نشریه بین المللی مهندسی صنایع و مدیریت تولید

---

کشف الگوهای پنهان و ارزشمند از درون حجم وسیعی از داده­های خام، اخیراً توجه بسیاری از محققان را به خود جلب کرده­است. اغلب روشهای کاوش قوانین تداعی در مرحله اول کار خود کلیه اقلام پرتکرار (ساده و ترکیبی) را از بین تمام اقلام موجود در داده­ها جستجو می­کنند که این امر نیازمند به خواندن مکرر کل داده­ها از دیسک است. در مسائل داده­کاوی، حجم پایگاه داده­های تراکنش معمولاً آنقدر زیاد است که قابل بار شدن در حافظه اصلی نمی­باشند. اما در برخی موارد مانند پایگاه داده­های تحلیلی مربوط به سبدهای خرید یک فروشگاه، با توجه به تعداد نسبتا زیاد اقلام ممکن (کل اجناس فروشگاه) و نیز محدودیت نسبی اندازه تراکنش­ها (اقلام خریداری شده در هر سبد)، احتمال رخداد یک قلم داده (خریداری شدن یک کالای خاص) پایین است. در این مقاله با بهره­گیری از این ویژگی، روشی کارا برای کاوش اقلام پرتکرار در مجموعه داده­هایی از این قبیل ارائه می­دهیم. در روش پیشنهادی، داده­ها تنها یک بار از دیسک خوانده می­شوند و بعد از آن به یک ساختار رمز شده و خلاصه تبدیل می­گردند، بطوریکه اولاً قابل نگهداری در حافظه می­باشند و ثانیاً با توجه به ساختار خاصی که دارند، عملیات شمارش به سریع­ترین نحو ممکن انجام می­گردد و زمان شمارش دفعات تکرار اقلام در هر مرحله کمتر از مرحله قبل می­شود. پس از ارائه الگوریتم، کارایی آن را با استفاده از دو مجموعه از داده­های ساختگی و واقعی ارزیابی کرده و با چند روش کارا که تاکنون ارائه شده­اند، مقایسه می­کنیم.   

---

مهمترین مسئله مطرح برای سرمایه گذاران به خصوص در آغاز فعالیت اقتصادی، مسئله نحوه تخصیص سرمایه به یک یا چند گزینه مختلف سرمایه گذاری است تا ضمن داشتن حداکثر بازده، حداقل ریسک را متحمل شوند. این موضوع در ادبیات اقتصادی به عنوان مسئله انتخاب پرتفولیو مطرح است. این مقاله بر آن است که به ارائه روشی کارا به منظور پشتیبانی از فرد تصمیم گیرنده در انتخاب پرتفولیو مناسب جهت سرمایه گذاری بپردازد. در این مطالعه، انتخاب پرتفولیو مبنی بر مدل میانگین- واریانس- چولگی در نظر گرفته می شود که به منظور تطبیق هر چه بیشتر مدل با دنیای واقعی، بازده های سهام به صورت متغیرهای فازی فرض شده اند. در این مقاله به منظورحل مدل یک الگوریتم هوشمند ترکیبی جهت رسیدن به جوابی بهینه / نزدیک به بهینه ارائه شده است. در روش ارائه شده، از الگوریتم ژنتیک به منظور جستجوی پرتفولیو و از شبکه عصبی مصنوعی آموزش داده شده با شبیه سازی فازی جهت تخمین بازده و ریسک پرتفولیو استفاده می شود. در این الگوریتم به جهت استفاده از شبکه عصبی مصنوعی در تخمین مقادیر، زمان محاسبات به طور قابل ملاحظه ای در مقایسه با استفاده مستقیم از شبیه سازی فازی کاهش یافته است. همچنین در انتها با ارائه چند مثال عددی کارایی الگوریتم پیشنهادی در مقایسه با چند الگوریتم ترکیبی دیگر سنجیده شده است

---

نمودارهای کنترل از جمله مهمترین ابزارهای کنترل آماری فرایندها می‌باشند. طراحی مناسب نمودارهای کنترل نیازمند برآورد مقادیر پارامترهای فرایند با استفاده از داده‌های نمونه‌ای است. برآوردگرهای کلاسیکِ پارامتر‌ها در مدلهایی با مشاهدات خودهمبسته، به انواع مختلف مشاهدات دورافتاده حساس بوده و حضور آنها منجر به برآوردهای اریب و تفسیرهای اشتباه در نمودارهای کنترل می‌شود. در روش‌های معمول طراحی نمودارهای کنترل، عموماً از برآوردکننده‌های کلاسیک برای برآورد پارامترهای فرایند استفاده می‌شود که تحت مفروضات خاصی قابل کاربرد بوده و برای فرایند‌ها‌ی آلوده نتایج نامطلوبی را به همراه خواهد داشت. این فرضیات شامل نرمال بودن و عدم آلودگی داده‌ها و نیز استقلال آنها در فرایند می‌باشد. در این مقاله از روشی تحت عنوان برآورد سریع فیلترشده‌ی استوارِ تکراری (IRFFT)که روشی مطلوب و غیرحساس به آلودگی است برای برآورد پارامترهای مدل‌های اتورگرسیو و طراحی نمودارهای کنترل استوار برای مشاهدات خودهمبسته استفاده شده‌است. نمودار کنترل استوار IRFFT طراحی‌‌شده با نمودار کنترل برپایه‌ی برآورد حداقل مربعات بر اساس یکی از مهمترین معیارهای ارزیابی نمودارهای کنترل، متوسط طول دنباله و با داده‌های شبیه‌سازی شده مقایسه شده‌است. نمودار کنترل پیشنهادی بر حسب تمامی معیارهای مورد بررسی، دارای خواص مطلوبی بوده و به راحتی قابل تعمیم به مشاهداتی با هر مدل سری‌زمانی می‌باشد.

---

هدف اصلی تحقیقات صورت گرفته در زمینه‌ی کنترل فرآیند آماری چند متغیره، درنظر گرفتن همبستگی بین چندین مشخصه کیفی برای یک مرحله از فرآیند است. در فاز دوم رویه کنترل فرآیند چندمتغیره با استفاده ازحدود کنترلی بدست آمده از فاز اول و مشاهدات آتی، تحت کنترل بودن ادامه فرآیند بررسی می‌شود، یافتننقاط پرتفاز اول قبل از محاسبه حدود کنترلی برای حصول نتیجه مناسبدارای اهمیت بالاست. تکنیک‌های متفاوتی جهت شناسایی این نقاط انحرافی ارائه شده است که اکثر این الگوریتم‌ها به نمونه تصادفی اولیه وابسته می‌باشد که این نقطه شروع تصادفی می‌تواند بر دقت الگوریتم و جواب نهایی مسئله تأثیرگذار باشد. در این مقاله برآوردگری باثبات با استفاده از تکنیک خوشه‌بندی سلسله مراتبی ارائه می‌شود که تحت تأثیر داده‌های انحرافی در نمونه یا داده‌های نامتعارف نسبت به فرضیات مدل قرار نمی‌گیرد و نقاط پرت موجود در فاز اول نمودارهای کنترلی چندمتغیره را شناسایی و حذف می-کند. در نهایت با ایجاد سناریوهای مختلف از نقاط پرت و انحرافی، روش پیشنهادی مورد سنجش قرار گرفته و نتیجه کار با روش‌های هتلینگ کلاسیک و برآوردگر حداقل دترمینان کواریانس مقایسه گردیده است. ارزیابی‌ها نشان می‌دهد که روش پیشنهادی نسبت به تحقیقات قبلی انجام شده در این زمینه، با مدت زمان کمتری، نقاط پرت و انحرافی بیشتری را شناسایی می‌کند.

---

با پذیرش زمان احتمالی برای هر یک از فعالیت های پروژه در شبکه های پرت باید بپذیریم که مسیر بحرانی پروژه نیز ممکن است در طول اجرای آن به دفعات تغییر کند. درصورتیکه این تغییرات چند بار در طول پروژه و آن هم به صورت ناخواسته یا پیش بینی نشده اتفاق بیفتد مدیریت پروژه را دچار بحران جدی می کند و علاوه بر طولانی نمودن زمان پروژه هزینه سنگینی را نیز به ذینفعان آن تحمیل می نماید. هدف این مقاله ارائه الگوریتمی است که به عدم رخداد یا کاهش تغییرات ناخواسته در مسیر بحرانی پروژه کمک می نماید. در این الگوریتم، پس از شناسایی ریسک هر فعالیت و تحلیل کیفی و کمی جهت شناسایی ریسک های مهم و تاثیرگذار، زمان فعالیت ها با توجه به بروز هریک از حالات محتمل ریسک ها محاسبه شده و پس از آن با محاسبه پارامتری به نام MVC بازه ای را که هر فعالیت با قرار گرفتن در آن موجب تغییر مسیر بحرانی می شود، شناسایی کرده سپس با تکنیک های اقتصاد مهندسی و تصمیم گیری نتیجه گیری می شود که آیا در شرایط مختلف پیش بینی شده به مسیر بحرانی اجازه تغییر داده شود یا نه.