تولیدکننده قرار دهد. چنانچه برنامه ریزی نتواند عدم قطعیت ها را پیش بینی نماید برنامه قابل اطمینانی نخواهد بود. مهمترین چالش رو در روی برنامه ریزی تولید، شناسایی عدم قطعیت ها و انتخاب رویکرد مناسب در مواجهه با این پدیده است. با گسترش شرکت های تولیدی و متنوع تر شدن محصولات به مرور زمان شرکت های تولیدی از حالت منفرد خارج شده و به زنجیره ای از عرضه کنندگان و مصرف کنندگان تبدیل گشته که گاهاً در سرتاسر دنیا پراکنده شده اند و تحت عنوان زنجیره تأمین چند ملیتی شناخته می شوند. برنامه ریزی تولید در چنین وضعیتی دیگر منحصر به یک شرکت منفرد و یا حتی یک مجموعه واحد از قوانین و مقررات نیست و بایستی یک برنامه ریزی تولید ادغامی برای کل زنجیره و بالاخص توسط رهبر و شرکت اصلی این زنجیره بصورت متمرکز صورت پذیرد تا چنین برنامه ای با در نظر گرفتن شرایط تمام حلقه ها، برنامه ای واقع بینانه و قابل اجرا باشد. به عنوان مثال یکی از تأمین کنندگان ممکن است در یک کشور و تأمین کننده دیگر در یک کشور دیگر باشد، مسافت بین کارخانه های تولیدی تا تأمین کنندگان و همینطور مسافت بین تولید کنندگان تا نقاط تقاضا که مستقیماً در زمان تدارک اثر می گذارد، نوع وسیله حمل و نقل و ارتباط تنگاتنگ آن با زمان تدارک و آلودگی های محیطی، قیمت مواد اولیه نزد عرضه کنندگان مختلف و قیمت فروش متفاوت محصولات در نقاط مشتری، ظرفیت و محدودیت های تولیدی کارخانجات، قوانین و مقررات حاکم بر کشورها و مناطق خاص نظیر قوانین زیست محیطی و گمرکی متفاوت، کیفیت و نوع استانداردهای کیفی قابل قبول در مناطق جغرافیایی مختلف، تحریم های سیاسی و غیره همگی فاکتورهایی هستند که در برنامه ریزی، اثر مستقیم می گذارند ضمن اینکه اطلاعات مربوط به همه این فاکتورها دارای نوعی از عدم قطعیت نیز هست. مسئله مهم بعدی نحوه مواجهه با عدم قطعیت است. اینکه چگونه عدم قطعیت را در برنامه ریزی لحاظ کنیم در برنامه تدوین شده تأثیر مستقیم می گذارد. گاهی می توان با فرضی ساده عامل عدم قطعیت را نادیده گرفت و مسئله را کاملاً قطعی حل نمود. گاهی می توان عدم قطعیت را تنها در یکی از فاکتورها لحاظ نمود مثل عدم قطعیت در تقاضا، هرچقدر عدم قطعیت فاکتورهای بیشتری در مدل سازی لحاظ شود واقعیات محیط تولید با دقت بیشتری وارد مدل سازی می گردد و در عین حال پیچیدگی محاسباتی مسئله افزایش می یابد که این امر نیز می تواند در کاربردپذیری مدل در محیط های واقعی تولید اثر گذار باشد. بنابراین می توان نتیجه گیری کرد استفاده از رویکردی که بتواند ضمن حفظ پیچیدگی مسئله در حدی قابل قبول و کاربردپذیر، فاکتورهای بیشتری از عدم قطعیت را لحاظ کند بسیار مطلوب خواهد بود. نتیجه چنین برنامه ای حداقل انحراف از واقعیات است و انتظارات از یک برنامه خوب را ارضا می نماید. در تحقیق حاضر با استفاده از رویکرد برنامه ریزی تصادفی پایدار، مدل های چند هدفه، چند محصولی، چند دوره ای و چندسایتی برنامه ریزی تولید ادغامی در زنجیره های تأمین چند ملیتی (یا گسترده) و چند سطحی به گونه ای توسعه یافته است تا در شرایط عدم قطعیت در تقاضا، زمان تدارک و پارامترهای هزینه ای، ضمن ارائه یک برنامه جامع برای کل موجودیت های زنجیره تأمین یک برنامه انعطاف پذیر و مقاوم در برابر نوسانات و خطاهای غیر قابل اجتناب در تخمین پارامترها ارائه دهد. ضمن آنکه در نظر گرفتن تخفیف مقداری در سفارشات، ارتباط غیر خطی و معکوس بین زمان تدارک و هزینه حمل و نقل، ارتباط بین وسایل حمل و نقل در مسائل زیست محیطی، آموزش کارکنان به عنوان راهکار افزایش بهره وری و در نهایت در نظر گرفتن توابع غیرخطی برای هزینه های کمبود از دیگر ویژگی های مدل های ارائه شده می باشد.

منابع و مراجع

Akinc, U., and Roodman, G.M. (1986) "A new approach to aggregate production planning", IIE Transactions 18, 88- 94. Anderson, E.J., Lagodimos, A.G.(1989)," Service levels in singlestage MRP systems with demand uncertainty", Engineering Costs and Production Economics 17, 125–133. Armacost, R.L., Penlesky, R, J., and Ross, S.C. (1990),"Avoiding problems inherent in spreadsheet-based simulation models: An aggregate planning application", Journal of Production and Inventory Management 31, 62-67. Bai, C., & Sarkis, J. (2010). Green supplier development: analytical evaluation using rough set theory. Journal of Cleaner Production, 18(12), 1200-1210. Baker, K.R., Dixon, P., Magazine, M.J., and Silver, E.A. (1978), "An algorithm for the dynamic lot-size problem with time-varying production capacity constraints", Management Science 24, 1710-1720. Barman, S., and Burch, E.E. (1989), "'The production switching heutristic: A practical revision", International Journal of Production Research 27, 1863-1875. Behnezhad, A.R., and Khoshnevis, B. (1982), "The effects of manufacturing progress function on machine requirements and aggregate planning problems", International Journal of Production Research 20, 309-325. Bellman, R., Zadeh, L. (1970)," Decision making in a fuzzy environment", Management Science 17, 141–164. Ben-Tal, A., Nemirovski, A. (2000), “Robust solutions of linear programming problems contaminated with uncertain data”, Math. Program, 88 411–424, Bergstrom, G.L., and Smith, B.E. (1970), "Multi-item production planning - An extension of the HMMS rule", Management Science 16, B614-B629. Billington, P.J., Mcclain, J.O., Thomas, L.J. (1983)," Mathematical programming approaches to capacity constrained MRP systems: Review, formulation and problem reduction", Management Science 29, 1126–1141. Bishop, G.T. (1957), "On a problem of production scheduling", Operations Research 5, 97-108. Bitran, G., Yanesse, H.(1984)," Deterministic approximation to stochastic production problems", Operations Research 32, 999–1018. Bowman, E.H. (1956), "Production scheduling by the transportation method of linear programming", Operations Reasearch 4, 100-103. Bowman, E.H. (1963), "Consistency and optimality in mapagerial decision making", Management Science 9, 310-321. Büchel, A. (1983), "Stochastic material requirements planning for optional parts", International Journal of Production Research 21, 511–527. Buffa, E.S., and Taubert, W.H. (1967), "Evaluation of direct computer search methods for the aggregate planning problem", Industrial Management Review Fall Issue, 19-28. Burstein, M.C., Nevision, C.H., Carlson, R.C. (1984), "Dynamic lot-sizing when demand timing is uncertain", Operations Research 32, 362–379. Callarman, T.E., Hamrin, R.S. (1983)," A comparison of dynamic lot sizing rules for use in a single stage MRP system with demand uncertainty", International Journal of Operations and Production Management 4, 39–48. Carlson, R.C., Yano, C.A. (1986)," Safety stocks in a MRP. Systems with emergency setups for components", Management Science 32, 403–412. Chang, R.H., and Jones, C.M. (1970), "Production and workforce scheduling extensions", AIIE Transactions 2, 326- 333. Charnes, A., Cooper, W.W., and Mellon, B. (1955), "A model for optimizing production by reference to cost surrogates", Econometrica 23, 307-323. Chu, W., Dyer, JH, (2000), "The determinants of trust in supplier-automaker relationships in the USA, Japan, and Korea", Journal of International Business Studies, 31 (2), pp.259-85 Close, J.F.C. (1968), "A simplified planning scheme for the manufacturer with seasonal demand", Journal of Industrial Engineering 19, 454-462. Coker, J.L. (1985), "Analyzing production switching heuristics for aggregate planning models via an application", Prod. & Inven. Mgmt. 26, 1-13. De Bodt, M.A., Wassenhove, L.N. (1983), " Cost increases due to demand uncertainty in MRP lot sizing", Decision Science 14, 345–362. Deckro, R.F., and Hebert, J.E. (1984), "Goal programming approaches to solving linear decision rule based aggregate production planning models", IIE Transactions 16, 308- 315. Diabat, A., & Govindan, K. (2011). An analysis of the drivers affecting the implementation of green supply chain management. Resources, Conservation and Recycling, 55(6), 659-667. Diks, E.B., De Kok, A.G. (1996), "Multi-echelon systems: a service measure perspective", European Journal of Operational Research 95, 241–263. Dolgui, A., and Ould-Louly M.A., (2002), A model for supply planning under lead time uncertainty, International Journal of Production Economics 78(2), 145-152. Du T.C-T., Wolfe P. M., (2000). Building an active material requirements planning system, International Journal of Production Research, 38(2), 241-252(12) Dzielinski, B.P., Baker, C.T., and Manne, A.S. (1963), "Simulation tests of lot size programming", Management Science 9, 29-258. Ebert, R.J. (1976), "Aggregate planning with learning curve productivity" Management Science 23, 171 - 182. Eilon, S. (1975), "Five approaches to aggregate production planning", AIlE Transactions 7, 118-131. Elmaleh, J., and Eilon, S. (1974), "A new approach to production switching", International Journal of Production Research, 12, 673-681. Eltayeb, K., Zailani, S., & Ramayah, T. (2011). Green supply chain initiatives among certified companies in Malaysia and environmental sustainability. Investigating the outcomes Resources, Conservation and Recycling, 55, 495–506. Eppen, G., Schrage, L. (1981)," Centralized ordering policies in a multi-warehouse system with lead times and random demand", In: Schwarz, L. (Ed.), Multi-Level Production/Inventory Control Systems: Theory and Practice, vol. 16. Studies in Management Science, North-Holland, Amsterdam, pp. 51–67. Eppen, G.D., Martin, R.K., Schrage, L.(1989)," A scenario approach to capacity planning", Operations Research 37, 517–527. Escudero, L.F. (1994). "CMIT, Capacitated Multi-level Implosion Tool", European Journal of Operational Research 76, 511–528. Escudero, L.F., Kamesam, P.V. (1993), "MRP modelling via scenarios", In: Ciriani, T.A., Leachman, R.C. (Eds.), Optimization in Industry. Wiley, New York, pp. 101–111. Escudero, L.F., Kamesam, P.V. (1995), "On solving stochastic production planning problems via scenario modelling", TOP 3, 69–95. Escudero, L.F., Kamesam, P.V., King, A.J., Wets, R.J.B. (1993), "Production planning via scenario modelling", Annals of Operations Research 43, 311–335. Federgruen, A., Zipkin, P. (1984), "Approximation of dynamic, multi-location production and inventory problems", Management Science 30, 69–84. Fetter, R.B. (1962), "A Linear Programming model for long range capacity planning", Management Science 8, 327-334. Florian, M., and Robillard, P. (1971), "An implicit enumeration algorithm for the concave cost network flow problem", Management Science 18, 184-193. Fox, M.S., Barbuceanu, M., Teigen, R. (2000), "Agent-oriented supply chain management", International Journal of Flexible Manufacturing Systems 12, 165–188. Galbraith, J., (1973), "Designing Complex Organizations", Addison-Wesley, Reading, MA. Gallego,G.,(2001),lecturenote,IEOR4000:ProductionManagement,Lecture5 /http://columbia.edu/_gmg2/4000/pdf/lect_05.pdfS. Ganeshan, R. (1999), "Managing supply chain inventories: a multiple retailer, one warehouse, multiple supplier model", International Journal of Production Economics 59, 341–354. Gaver, D.P. (1961), "Operating characteristics of a simple production, inventory-control model", Operations Research 9, 635-649. Gfrerer, H., Zäpfel, G. (1995), "Hierarchical model for production planning in the case of uncertain demand", European Journal of Operational Research 86, 142–161. Gilgeous, V. (1989), "Modelling realism in aggregate planning: A goal-search approach, International Journal Production Research 27, 1179- 1193. Goodman, D.A. (1973), "A new approach to scheduling aggregate production and work force", AIIE Transactions 5, 135-141. Goodman, D.A. (1974a), "A sectioning search approach to aggregate planning of production and work force", Decision Science 5, 545-563. Goodman, D.A. (1974b), "A goal programming approach to aggregate planning of production and work force", Management Science 20, 1569-1575. Grasso, E.T., Taylor, B.W. (1984), "A simulation-based experimental investigation of supply/timing uncertainty in MRP systems" International Journal of Production Research 22, 485–497. Grubbström, R.W. (1999a), "New developments within MRP theory", Second International Aegean Workshop on the Analysis and Modelling of Manufacturing Systems. 52-61 Grubbström, R.W. (1999b), "A net present value to approach to safety stocks in a multi-level MRP system", International Journal of Production Economics 59, 361–375. Grubbström, R.W., Tang, O. (1999)," Further developments on safety stocks in a MRP system applying Laplace transforms and input–output analysis", International Journal of Production Economics 60–61, 381–387. GUIDE, VDR, JR. (2000), “Production Planning and Control for Remanufacturing: Industry Practice and Research Needs,” Journal of Operations Management, 18(4), 467-483. Gupta, A., Maranas, C.D. (2003), "Managing demand uncertainty in supply chain planning", Computers and Chemical Engineering 27, 1216–1227. Hall, R.W. (1988), "Graphical techniques for planning changers in production capacity", International Journal Production Research 26, 675-689. Hamner, W.C., and Carter, P.L. (1975), "A comparison of alternative production management coefficient decision rules", Decision Science 6, 324-336. Hanssmann, F., and Hess, S.W. (1960), "A Linear Programming approach to production and employment scheduling", Management Technology 1, 46-54. Hax, A.C., Meal, H.C., (1975), " Hierarchical Integration of Production Planning and Scheduling", In: Geisler (Ed.), Logistics: Studies in the Management Science, vol. 1. Elsevier, North Holland. Hax, A.C., and Candea, D. (1984), Production and Inventory Management, Prentice-Hall, Englewood Cliffs, NJ. Hegseth, M.A. (1984), "The challenge of operation yield", Production and Inventory Management 25, 4–10. Ho, C. (1989), "Evaluating the impact of operating environments on MRP system nervousness", International Journal of Production Research 27, 1115–1135. Hoffman, A.J., and Jacobs, W. (1954), "Smooth patterns of production", Management Science l, 86-91. Hojati, M. (2004), "Bridging the gap between probabilistic and fuzzy-parameter EOQ models", International Journal of Production Economics 91, 215–221. Holt, C.C., Modigliani, F., and Simon, H.A. (1955), "A linear decision rule for production and employment scheduling", Management Science 2, 1-30. Holt, C.C., Modigliani, F., and Muth, J.F. (1956), "Derivation of a linear decision rule for production and employment", Management Science 2, 159-177. Hooke, R., and Jeeves, T.A. (1961), "Direct search solution of numerical and statistical problems", Journal of the Association for Computing Machinery 8, 212-229. Hsu, H., Wang, W. (2001), "Possibilistic programming in production planning of assemble-to-order environments", Fuzzy Sets and Systems 119, 59–70. Huang, P.Y., Rees, L.P., Taylor, B.W. (1985), "Integrating the MRP-based control level and the multistage shop level of a manufacturing system via network simulation", International Journal of Production Research 23, 1217–1231. Hwang, C.L., Fan, L.T., and Erickson, L.E. (1967), "Optimum production planning by the maximum principle", Management Science 13, 751-755. Jaikumar, R. (1974), "An operational optimization procedure for production scheduling", Computer & Operation Research l, 191-198. Jamalnia, A. and Soukhakian M. A. (2009), " A hybrid fuzzy goal programming approach with different goal priorities to aggregate production planning", Computers & Industrial Engineering 56, 1474–1486. John, R.S. (1985), "The cost of inflated planned lead times in MRP systems", Journal of Operations Management 5, 119–128. Johnson, S.M. (1957), "Sequential production planning over time at minimum cost", Management Science 3, 435-437. Johnson, S., and Dantzig, G. (1955), "A production smoothing problem", Proceedings of the 2nd Symposium in Linear Programming 151-176. Jones, C.H. (1967), "Parametric Production Planning", Management Science 13, 843-866. Kacprzyk, J., Staniewski, P. (1982), "Long-term inventory policymaking through fuzzy decision-making models", Fuzzy Sets and Systems 8, 117–132. Kadipasaoglu, S.N., Sridharan, V. (1997), "Measurement of instability in multi-level MRP systems", International Journal of Production Research 35, 713–737. Karabuk, S., Wu, D. (1999), "Coordinating strategic capacity planning in the semiconductor industry", Technical Report 99T-11, Department of IMSE, Lehigh University. Karush, W. (1958), "On a class of minimum cost problems", Management Science 4, 136-153. Karush, W., and Vazonyi, A. (1957), "Mathematical programming and service scheduling", Management Science 3, 140-148. Kelle, P., Milne, A. (1999), "The effect of (s,S) ordering policy on the supply chain", International Journal of Production Economics 59, 113–122. Khoshnevis, B., Wolfe, P.M., and Terrell, M.P. (1982), "Aggregate planning models incorporating productivity – An overview", International Journal of Production Research, 20, 555-564. Kira, D., Kusy, M., Rakita, I. (1997), "A stochastic linear programming approach to hierarchical production planning", Journal of the OR Society 48, 207–211. Khoshnevis, B., and Wolfe, P.M. (1983a), "An aggregate production planning model incorporating dynamic productivity: Part 1, Model development", IIE Transactions 15, 111-118. Khoshnevis, B., and Wolfe, P.M. (1983b), "An aggregate production planning model incorporating dynamic productivity: Part 2, Solution methodology and analysis", IIE Transactions 15, 283-295. Klein, M, (1961), "On production smoothing", Management Science 7, 286-293. Koutsoukis, N.S., Dominguez-Ballesteros, B., Lucas, C.A., Mitra, G. (2000), "A prototype decision support system for strategic planning under uncertainty", International Journal of Physical Distribution and Logistics Management 30, 640–660. Kunreuther, H. (1969), "Extensions of Bowman's theory on managerial decision-making", Management Science 15, B415-B439. Kurtulus, I., Pentico, D.W. (1988), "Material requirement planning when there is scrap loss", Production and Inventory Management 29, 18–21. Langenhoff, L.J.G., Zijm, W.H.M. (1990), "An analytical theory of multi-echelon production/distribution systems", Statistica Neerlandica 44, 149–174. Lario, F.C., Rodriguez, A., Garcia, J.P., Escudero, L.F. (2001), "Analysis and definition of scenarios in stochastic programming for supply chain management in the automobile sector", IV Conference on Organization Engineering (CIO 2001), Sevilla (Spain). Laurent, G. (1976), "A note on range programming: Introducing a satisficing range in an L.P.", Management Science 22, 713-716. Lawrence, K.D., and Burbridge, J.J. (1976), "A multiple goal linear programming model for coordinated production and logistics planning", International Journal of Production Research, 14, 215-222. Lee, S.M. (1972), Goal Programming for Decision Analysis, Auerbach, Philadelphia. Lee, W.B., and Khumawala, B.M. (1974), "Simulation testing of aggregate production planning models in an implementation methodology", Management Science 20, 903-911. Lee, S.M., and Moore, L.J. (1974), "A practical approach to production scheduling", Journal of Production and Inventory Management 15, 79-92. Lee, D.R., and Orr, D. (1977), "Further results on planning horizons in the production smoothing problem", Management & Science 23, 490-498. Lee, Y.Y., Kramer, B.A., Hwang, C.L. (1990), " Part-period balancing with uncertainty: a fuzzy sets theory approach", International Journal of Production Research 28, 1771–1778. Lee, Y.Y., Kramer, B.A., Hwang, C.L. (1991), "A comparative study of three lot-sizing methods for the case of fuzzy demand", International Journal of Operations and Production Management 11, 72–80. Leitch, R.A. (1974), "Marketing strategy and the optimal production schedule", Management Science 21,302-312. Lehtimäki, A.K. (1987), "An approach for solving decision problems of master scheduling by utilizing theory of fuzzy sets", International Journal of Production Research 25, 1781–1793. Lippman, S.A., Rolfe, A.J., Wagner, H.M., and Yuan, J.S.C. (1967a), "Optimal production scheduling and employment smoothing with deterministic demands", Management Science 14, 127-158. Lippman, S.A., Rolfe, A.J., Wagner, H.M., and Yuan, J.S.C. (1967b), "Algorithms for optimal production scheduling and employment smoothing", Operations Research, 15, 1011-1029. List G. F., Bryan Wood, Linda K. Nozick, Mark A. Turnquist, Dean A. Jones, Edwin A. Kjeldgaard, Craig R. Lawton, (2003), Transportation Research Part E 39 , 209–227 Lockett, A.G., and Muhlemann, A.P. (1978), "A problem of aggregate scheduling an application of goal programming", International Journal of Production Research, 16, 127-135. Lowe, T.J., Schwarz, L.B. (1983), "Parameter estimation for the EOQ lot-size model: Minimax and expected value choices", Naval Research Logistics Quarterly 30, 367–376. Leung C.H., Chan S.W. (2009), "A goal programming model for aggregate production planning with resource utilization constraint", Computers & Industrial Engineering 56, 1053–1064. Manne, A.S. (1957), "A note on the Modigliani-Hohn production smoothing model", Managemem Science 3, 371- 379. Marlin, P.G. (1986), "A MRP/job shop stochastic simulation model", In: Lev, B. (Ed.), Production Management: Methods and Studies. North-Holland, Amsterdam, pp. 163–172. McClain, J., and Thomas, J. (1977), "Horizon effects in aggregate production planning with seasonal demand", Management Science 23, 728-736. Meij, J.T. (1980), "Separable programming as a solution methodology for aggregate production planning", International Journal of Production Research, 18, 233-243. Mellichamp, J.M., and Love, R.M. (1978), "Production switching heuristics for the aggregate planning problem", Management Science 24, 1242-1251. Melnyk, S.A., Piper, C.J. (1985), "Lead time errors in MRP: The lot-sizing effect", International Journal of Production Research 23, 253–264. Meybodi, M., Foote, B. (1995), "Hierarchical production planning and scheduling with random demand and production failure", Annals of Operations Research 59, 259–280. Miller, W.A., Leung, L.C., Azhar, T.M., Sargent, S. (1997), "Fuzzy production planning model for fresh tomato packing", International Journal of Production Economics 53, 227–238. MirHassani, S.A., Lucas, C., Mitra, G., Messina, E.,Poojari, C.A., (2000). Computational solution of capacity planning models under uncertainty. Parallel Computing 26, 511–538. Modigliani, F., and Hohn, F.E. (1955), "Production planning over time and the nature of the expectation and planning horizon", Econometrica 23, 46-66. Mula, J. (2004), "Models for production planning under uncertainty. Application in a company of the automobile sector", Ph.D (in Spanish), Polytechnic University of Valencia, Spain. ISBN: 84-688-6987-2. Mula, J., Poler, R., Garcia, J.P., Ortiz, A. (2005), "Demand uncertainty effects on first tier suppliers of an automobile industry supply chain", The ICFAI Journal of Supply Chain Management 2 (3), 19–39. Mula, J., Poler, R., Garcia, J.P. (2006), "MRP with flexible constraints: A fuzzy programming approach", Fuzzy Sets and Systems 157, 74–97. Mulvey, J.M., Ruszczynski, A. (1995), "A new scenario decomposition method for large-scale stochastic optimization", Operations Research 43, 477–490. Nelson, R.T. (1966), "Labor assignment as a dynamic control problem", Operations Research 14, 369-376. Oliff, M.D,, and Bruch, E.E. (1985), "Multi-product production scheduling at Owens-Coming Fiberglas", Interfaces 15, 25-34. Oliff, M.D., and Leong, G.K. (1987), "A discrete production switching rule for aggregate planning", Decision Science 18, 582-596. Oliff, M.D., Lewis, H.S., and Markland, R.E. (1989), "Aggregate planning in crew-loaded production environments", Journal of Computers and Operation Research 16, 13-25. O'Grady, P.J., and Byrne, M.D. (1986), "A combined switching algorithm and linear decision rule approach to production planning", International Journal of Production Research, 24, 285-296. Orr, D. (1962), "A random walk production-inventory policy: Rationale and implementation", Management &Science 9, 118-122. Orrbeck, M.G., Schuette, D.R., and Thompson, H.E. (1968), "The effect of worker productivity on production smoothing", Management Science 14, B332-B342. Ould-Loudy, M.A., Dolgui, A. (2004), "The MPS parameterization under lead time uncertainty", International Journal of Production Economics 90, 369–376. Paraskevopoulos, D., Karakitsos, E., Rustem, B. (1991), "Robust capacity planning under uncertainty", Management Science 37, 787–800. Park, K.S. (1987), "Fuzzy-set theoretic interpretation of economic order quantity", IEEE Transactions on Systems, Man and Cybernetics 17, 1082–1084. Petrovic, D. (2001), "Simulation of supply chain behaviour and performance in an uncertain environment", International Journal of Production Economics 71, 429–438. Petrovic, D., Roy, R., Petrovic, R. (1998), "Modelling and simulation of a supply chain in an uncertain environment", European Journal of Operational Research 109, 299–309. Petrovic, D., Roy, R., Petrovic, R. (1999), "Supply chain modelling using fuzzy sets", International Journal of Production Economics 59, 443–453. Porter, B., Mak, K.L., Wong, Y.S. (1995), "Machine requirements planning and workload assignment using genetic algorithms", IEEE International Conference on Evolutionary Computation. Perth, Western Australia, November. Posner, M.E., and Szwarc, W. (1983), "A transportation type aggregate production model with backordering", Management Science 29, 188-199. Rakes, T.R., Franz, L.S., and Wynne, A.J. (1984), "Aggregate production planning using chance-constrained goal programming", International Journal of Production Research 22, 673-684. Remus, W.E. (1978), "Testing Bowman's managerial coefficient theory using a competitive gaming environment", Management Science 24, 827-834. Reynoso, G., Grabot, B., Geneste, L., Verot, S. (2002), "Integration of uncertain and imprecise orders in MRPII", Ninth International Multi-Conference on Advanced Computer Systems, Conference on Production System Design, Supply Chain Management & Logistics, Miedzyzdroje, Pologne, October 23–25. Rinks, D.B. (1981), "A heuristic approach to aggregate production scheduling using linguistic variables", In: Lasker, G.E. (Ed.), Applied Systems and Cybernetics, vol. VI. Pergamon Press, New York, pp. 2877–2883. Rinks, D.B. (1982a), "The performance of fuzzy algorithm models for aggregate planning under differing cost structures", In: Gupta, M.M., Sanchez, E. (Eds.), Fuzzy Information and Decision Processes. North-Holland, Amsterdam, pp. 267–278. Rinks, D.B. (1982b), "A heuristic approach to aggregate planning production scheduling using linguistic variables: Methodology and application", In: Yager, R. (Ed.), Fuzzy Set and Possibility Theory. Pergamon Press, New York, pp. 562–581. Rosling, K. (1989), "Optimal inventory policies for assembly systems under random demands", Operations Research 37, 565–579. Rota, K., Thierry, C., Bel, G. (1997), "Capacity-constrained MRP system: A mathematical programming model integrating firm orders, forecasts and suppliers", Departament d’Automatique, Universite Toulouse II Le Mirail. Saad, G.H. (1982), "An overview of production planning models: Structural classification and empirical assessment", International Journal of Production Research, 20, 105-114. Samanta, B., Al-Araimi, S.A. (2001), "An inventory control model using fuzzy logic", International Journal of Production Economics 73, 217–226. Schild, A. (1959), "On inventory, production and employment scheduling", Management Science 5, 157-167. Schumann Consortium, (1998), "Supply chain uncertainty management network optimization", Esprit Programme. Full Proposal 26267. Schwarz, L,B., and Johnson, R.E. (1978), "An appraisal of the empirical performance of the Linear Decision Rule for aggregate planning", Management Science 24, 844-849. Sethi, S.P., Yan, H., Zang, Q. (2002), "Optimal and hierarchical controls in dynamic stochastic manufacturing systems: A survey", Manufacturing and Service Operations Management 4, 133–170. Sheu, J. B. (2008). Green supply chain management, reverse logistics and nuclear power generation. Transportation Research Part E: Logistics and Transportation Review, 44(1), 19-46. Shi, Y., Haase, C.,(1996). Optimal trade-offs of aggregate production planningwith multiple objective and multi-capacity demand levels. International Journal of Operations and Quantitative Management 2(2),127–143. Singhal, K., and Adlakha, V. (1989), "Cost and shortage trade-offs in aggregate production planning", Decision Science 20, 158-164. Silver, E.A. (1972), "Medium range aggregate production planning: State of the art", Journal of Production and lnventory Management 13, 15-38. Sobel, M.J. (1970), "Smoothing start-up and shut-down costs: Concave case", Management Science 17, 78-91. Sommer, G. (1981), "Fuzzy inventory scheduling", In: Lasker, G.E. (Ed.), Applied Systems and Cybernetics, vol. VI. Academic Press, New York. Soyster, A. L., (1973).“Convex programming with set-inclusive constraints and applications to inexact linear programming”, Oper. Res. 21 1154–1157, Srivastava, S. (2007). Green supply-chain management: A state-of-the-art literature review. International Journal of Management Reviews, 9(1), 53-80. Tang, Ou , and Robert W. Grubbström, (2002), Planning and replanning the master production schedule under demand uncertainty, International Journal of Production Economics, 78(3), 323-334 Taubert, W.H. (1968), "A search decision rule for the aggregate scheduling problem", Management Science 14, 343- 359. Thompson, S.D., Davis, W.J. (1990), "An integrated approach for modeling uncertainty in aggregate production planning", IEEE Transactions on Systems, Man and Cybernetics 20, 1000–1012. Thompson, S.D., Watanabe, D.T., Davis, W.J. (1993), "A comparative study of aggregate production planning strategies under conditions of uncertainty and cyclic product demands", International Journal of Production Research 31, 1957–1979. Tsai, Jung-Fa (2007). An optimization approach for supply chain management models with quantity discount policy, European Journal of Operational Research, 177,982–994 Tsai T. and Sato R., (2004). A UML model of agile production planning and control system, Computers in Industry 53(2), 133-152. Tuite, M.F. (1968), "Merging marketing strategy selection and production scheduling", Journal of Industrial Engineering 19, 76-84. Turksen, I.B. (1988a), "Approximate reasoning for production planning", Fuzzy Sets and Systems 26, 23–37. Turksen, I.B. (1988b), "An approximate reasoning framework for aggregate production planning", In: Turksen, I.B. (Ed.), Computer Integrated Manufacturing, NATO ASI SERIES, vol. 49. Springer, Berlin, pp. 243–266. Van de Panne, C., and Bosje, P. (1962), "Sensitivity analysis of cost coefficient estimates: The case of Linear Decision Rules for employment and production", Management Science 9, 82-107. Van Houtum, G.J., Inderfurth, K., Zijm, W.H.M. (1996), "Materials coordination in stochastic multi-echelon systems", European Journal of Operational Research 95, 1–23. Veinott, A.F. (1964), "Production planning with convex costs: A parametric study", Management Science 10, 441-460. Veinott, A.F. (1969), "Minimum concave-cost solution of leontief substitution models of multi-facility inventory systems", Operations Research 17, 262-291. Vergin, R.C. (1966), "Production scheduling under seasonal demand", Journal of Industrial Engineering 17, 260-266. Vergin, R.C. (1980), "On 'A new look at production switching heuristics for the aggregate planning problem", Management Science 26, 1185-1186. Vollmann, T.E. (1973), "Capacity planning: The missing link", Journal of Production and Inventory Management 14, 61 - 73. Vujosevic, M., Petrovic, D., Petrovic, R. (1996), "EOQ formula when inventory cost is fuzzy", International Journal of Production Economics 45, 499–504. Wacker, J.G. (1985), "A theory of material requirements planning (MRP): An empirical methodology to reduce uncertainty in MRP systems", International Journal of Production Research 23, 807–824. Wang, F., Lai, X., & Shi, N. (2011). A multi-objective optimization for green supply chain network design. Decision Support Systems, 51(2), 262-269. Wang, R., Fang, H. (2001), "Aggregate production planning with multiple objectives in a fuzzy environment", European Journal of Operational Research 133, 521–536. Wang R., Liang T. (2005), "Applying possibilistic linear programming to aggregate production planning", Int. J. Production Economics 98, 328–341. Ward, T.L., Ralston, P.A.S., Davis, J.A. (1992), "Fuzzy logic control of aggregate production planning", Computers and Industrial Engineering 23, 137–140. Welam, U.P. (1976), "Comments on goal programming for aggregate planning", Management Science 22, 708-712. Werners, B. (1987), "An interactive fuzzy programming system", Fuzzy Sets and Systems 23, 131–147. Weston, F.C. (1974), "Mathematical programming and aggregate production planning in a multi-organizational system", Journal of Production and Invenlory Management, 15, 37-44. Wijngaard, J., Wortmann, J.C. (1985), "MRP and inventories", European Journal of Operations Research 20, 281–293. Wilhelm, J. (2000), "Controlling production dynamics—managing uncertainties with automatic production control", International Journal of Production Research 38, 4235–4246. Winters, P.R. (1962), "Constrained inventory rules for production smoothing", Management Science 8, 470-481. Wu, C.C., Chang, N.B., (2004).Corporate optimal production planning with varying environmental costs: A grey compromise programming approach, European Journal of Operational Research, 155,68–95 Wu, D. Ierapetritou, M., (2007). Hierarchical approach for production planning and scheduling under uncertainty, Chemical Engineering and Processing 46, 1129–1140 Xie, J., Zhao, X., Lee, T.S. (2003), "Freezing the master production schedule under single resource constraint and demand uncertainty", International Journal of Production Economics 83, 65–84. Yan, HS., (2001). Hierarchical stochastic production planning for the highest business benefit, Robotics and Computer Integrated Manufacturing, 17(5), 405-419. Yano, C.A. (1987), "Stochastic lead times in two-level assembly systems", IIE Transactions 19, 371–377. Yano, C.A., Lee, H.L. (1995), "Lot sizing with random yields: A review", Operations Research 43, 311–334. Yeh, W. C. & Chuang, M. C. (2011). Using multi-objective genetic algorithm for partner selection in green supply chain problems. Expert Systems with Applications, Article in Press. Yin, G. Zhang, Q. and Badowski G. (2003). Discrete-time singularly perturbed Markov chains: Aggregation, occupation measures, and switching diffusion limit, Adv. in Appl. Probab. 35, , 449-476. Zadeh, L.A. (1965), "Fuzzy sets", Information Control 8, 338–353. Zangwill, W.I. (1966a), "A deterministic multiproduct, multifacility production and inventory model", Operations Research,14, 486-507. Zangwitl, W.I. (1966b), "A deterministic multiperiod production scheduling model with backlogging", Management Science 13, 105-119. Zangwilt, W.I. (1966c), "Production smoothing of economic lot sizes with non-decreasing requirements", Management Science 13, 191-209. Zapfel, G. (1996), "Production planning in the case of uncertain individual demand", Extension for an MRP. International Journal of Production Economics 46–47, 153–164. Zijm, W.H.M. (1992), "Hierarchical production planning and multi-echelon inventory management", International Journal of Production Economics 26, 257–264. Zijm, W.H.M. (2000), "Towards intelligent manufacturing planning and control systems", OR Spektrum 22, 313–345. Zimmermann, H.J., Zysno, P. (1980), "Latent connectives in human decision making", Fuzzy Sets and Systems 4, 37–51. Zhu, Q., & Sarkis, J. (2011). Relationships between operational practices and performance among early adopters of green supply chain management practices in Chinese manufacturing enterprises. Journal of Operations Management, 22(3), 265-289.

کد جاوا و فایل word کامل پایان نامه دستیابی به کیفیت سرویس در شبکه های حسگر بیسیم

لینک دانلود

کد جاوا و فایل word کامل پایان نامه

دستیابی به کیفیت سرویس در شبکه های حسگر بیسیم با استفاده از آتوماتاهای یادگیر سلولی

 

لینک دانلود 

 

فهرست مطالب

چکیده 9 1- مقدمه 10 1-1- شبکه های حسگر بی سیم 10 1-1-1- مسائل مطرح در شبکه های حسگر بی سیم 13 1-1-2- پوشش محیط در شبکه های حسگر بی سیم 15 1-1-3- خوشه بندی در شبکه های حسگر بی سیم 16 1-1-4- تجمیع داده ها در شبکه های حسگر 17 1-2- کیفیت سرویس در شبکه های حسگر بی سیم 18 1-2-1- کیفیت سرویس در شبکه های داده ای سنتی 20 1-2-2- کیفیت سرویس در شبکه های حسگر بی سیم 26 1-3- آتوماتای یادگیر 29 1-3-1- آتوماتای یادگیر 31 1-3-2- معیار‌های رفتار اتوماتای یادگیر 34 1-3-3- الگوریتمهای یادگیری 35 1-3-4- آتوماتای یادگیر با عملهای متغیر 39 1-4- آتوماتای یادگیر سلولی 40 1-4-1- آتوماتای سلولی 40 1-4-2- آتوماتای یادگیر سلولی (CLA) 44 1-4-3- آتوماتای یادگیر سلولی نامنظم (ICLA) 47 1-5- اهداف پایان نامه و ساختار آن 48 2- پوشش محیط در شبکه های حسگر بی سیم با استفاده از آتوماتاهای یادگیرسلولی 50 2-1- مقدمه 50 2-1-1- اشکال مختلف طراحی 51 2-2- دسته بندی مسائل پوشش در شبکه های حسگر 52 2-2-1- پوشش ناحیه ای 53 2-2-2- پوشش نقطه ای 56 2-2-3- پوشش مرزی 57 2-3- روش پوشش CCP 59 2-3-1- فرضیات مسئله 59 2-3-2- تشریح روش 59 2-4- حل مسئله پوشش(k-پوششی ) با استفاده از آتوماتاهای یادگیر 61 2-4-1- فرضیات و مدل مسئله 63 2-4-2- روش تشخیص افزونه بودن نود حسگر 64 2-4-3- شبیه سازی 72 2-5- جمع بندی 79 3- خوشه بندی در شبکه های حسگر بی سیم با استفاده از آتوماتاهای یادگیر سلولی 80 3-1- مقدمه 80 3-2- کارهای انجام شده 83 3-2-1- پروتکل خوشه بندی LEACH 85 3-2-2- پروتکل خوشه بندی HEED 88 3-3- خوشه بندی در شبکه های حسگر بی سیم با استفاده از آتوماتاهای یادگیر سلولی 93 3-3-1- روش خوشه بندی پیشنهادی 94 3-3-2- شبیه سازی 102 3-4- جمع بندی 107 4- تجمیع داده ها در شبکه های حسگر با استفاده از آتوماتاهای یادگیر 108 4-1- مقدمه 108 4-2- کارهای انجام گرفته 109 4-3- تجمیع داده ها در شبکه های حسگر با استفاده از آتوماتاهای یادگیر 112 4-3-1- بیان مسئله و مفروضات آن 113 4-3-2- تشریح روش پیشنهادی 115 4-4- شبیه سازی 119 4-4-1- آزمایش اول 122 4-4-2- آزمایش دوم 122 4-4-3- آزمایش سوم 123 4-5- جمع بندی 125 5- نتیجه گیری 126 6- پیوست اول: شبکه های حسگر بی سیم 127 6-1- تاریخچه شبکه های حسگر 127 6-2- ساختار هر گره حسگر 128 6-2-1- اجزاء درونی یک گره حسگر 128 6-2-2- محدودیتهای سختافزاری یک گره حسگر 130 6-3- پشته پروتکلی 131 6-4- مزایای شبکه های حسگر بیسیم 132 6-5- کاربردهای شبکه های حسگر بیسیم 134 7- پیوست دوم:آتوماتای یادگیرسلولی 138 7-1- تاریخچه آتوماتای یادگیر 138 7-2- معیار‌های رفتار اتوماتای یادگیر 139 7-3- آتوماتای یادگیر با عملهای متغیر 141 7-4- آتوماتای یادگیر تعقیبی 142 7-5- آتوماتای یادگیر سلولی (CLA) 150 7-6- آتوماتای یادگیر سلولی باز(OCLA) 151 7-7- آتوماتای یادگیر سلولی ناهمگام (ACLA) 152 8- پیوست سوم: شرح نرم افزار J-SIM و پیاده سازی الگوریتمهای پیشنهادی با آن 155 8-1- مقدمه 155 8-2- شبیه ساز J-Sim 158 8-2-1- شبیه سازی شبکه های حسگر بی سیم با استفاده از J-sim 158 8-2-2- نصب و اجرا 162 8-3- پیاده سازی الگوریتم خوشه بندی پیشنهادی 163 8-4- پیاده سازی الگوریتم پوشش پیشنهادی 185 8-5- پیاده سازی الگوریتم تجمیع پیشنهادی 190 9- واژه نامه 195 مراجع 199

فهرست شکلها

شکل ‏1 2: یک مدل ساده از QoS 19 شکل ‏1 3: نحوة عملکرد پروتکل RSVP 22 شکل ‏1 4 : اتوماتای یادگیر تصادفی 33 شکل ‏1 5: (الف) همسایگی مور – (ب) همسایگی ون نیومن برای اتوماتای سلولی 42 شکل ‏1 6: قانون 54 47 شکل ‏1 7: آتوماتای یادگیر سلولی نامنظم 48 شکل ‏2 11: محاسبه MaxIteration مناسب جهت بدست اوردن پوشش کامل در شبکه 74 شکل ‏2 12 : مقایسه تعداد نودهای فعال در روشهای پوشش با درجه پوشش یک 75 شکل ‏2 13 : مقایسه تعداد نودهای فعال در روشهای پوشش با درجات پوشش 2 و 3 75 شکل ‏2 14 : مقایسه نسبت میانگین انرژی نودهای فعال نسبت به میانگین انرژی نودهای غیرفعال با درجه پوشش یک 76 شکل ‏2 15 : مقایسه نسبت میانگین انرژی نودهای فعال نسبت به میانگین انرژی نودهای غیرفعال با درجه پوشش دو 76 شکل ‏2 16 : مقایسه نسبت میانگین انرژی نودهای فعال نسبت به میانگین انرژی نودهای غیرفعال با درجه پوشش سه 77 شکل ‏2 17 : مقایسه طول عمر شبکه(زمان از بین رفتن اولین نود) در حالتهای مختلف 78 شکل ‏2 18 : مقایسه میزان انرژی مصرفی در الگوریتم پوشش نسبت به کل انرژی مصرفی 79 شکل ‏3 1: ارتباطات تک گامی و چندگامی بدون خوشه بندی 81 شکل ‏3 2: ارتباطات تک گامی و چندگامی با استفاده از خوشه بندی 82 شکل ‏3 3: شبه کد الگوریتم HEED 93 شکل ‏3 4 : مقایسه تعداد خوشه های ایجاد شده در روشهای مختلف خوشه بندی 104 شکل ‏3 5: مقایسه درصد خوشه های خالی ایجاد شده در روشهای مختلف خوشه بندی 105 شکل ‏3 6: مقایسه نرخ میانگین انرژی سرخوشه ها نسبت به میانگین انرژی نودهای معمولی 105 شکل ‏3 7: مقایسه ضریب تغییرات اندازه خوشه ها در روشهای مختلف خوشه بندی 106 شکل ‏3 8: مقایسه طول عمر شبکه در روشهای مختلف خوشه بندی 107 شکل ‏4 1: محیط حسگری با نواحی A تا F و حسگرهای واقع در آنها 115 شکل ‏4 2: حسگرهای H ,F ,G ,E ,C ,A و J در یک ناحیه واقعند و تشکیل یک ائتلاف می دهند 118 شکل ‏4 3: محیط حسگری به 9 ناحیه مختلف با داده های متفاوت تقسیم بندی شده است 120 شکل ‏4 4: محیط حسگری در زمان 250 دقیقه 120 شکل ‏4 5: محیط حسگری در زمان 500 دقیقه 121 شکل ‏4 6: محیط حسگری در زمان 750 دقیقه 121 شکل ‏4 7: مقایسه تعداد کل بسته های دریافتی توسط نود سینک در روشهای مختلف 122 شکل ‏4 8: مقایسه کل انرژی مصرفی توسط نودها در روشهای مختلف 123 شکل ‏4 9: مقایسه طول عمر شبکه در روشهای مختلف تجمیع 124 شکل ‏4 10: مقایسه میزان انرژی مصرفی در الگوریتم تجمیع نسبت به کل انرژی مصرفی 124 شکل ‏6 1 : اجزاء درونی یک گره حسگر 129 شکل ‏6 2 : پشته پروتکلی شبکه های حسگر 131 شکل ‏6 3 : نمونه کاربردهای شبکه های حسگر بیسیم 135 شکل ‏8 1 : محیط شبکه حسگربی سیم 159 شکل ‏8 2 : مدل یک نود حسگربی سیم 159 شکل ‏8 3 : تنظیم jdk در نرم افزار J-Sim 162 شکل ‏8 4 : اجرای نرم افزار J-Sim 163  

چکیده

کیفیت سرویس در شبکه های حسگر بی سیم نسبت به شبکه های سنتی بسیار متفاوت است. بعضی از پارامترهایی که در ارزیابی کیفیت سرویس در این شبکه ها مورد استفاده قرار می گیرند عبارتند از: پوشش شبکه, تعداد بهینه نودهای فعال در شبکه, طول عمر شبکه و میزان مصرف انرژی. در این پایان نامه سه مسئله اساسی شبکه ها ی حسگر بی سیم مطرح گردیده و با هدف بهبود پارامترهای کیفیت سرویس، برای این مسائل، راه حلهایی کارا با استفاده از روش هوشمند آتوماتاهای یادگیرسلولی ارائه شده است. ابتدا مسئله پوشش محیط در شبکه های حسگر را با استفاده از غیر فعال نمودن نودهای غیر ضروری و فعال نگه داشتن بهینه نودها حل می گردد، تا در مصرف انرژی صرفه جویی به عمل آمده و عمر شبکه افزایش یابد. سپس به مسئله خوشه بندی در شبکه حسگر پرداخته شده و با استفاده از آتوماتاهای یادگیرسلولی, شبکه های حسگر به گونه ای خوشه بندی می شوند که انرژی به صورت یکنواخت در شبکه بمصرف رسیده وعمر شبکه افزایش یابد. پس از آن با استفاده از آتوماتاهای یادگیر یک روش تجمیع داده های محیط حسگری پیشنهاد می گردد که در مصرف انرژی شبکه صرفه جویی به عمل آورده و عمر شبکه را افزایش می دهد. همه روشهای ارائه شده با استفاده از نرم افزار J-Sim شبیه سازی گردیده اند. نتایج شبیه سازی ها نشان دهنده عملکرد بهتر روشهای پیشنهادی نسبت به روشهای مشابه می باشد.

کلمات کلیدی: شبکه های حسگر بی سیم، آتوماتای یادگیر، کیفیت سرویس، پوشش، خوشه بندی، تجمیع داده ها

 

1- مقدمه 1-1- شبکه های حسگر بی سیم

شبکه های حسگر بی سیم جهت جمع آوری اطلاعات در مناطقی که کاربر نمی تواند حضورداشته باشد، مورد استفاده قرار می گیرند. در یک شبکه حسگر، حسگرها به صورت جداگانه مقادیر محلی را نمونه برداری (اندازه گیری) می کنند و این اطلاعات را درصورت لزوم برای حسگرهای دیگر و در نهایت برای مشاهده گر اصلی ارسال می نمایند. عملکرد شبکه این است که گزارش پدیده هایی راکه اتفاق می افتد به مشاهده گری بدهد که لازم نیست از ساختار شبکه و حسگرها به صورت جداگانه و ارتباط آنها چیزی بداند. این شبکه ها مستقل و خودگردان بوده وبدون دخالت انسان کار می کنند. معمولا تمامی گره ها همسان می باشند و عملاً با همکاری با یکدیگر، هدف کلی شبکه را برآورده می‌سازند. هدف اصلی در شبکه های حسگر بی سیم نظارت و کنترل شرایط و تغییرات جوی، فیزیکی و یا شیمیائی در محیطی با محدوده معین، می باشد[1, 2]. شبکه حسگر بی سیم نوع خاصی از شبکه های موردی است. مبحث شبکه های حسگر بی سیم یکی از موضوعات جدید در زمینه مهندسی شبکه و فناوری اطلاعات می باشد. پیشرفتهای اخیر در طراحی و ساخت تراشه های تجاری این امکان را به وجود آورده است که عمل پردازش سیگنال و حس کنندگی در یک تراشه یعنی حسگر شبکه بی سیم انجام گردد، که شامل سیستم های میکروالکترومکانیکی (MEMS) مانند حسگرها، محرک ها و قطعات رادیویی RF می باشد. حسگرهای بی سیم کوچکی تولید شده است که قابلیت جمع ‌آوری داده از فاصله چند صد متر و ارسال داده بین حسگرهای بی سیم به مرکز اصلی را دارا می باشد و با این تکنولوژی اطلاعات دما - نوسانات، صدا، نور، رطوبت، و مغناطیس قابل جمع آوری می باشد که این حسگرهای بی سیم با هزینه کم و اندازه ای کوچک قابل نصب در شبکه های حسگر بی سیم می باشد. اما کوچک شدن حسگرهای بی سیم دارای معایبی نیز می باشد. تکنولوژی نیمه هادی باعث بوجود آمدن پردازنده های سریع با حافظه بالا شده است اما تغذیه این مدارات هنوز هم یک مشکل اساسی است که محدود به استفاده از باطری گردیده است. بخش منبع تغذیه یک بخش مهم و محدود است که در صورتیکه از باطری در این شبکه ها استفاده شود، تعویض باطری ها در حالتی که تعداد نودهای شبکه زیاد باشد کاری سخت و دشوار خواهد بود و نودها به منظور ذخیره و صرفه جویی در مصرف انرژی مجبور به استفاده از ارتباطات برد کوتاه خواهند شد. تفاوت یک حسگر بی سیم کارا و یک حسگر بی سیم که دارای کارایی کم از نظر انرژی است در عملکرد آنها در ساعت ها نسبت به هفته ها می باشد. افزایش اندازه شبکه WSN باعث پیچیدگی مسیریابی وارسال اطلاعات به مرکز اصلی می باشد. اما همچنان مسیریابی و پردازش نیاز به انرژی دارند. بنابراین یکی از نکات کلیدی در توسعه و ارائه الگوریتمهای مسیریابی جدید، کاهش و صرفه جویی در انرژی مصرفی است. بخش های مختلف شبکه های حسگر بی سیم باید شبیه سازی و مدلسازی گردند تا کارآیی آنها مورد بررسی واقع شود. برای اینکار شبکه های حسگر بی سیم به گرافهایی نگاشت می شوند که در این گرافها هر گره مطابق با یک نود در شبکه بوده و هر لبه بیانگر یک پیوند یا کانال ارتباطی بین دو نود در شبکه خواهد بود.اگر ارتباط بین نودها در شبکه دو جهته باشد گراف نگاشت شده بدون جهت خواهد بود و اگر ارتباط بین نود ها در شبکه نا متقارن باشد در آن صورت گراف نگاشت یافته جهتدار خواهد بود. البته مدل ارتباطی بین نودها در شبکه می تواند یک به یک یا یک به همه باشد. فراهم آوردن یک مدل عملی برای حسگرها کار پیچیده و دشواری می باشد که این به خاطر تنوع در انواع حسگرها هم از نظر ساختاری و هم از نظر اصول و اساس کار آنها می باشد. شبکه های حسگر دارای ویژگیهایی منحصر به فرد هستند که این امر باعث شده است تا پروتکل های خاصی برای آنها در نظر گرفته شود. در شبکه های بی سیم حسگر معمولا فقط یک یا دو ایستگاه پایه‌ وجود دارد و تعداد زیادی نودهای حسگر در محیط پخش گردیده اند. به علت محدودیت برد این حسگرها و انرژی باطری خیلی از نودها قادر به ارتباط مستقیم با ایستگاه پایه‌ نمی باشند. اما با تکیه بر نودهای نظیر خود و نودهای حسگر دیگر، به ارتباط با ایستگاه پایه‌ می پردازد که در شبکه های MANET نیز این عمل توسط نودهای معمولی انجام می شود. معماری ارتباطات شبکه های حسگر بی سیم در شکل 1-1 دیده می شود[1]. در شبکه های حسگر بی-سیم، تعداد زیادی گره با امکانات مخابره، پردازش، حس کردن محیط و ... در محیطی با چهارچوب معین پراکنده شده اند. رویداد اتفاق افتاده و یا سوالات پرسیده شده از سوی گره مرکزی و ماموریت محوله به هر گره موجب می شود، ارتباطاتی بین گره ها برقرار شود. اطلاعات رد و بدل شده می‌تواند گزارشی از وضیعت محدوده ای که زیر نظر گره های حسگر می باشد به گره مرکزی و یا درخواستی از سمت گره مرکزی به سمت گره های حسگر باشد. گره مرکزی به عنوان درگاه ارتباطی شبکه حسگر با سایر سیستم ها و شبکه های مخابراتی، در واقع گیرنده نهایی گزارش از گره های حسگر می باشد و بعد از انجام یکسری پردازش ها، اطلاعات پردازش شده را به کاربر ارسال می کند (با استفاده از یک رسانه ارتباطاتی مانند اینترنت، ماهواره و ...). از سوی دیگر، درخواست های کاربر نیز توسط این گره به شبکه انتقال می یابد.

شکل ‏1 1 : معماری ارتباطات شبکه های حسگر بی سیم یک گره حسگر می‌تواند یکی از دو نقش تولید کننده داده‌ها و یا رله کننده داده‌های تولید شده توسط سایر گره‌ها را بر عهده بگیرد. عموماً در شبکه‌های حسگر، اغلب گره‌ها هر دو نقش را به صورت توأم ایفا می‌کنند. برپایی و طراحی ساختار و معماری ارتباطات بین گره های شبکه نیازمند رعایت فاکتورهای مختلف و زیادی از جمله تحمل پذیری خطا، مقیاس پذیری، هزینه تولید، محیط عملیات، توپولوژی شبکه حسگر، محدودیت های سخت افزاری، ابزار و رسانه ارتباط، انرژی مصرفی و ... می باشد. جهت آشنایی بیشتر با شبکه های حسگر بی سیم به پیوست اول مراجعه گردد.

1-1-1- مسائل مطرح در شبکه های حسگر بی سیم

عوامل متعددی در طراحی شبکه های حسگر موثر است و موضوعات بسیاری در این زمینه مطرح است که بررسی تمام آنها در این نوشتار نمی گنجد از این رو تنها به ذکر برخی از آنها بطور خلاصه اکتفا می کنیم. 1-مسیریابی: ماهیت اصلی شبکه های حسگر به این صورت است که کارهایی که انجام می دهند باید به صورت محلی باشد چرا که هر گره تنها می تواند با همسایه های خود ارتباط برقرار کند و اطلاعات کلی و سراسری از شبکه چندان در دسترس نیست (جمع آوری این اطلاعات هزینه و زمان زیادی را مصرف می کند). اطلاعات بدست آمده توسط گره ها، باید با استفاده از تکنیک های مسیریابی، به نحوی به گره مرکزی ارسال گردد. 2- تنگناهای سخت افزاری: هرگره ضمن اینکه باید کل اجزاء لازم را داشته باشد باید بحد کافی کوچک، سبک و کم حجم نیز باشد. در عین حال هر گره باید انرژی مصرفی بسیار کم و قیمت تمام شده پایین داشته و با شرایط محیطی سازگار باشد. اینها همه محدودیت هایی است که کار طراحی و ساخت گره‌های حسگر را با چالش مواجه می کند. ارائه طرح های سخت افزاری سبک و کم حجم در مورد هر یک از اجزای گره بخصوص قسمت ارتباط بی سیم و حسگرها از جمله موضوعات تحقیقاتی است که جای کار بسیار دارد. پیشرفت فن آوری ساخت مدارات مجتمع با فشردگی بالا و مصرف پایین، نقش بسزایی در کاهش تنگناهای سخت افزاری داشته است. 3- تحمل پذیری خطا و قابلیت اطمینان : هر گره ممکن است خراب شود یا در اثر رویدادهای محیطی مثل تصادف یا انفجار بکلی نابود شود یا در اثر تمام شدن منبع انرژی از کار بیفتد. منظور از تحمل‌پذیری یا قابلیت اطمینان این است که خرابی گره ها نباید عملکرد کلی شبکه را تحت تاثیر قرار دهد. در واقع می خواهیم با استفاده از اجزای غیر قابل اطمینان یک شبکه قابل اطمینان بسازیم. 4- توپولوژی: توپولوژی شبکه یکی از مفاهیم اولیه در شبکه های حسگر است که دیگر موارد نظیر مسیریابی و ... بر روی آن تعریف می شود. ساختارهای زیادی در توپولوژی مطرح است که بر اساس اولویت های مختلف و در شرایط متفاوت یکی بر دیگری برتری دارد. از جمله مواردی که در انتخاب یک ساختار تاثیر می گذارد می توان به مصرف انرژی کمتر، تنک بودن ساختار، کم بودن درجه گره، تحمل-پذیری خطا و تداخل اشاره کرد. 5- مقیاس پذیری : شبکه باید هم از نظر تعداد گره و هم از نظر میزان پراکندگی گره ها مقیاس پذیر باشد. بعبارت دیگر شبکه حسگر از طرفی باید بتواند با تعداد صدها، هزارها و حتی میلیون ها گره کار کند و از طرف دیگر، چگالی توزیع متفاوت گره ها را نیز پشتیبانی کند. در بسیاری کاربردها توزیع گره ها تصادفی صورت می گیرد و امکان توزیع با چگالی مشخص و یکنواخت وجود ندارد یا گره ها در اثر عوامل محیطی جابجا می شوند. بنابراین چگالی باید بتواند از چند عدد تا چند صد گره تغییر کند. موضوع مقیاس پذیری به روش ها نیز مربوط می شود برخی روش ها ممکن است مقیاس پذیر نباشند یعنی در یک چگالی با تعداد محدود از گره کار کند. در مقابل برخی روش ها مقیاس پذیر هستند. 6- شرایط محیطی: طیف وسیعی از کاربرد های شبکه های حسگر مربوط به محیط هایی می شود که انسان نمی تواند در آن حضور داشته باشد. مانند محیط های آلوده از نظر شیمیایی، میکروبی، هسته ای و یا مطالعات در کف اقیانوس ها و فضا و یا محیط های نظامی به علت حضور دشمن و یا در جنگل و زیستگاه جانوران که حضور انسان باعث فرار آنها می شود. در هر مورد، شرایط محیطی باید در طراحی گره ها در نظر گرفته شود مثلا در دریا و محیط های مرطوب گره حسگر در محفظه ای که رطوبت را منتقل نکند قرار می‌گیرد. 7- رسانه ارتباطی: در شبکه های حسگر ارتباط گره ها بصورت بی سیم و از طریق رسانه رادیویی، مادون قرمز، یا رسانه‌های نوری صورت می گیرد. در رسانه رادیویی که بیشتر مورد استفاده قرار می گیرد از باندهای مختلف صنعتی، علمی و پزشکی که در اکثر کشورها آزاد است استفاده می شود. تعیین فرکانس در این رسانه با توجه به برخی محدودیت های سخت افزاری، کارائی آنتن و مصرف انرژی است. به خاطر لزوم دید مستقیم بین فرستنده و گیرنده، رسانه مادون قرمز چندان مورد استفاده شبکه های حسگر نیست هرچند ساختن آنها ارزان و آسان است. اخیرا، رسانه نوری به عنوان رسانه ارتباطی مورد توجه قرار گرفته است. از جمله این توجهات می توان به استفاده از آن در ذره غیار هوشمند اشاره کرد[3]. انتخاب رسانه ارتباطی از بین این سه رسانه (رادیویی، مادون قرمز و نوری) با توجه به محدودیت ها و ویژگی های کاربرد مورد نظر از مسائل مطرح در طراحی شبکه های حسگر است. 8- افزایش طول عمر شبکه: طول عمر گره ها بعلت محدودیت انرژی منبع تغذیه کوتاه است. علاوه بر آن در برخی مواقع، موقعیت ویژة یک گره در شبکه مشکل را تشدید می کند. مثلاً گره ای که در فاصله یک قدمی گره مرکزی قرار دارد از یک طرف بخاطر بار کاری زیاد خیلی زود انرژی خود را از دست می دهد و از طرفی از کار افتادن آن باعث قطع ارتباط گره مرکزی با کل شبکه و در نتیجه موجب از کار افتادن شبکه می شود. مشکل تخلیه زود هنگام انرژی در مورد گره های نواحی کم تراکم در توزیع غیر یکنواخت گره ها نیز صدق می کند در اینگونه موارد داشتن یک مدیریت انرژی در داخل گره ها و ارائه راه-حل های انرژی آگاه بطوری که از گره های بحرانی کمترین استفاده را بکند مناسب خواهد بود. با توجه به مطالب بیان شده تمام الگوریتم ها و تکنیک های مورد استفاده در شبکه های حسگر به انرژی بعنوان یک محدودیت جدی نگاه می کنند و سعی می کنند با آگاهی از سطح انرژی مصرفی عمل کنند تا کمترین انرژی مصرف گردد و در نتیجه افزایش طول عمر شبکه حسگر را به دنبال داشته باشد.