پاسخ به:دانلود کتب، جزوات و مقالات علوم ریاضی و آمار
روشهاي موجود براي حل مساله واگذاري براي حالاتي طراحي شده اند كه براي هر واگذاري يك و يا چند هزينه متجانس و يا نامتجانس با مقادير قطعي و دقيق در نظر گرفته شده است. اما در بسياري از مسايل واقعي واگذاري، اکثرا تمام هزينه ها قطعي نبوده و ممكن است به صورت تقريبي باشد. در چنين مواقعي، هزينه ها به صورت فازي بيان مي شوند. در اين مقاله، پس از ارايه و بررسي مساله واگذاري با هزينه هاي نامتجانس فازي، روشي براي حل اين نوع مسايل بر اساس تحليل پوششي داده هاي فازي ارايه مي گردد.
نسخه قابل چاپ
در اين مقاله، ابتدا برخي از ضعف هاي مدل EFQM مورد نقد و بررسي قرار مي گيرد. سپس به کمک ساختار نهاده - ستاده اي حاکم بر مدل و با استفاده از روش تحليل پوششي داده ها روشي براي شناسايي عدم وجود تناسب بين توانمندسازها و نتايج در سازمان ارايه مي گردد.
فرض کنيم L يک مشبکه کراندار و f : G ® L يک تابع باشد. ابرعمل o را روي G به ازاي هر a,b I G، به صورت زير تعريف مي کنيم: .a o b = {g I G | f(a) U f(b) £ f(g)} ما ثابت مي کنيم که اگر G يک زير مشبکه از L باشد، (G,o) يک فضاي اتصال است. همچنين ثابت مي کنيم که اگر A يک گروه آبلي، s: G ® A يک تابع و تصوير G زير مجموعه بسته اي از A باشد، در اين صورت (G,o) يک فضاي اتصال است. که در آن .a o b = {g I G | s(g) = s(a)s(b)} رده بندي موضوعي در رياضيات 20N20
مقدمه: مشکل اساسي در حل مساله بهينه سازي چندهدفي توسط الگوريتم ژنتيک يافتن تابع برازشي (معيار) مناسبي است که افراد (نسل) هر جمعيت را بر مبناي اهداف چندگانه طوري ارزيابي کند که بتواند افراد شايسته اي را براي فضاي توابع هدف معرفي نمايد. هدف: در اين مقاله با استفاده از تحليل پوششي داده ها روشي برنامه ريزي خطي براي رتبه بندي واحدهاي تصميم گيري کاراي راسي و غير راسي پيشنهاد مي گردد. سپس در هر گام الگوريتم ژنتيك براي تعيين نسل شايسته هر جمعيت، از روش رتبه بندي پيشنهادي، استفاده مي کنيم که منجر به اصلاح الگوريتم ژنتيك به عنوان روشي براي حل مسايل بهينه سازي چند هدفي مي گردد. با مثال هاي عددي، روش پيشنهادي براي رتبه بندي واحدهاي تصميم گيري کاراي راسي و غير راسي و الگوريتم ژنتيك اصلاح شده مورد بررسي قرار مي گيرند. روش بررسي: در ارايه روش پيشنهادي براي رتبه بندي واحدهاي تصميم گيري کاراي راسي و غير راسي و اصلاح الگوريتم ژنتيك از مدل هاي برنامه ريزي خطي جديدي از تحليل پوششي داده ها استفاده مي شود. نتايج: در مثال عددي مساله برنامه ريزي چند هدفي، براي اينکه بتوانيم عضو مشخصي را با استفاده از روش هاي آراکاوا و همکاران و يان و همکاران به طرف مرز کارا بكشانيم بايد حداقل 20 الي 30 تكرار از الگوريتم را انجام دهيم تا آن عضو يا عضوهاي توليد شده روي مرز قرار بگيرند. در حالي که با روش پيشنهادي، رسيدن به مرز کارا در يک تکرار انجام مي گردد. نتيجه گيري: روش پيشنهادي ضمن کاستن از تعداد تکرارهاي الگوريتم ژنتيک، برخلاف روش هاي قبلي، مي تواند براي مسايلي با بيش از سه تابع هدف نيز بكار رود.
يکي از موضوعات مهم در آناليز فضايي فازي، پيشگويي يک مقدار نامعلوم در موقعيت هاي مشخص بر اساس بردار مشاهدات فضايي فازي است. با فرض معلوم بودن پارامترهاي ميانگين و کواريانس، پيشگوي بهينه و ميانگين مجذور خطاي پيشگو با استفاده از روشهاي کريگينگ قابل تعيين است، اما وقتي پارامترهاي مدل نامعلوم هستند، معمولا برآوردهاي آنها بعنوان مقادير واقعي در پيشگوي بهينه جايگذاري مي‌شوند، که در اينصورت بهينگي پيشگو مورد ترديد قرار مي‌گيرد. از طرفي تعيين اين پيشگو و ميانگين مجذور خطاي آن عموما دشوار است. لذا در اين مقاله براي رفع مشکل مذکور، با استفاده از رهيافت بيزي کريگينگ فازي را براي پيشگويي مشاهدات فضايي فازي به کريگينگ فازي تعميم داده، سپس کارايي آن در يک مثال کاربردي با روشهاي ديگر پيشگويي فضايي مورد مقايسه قرار مي‌گيرد.
در اين مقاله مساله شبكه جريان چند كالايي با جريان هاي مساوي روي کمان هاي معين مطرح مي شود. قيود تساوي ايجاب مي کند که جريان کمان هاي عضو زير مجموعه هاي معين، براي کالاهاي مجزا و مشخص مساوي باشند. به منظور حل اين مساله ابتدا با استفاده از الگوريتم تخصيص ظرفيت يك جواب شروع، براي مساله به وجود مي آوريم: سپس با استفاده از تكنيك تخفيف لاگرانژين روي قيود کلي يک كران پايين، و بعد با استفاده از الگوريتم سيمپلكس شبكه محاط شده، يک كران بالا را براي مقدار تابع هدف محاسبه مي کنيم آنگاه كران هاي بالا و پايين را تعديل كرده تا به جواب بهينه يا جواب بسيار نزديك به بهينه برسيم.
براي داده هاي فضايي كه بر حسب موقعيت قرار گرفتن آنها در فضاي مورد مطالعه به يكديگر وابسته اند، معمولا روش خودگرداني «بلوك متحرك» به منظور برآورد اندازه هاي دقت برآوردگرها استفاده مي شود. چون در اين روش حضور مشاهدات مرزي در بلوكهاي باز نمونه گيري شده نسبت به ساير مشاهدات شانس كمتري دارند، برآوردگرهاي اندازه هاي دقت اريب خواهند بود. در اين مقاله الگوريتم خودگرداني «بلوك مجزا» براي برآورد اندازه هاي دقت پيشگوي فضايي كريگيدن ارايه مي شود. سپس نشان داده مي شود برآورد اريبي كريگيدن به روش خودگرداني بلوك مجزا نااريب و برآوردگر واريانس كريگيدن سازگار است. نهايتا در يك مطالعه شبيه سازي كارايي روش خودگرداني بلوك مجزا در برآورد اندازه هاي دقت با روش خودگرداني بلوك متحرك مورد مقايسه قرار مي گيرد.
معادلات ديفرانسيل- جبري در بسياري از مدلهاي فيزيكي نقش بسيار مهمي را ايفا مي کنند و از اهميت خاصي برخوردارند. در اين مطالعه پس از بررسي مشکلاتي که در حل عددي معادلات ديفرانسيل- جبري به وجود مي آيد به بررسي روش منظم سازي دنباله اي مي پردازيم که مي تواند براي حل معادلات ديفرانسيل- جبري به فرم هزنبرگ و با انديس دو و سه، استفاده شود. در ادامه معادلات ناوير- استوکس تراکم ناپذير که به طور وسيع در ديناميک سيالات مورد استفاده قرار مي گيرند به عنوان معادلات ديفرانسيل- جبري بررسي و به کمک روش فوق حل عددي مي شوند. يکي از مزيت هاي روش منظم سازي دنباله اي براي حل معادلات ناوير- استوکس، اين است که شرايط اوليه براي فشار لازم نيست و نسبت به روشهاي خطي معادلات را با سختي کمتري حل مي کند. سپس روش منظم سازي دنباله اي پيشگو را براي کاهش حجم محاسبات به کار برده و با روش ذکر شده مقايسه مي کنيم. در پايان نتايج عددي آورده شده است.
معمولا در آناليز رگرسيون فرض بر اين است که خطاهاي الگو مستقل هستند، اما در عمل گاهي با مواردي مانند داده هاي فضايي مواجه مي شويم که خطاهاي مدل همبسته هستند و ساختار همبستگي آنها تابعي از موقعيت قرار گرفتن مشاهدات در فضاي مورد مطالعه است. از اينگونه مدلها که رگرسيون فضايي نام دارند، براي تعيين رويه ها در زمين شناسي، باستان شناسي، همه گير شناسي و پردازش تصاوير استفاده مي شود. در اين مقاله مدل رگرسيون فضايي با خطاهاي خودهمبسته فضايي مرتبه اول با استفاده از رهيافت بيزي مورد بررسي قرار مي گيرد. از آنجا که تعيين توزيع پسين پارامترها دشوار مي باشد، براي برآورد بيزي پارامترها و پيش بيني بيزي مشاهدات از روش MCMC استفاده شده است. سپس نحوه اجرا و کارايي روشهاي ارايه شده در يک مطالعه شبيه سازي براي حجم نمونه و اندازه شبکه هاي مختلف مورد بررسي قرار گرفته است.
در اين مقاله مساله استنباط در مورد پارامتر چولگي در خانواده توزيع چوله نرمال و مشکلات و دشواريهاي آن مورد توجه قرار گرفته است. سپس يک برآوردگر ماکسيمم درستنمايي تقريبي که متکي بر برخي اطلاعات پيشين است، براي پارامتر چولگي پيشنهاد شده است. برآوردگر پيشنهادي بصورت تحليلي و نيز با استفاده از تکنيکهاي شبيه‌سازي مورد ارزيابي قرار گرفته است.
در اين مقاله ابتدا زير مجموعه هاي به هم آميخته از اعداد حقيقي را مورد بررسي قرار مي دهيم. نشان مي دهيم اگر دو زير مجموعه مجزاي A و B از اعداد حقيقي داراي مرز مشترک باشند، در اين صورت A و B به هم آميخته هستند اگر يا A و B شامل بازه هاي غير تهي نباشند، يا اگر شامل بازه هاي غير تهي باشند، نقاط انتهايي بازه ها را نيز در بر گيرند. در ادامه با ارايه تعريفي جديد تحت عنوان مجموعه هاي به هم آميخته نوع دوم، نشان مي دهيم که اگر A و B به هم آميخته باشند آنگاه Ac و Bc يا به هم آميخته اند و يا به هم آميخته نوع دوم. در بخش بعد نشان مي دهيم اگر ¦ يک تابع 2¥ روي I=[0,1] باشد که داراي تنها يک مجموعه -w حدي است، آنگاه اين مجموعه -w حدي يک مجموعه کانتور است. در ادامه شرطي را که تحت آن مجموعه {xII:cardw(x,f)<Ao) در I چگال باشد را مورد بررسي قرار مي دهيم.
يک مدل بيزي سلسه مراتبي براي تحليل جدول هاي پيشايندي 2´2 معرفي و با استفاده از آن به استنباط در باره پارامتر همبستگي، لگاريتم نسبت بخت، پرداخته شده است. براي استخراج نمونه تصادفي از توزيع پسيني لگاريتم نسبت بخت از روش محاسباتي نمونه گير گيبس استفاده شده است. براي آزمون استقلال چگونگي استفاده از مدل بيزي سلسله مراتبي در محاسبه عامل بيزي نيز معرفي و در يك مثال كاربردي به كار برده شده است.
معادله غير خطي شرودينگر (NLS=Non linear Schordinger) يکي از معادلات مطرح در مکانيک کوانتوم است که غالبا جهت توصيف حرکت موجي شکل ذرات کوچک مانند الکترون در هسته اتم به کار مي رود. اين معادله به سه حالت کلي بحراني (critical)، ابر بحراني (super critical) و تقريبا بحراني (sub critical) تقسيم مي شود. در اين مقاله سعي مي شود روش هاي عددي براي حل حالت بحراني معادله شرودينگر (CNLS) در ابعاد مختلف ارايه شود، هم چنين اثرات گسسته سازي در جواب ها مورد بررسي قرار مي گيرد. جواب هاي حاصل از حل عددي CNLS به ازاي بعضي مقادير اوليه در زمان هاي کوچک t تکين مي شود (در رسم جواب ها پاشندگي (Blowup) مشاهده مي شود)، اما با استفاده از تفاضلات متناهي جهت تخمين لاپلاسين موجود در معادله به جايي مي رسيم که معادله گسسته شده تخمين دقيق تري از شکل اصلاح شده CNLS خواهد بود و ثابت مي شود که مي تواند جواب موضعي نيز داشته باشد (وجود جواب موضعي به معناي عدم پاشندگي جواب است). با ايجاد پريشندگي هاي کوچک در شکل معادله اصلي، معادله اصلاح شده حاصل مي شود و به اين ترتيب مي توان از وقوع پاشندگي در جواب هاي حاصل از حل عددي معادله تا حدودي جلوگيري کرد.
در اين مقاله براي اولين بار پياده سازي و اجراي الگوريتم هاي موازي بر روي شبکه هاي مش (Mesh) و فوق مکعبي (Hypercube) براي حل سيستم هاي خطي تاپليتز توسط روش (PCG) Preconditioned Conjugate Gradient ارايه گرديده است. ارزش تمام الگوريتم هاي ارايه شده محا سبه و بهينه بودن آن اثبات مي گردد. همچنين اجراي الگوريتم هاي ارايه شده در نرم افزار PVM) Parallel Virtual Machine) و محاسبه زمان اجراي تکرار و کارايي آنها با توجه به مثال هاي عددي براي ماتريس هاي تاپليتز ارايه شده است.
در اين مقاله، براي اولين بار ابر گروه -gn كامل و ابر گروه -gn* كامل را تعريف مي‌كنيم. ابرگروه H را -gn كامل گوييم در صورتي كه براي هر sISn,(z1,z2,…,zn) داشته باشيم Pni=1zs(i)=g(Pni=1zi). ثابت مي‌كنيم هرگاه H يك ابرگروه -gn كامل باشد آنگاه g*=gn. همچنين، هرگاه H يك ابرگروه -g2 كامل باشد آنگاه H يك ابر گروه كامل است. ابرگروه H يك ابرگروه -gn* كامل است در صورتي كه داشته باشيم g*n¹gn-1*, gn*=g. ثابت مي‌كنيم ابرگروه H يك ابرگروه -g1* كامل است اگر و تنها اگر يك گروه آبلي باشد.
