منابع پایان نامه با موضوع طلاق

خطی
MDA
1
0.859308999
0.73243809
1
0.823207986
2
0.859308984
0.74049319
1
0.823161597
3
0.874006807
0.73866721
1
0.823081541
4
0.933384857
0.69524992
1
0.824374745
5
0.92654288
0.727779623
1
0.824024204
LPT
1
0.94798566
0.79024863
1
0.832040205
2
0.947622687
0.790649196
1
0.832223229
3
0.937001267
0.8344707
1
0.829380907
4
0.912886134
0.852629928
1
0.825153286
5
0.580576381
0.567956209
1
0.819855032
SPT
1
0.772826761
0.790813278
1
0.835359037
2
0.769592127
0.790036375
1
0.835646368
3
0.787366925
0.635222746
1
0.830151407
4
0.698936965
0.843617251
1
0.824475215
5
0.712547965
0.574103342
1
0.823583596
Johnson
1
0.736012841
0.812011552
1
0.816779907
2
0.969933022
0.969754102
1
0.815588571
3
0.983273049
0.835868746
1
0.814709714
4
0.909707847
0.833312212
1
0.815716019
5
0.973501088
0.841125446
1
0.814135766
Mean
0.854616162
0.769822388
1
0.824132417
نتایج به دست آمده برای معیار MSE و RMSE
آموزش
تست
شبکه عصبی فازی
تطبیق پذیر
رگرسیون خطی
شبکه عصبی فازی تطبیق پذیر
رگرسون خطی
MSE
RMSE
MSE
RMSE
MSE
RMSE
MSE
RMSE
MDA
1
8.0127E-15
8.9514E-08
0.008516
0.092283
0.0009
0.0301
0.0029
0.0536
2
8.0127E-15
8.9514E-08
0.008518
0.092295
0.0009
0.0301
0.0028
0.0532
3
8.0156E-15
8.9530E-08
0.008522
0.092313
0.0008
0.0281
0.0028
0.0525
4
7.7422E-15
8.7990E-08
0.008461
0.091984
0.0005
0.0220
0.0038
0.0615
5
7.7383E-15
8.7967E-08
0.008476
0.092067
0.0006
0.0242
0.0035
0.0595
LPT
1
8.5990E-15
9.2731E-08
0.008251
0.090838
0.0008
0.0291
0.0078
0.0886
2
8.5837E-15
9.2648E-08
0.007945
0.089136
0.0008
0.0285
0.0085
0.0921
3
8.5950E-15
9.2709E-08
0.008076
0.089868
0.0008
0.0277
0.0058
0.0759
4
8.9849E-15
9.4789E-08
0.008185
0.090471
0.0007
0.0273
0.0037
0.0609
5
9.0356E-15
9.5056E-08
0.008378
0.091531
0.0004
0.0207
0.0006
0.0249
SPT
1
7.8089E-15
8.8368E-08
0.196182
0.442924
0.0089
0.0945
0.0084
0.0915
2
7.7961E-15
8.8295E-08
0.007916
0.088970
0.0090
0.0946
0.0083
0.0912
3
7.4279E-15
8.6185E-08
0.008203
0.090569
0.0016
0.0399
0.0032
0.0564
4
8.4105E-15
9.1709E-08
0.201784
0.449203
0.0009
0.0304
0.0006
0.0247
5
8.6078E-15
9.2778E-08
0.008360
0.091433
0.0007
0.0266
0.0008
0.0275
Johnson
1
7.6958E-15
8.7726E-08
0.008682
0.093179
0.0102
0.1008
0.0073
0.0852
2
7.6812E-15
8.7643E-08
0.008746
0.093519
0.0003
0.0159
0.0005
0.0216
3
7.6841E-15
8.7659E-08
0.008750
0.093541
0.0002
0.0126
0.0062
0.0000
4
7.4287E-15
8.6190E-08
0.008740
0.093487
0.0009
0.0300
0.0063
0.0795
5
7.7029E-15
8.7766E-08
0.008754
0.093561
0.0002
0.0158
0.0061
0.0783
mean
8.0782E-15
8.9838E-08
0.027472
0.127159
0.00200
0.0364
0.00449
0.05892
در بخش بعدی روی نتایج به دست آمده با استفاده از آزمون ANOVA و مقایسات زوجی تحلیل با در نظر گرفتن معیار RD که در بخش های قبلی تعریف شد، تحلیل آماری انجام می دهیم
نتایج آزمون های آماری مربوط به معیار MSE
1-آموزش: طبق نتایج به دست آمده در جدول (5-5) فرض برابری میانگین ها رد می شود چراکه مقدار P-Value به دست آمده از مقدار در نظر گرفته شده کوچکتر می باشد.آزمون مقایسات زوجی توکی نیز این موضوع را تائید می کند. نتایج مربوط به فاصله اطمینان %95 برای هر دو مدل در بخش نتایج در جدول (5-5) آمده است.
نتایج آماری معیار MSE در فرایند آموزش
One-way ANOVA: ANFIS, Regression
Source DF SS MS F P
Factor 1 1.15479E+26 1.15479E+26 4.41 0.042
Error 38 9.95678E+26 2.62021E+25
Total 39 1.11116E+27
Regression
ANFIS
ANFIS
Regression
2- تست: طبق نتایج به دست آمده در جدول (5-6) فرض برابری میانگین ها رد می شود چراکه مقدار P-Value به دست آمده از مقدار در نظر گرفته شده کوچکتر می باشد.آزمون مقایسات زوجی توکی نیز این موضوع را تائید می کند. نتایج مربوط به فاصله اطمینان %95 برای هر دو مدل در بخش نتایج در جدول (5-6) آمده است.
نتایج آماری معیار MSE در فرایند تست
One-way ANOVA: ANFIS, Regression
Source DF SS MS F P
Factor 1 335.5 335.5 7.70 0.009
Error 38 1656.0 43.6
Total 39 1991.5
Regression
ANFIS
ANFIS
Regression
نتایج آزمون های آماری مربوط به معیار RMSE :
1-آموزش: طبق نتایج به دست آمده در جدول (5-7) فرض برابری میانگین ها رد می شود چراکه مقدار P-Value به دست آمده از مقدار در نظر گرفته شده کوچکتر می باشد.آزمون مقایسات زوجی توکی نیز این موضوع را تائید می کند. نتایج مربوط به فاصله اطمینان %95 برای هر دو مدل در بخش نتایج در جدول (5-7) آمده است.
نتایج آماری معیار RMSE در فرایند آموزش
One-way ANOVA: ANFIS, Regression
Source DF SS MS F P
Factor 1 2.00433E+13 2.00433E+13 27.32 0.000
Error 38 2.78775E+13 7.33618E+11
Total 39 4.79208E+13
Regression
ANFIS
ANFIS
Regression
2- تست: طبق نتایج به دست آمده در جدول (5-8) فرض برابری میانگین ها پذیرفته می شود چراکه مقدار P-Value به دست آمده از مقدار در نظر گرفته شده بزرگتر می باشد.آزمون مقایسات زوجی توکی نیز این موضوع را تائید می کند. نتایج مربوط به فاصله اطمینان %95 برای هر دو مدل در بخش نتایج در جدول (5-8) آمده است.
نتایج آماری معیار RMSE در فرایند تست
One-way ANOVA: ANFIS, Regression
Source DF SS MS F P
Factor 1 2407 2407 0.89 0.352
Error 38 103040 2712
Total 39 105447
Regression
ANFIS
*
ANFIS
Regression
نتایج آزمون های آماری مربوط به معیار R-Square :
1-آموزش: طبق نتایج به دست آمده در جدول (5-9) فرض برابری میانگین ها رد می شود چراکه مقدار P-Value به دست آمده از مقدار در نظر گرفته شده کوچکتر می باشد.آزمون مقایسات زوجی توکی نیز این موضوع را تائید می کند. نتایج مربوط به فاصله اطمینان %95 برای هر دو مدل در بخش نتایج در جدول (5-9) آمده است.
نتایج آماری معیار R-Square در فرایند آموزش
One-way ANOVA: ANFIS, Regression
Source DF SS MS F P
Factor 1 0.3092941 0.3092941 13670.95 0.000
Error 38 0.0008597 0.0000226
Total 39 0.3101538
Regression
ANFIS
ANFIS
Regression
2- تست: طبق نتایج به دست آمده در جدول (5-10) فرض برابری میانگین ها رد می شود چراکه مقدار P-Value به دست آمده از مقدار در نظر گرفته شده کوچکتر می باشد.آزمون مقایسات زوجی توکی نیز این موضوع را تائید می کند. نتایج مربوط به فاصله اطمینان %95 برای هر دو مدل در بخش نتایج در جدول (5-10) آمده است.
نتایج آماری معیار R-Square در فرایند تست
One-way ANOVA: ANFIS, Regression
Source DF SS MS F P
Factor 1 0.08869 0.08869 20.54 0.000
Error 38 0.16409 0.00432
Total 39 0.25278
Regression
ANFIS
ANFIS
Regression
با توجه به عملکرد بهتر مدل شبکه عصبی فازی ارائه شده، به بررسی عملکرد این مدل در میان الگوریتم ها می پردازیم. جدول )5-11( نشان می دهد که برای معیارR-Square در فرایند آموزش همگی الگوریتم ها مقدار یکسانی دارند و برای فرایند تست الگوریتم Johnson عملکرد بهتری دارد. برای معیار MSE در فرایند آموزش الگوریتم Johnson و برای فرایند تست الگوریتم LPT عملکرد بهتری دارد. و در نهایت برای معیار RMSE در فرایند آموزش الگوریتم Johnson و برای فرایند تست الگوریتم LPT عملکرد بهتری دارد.
متوسط مقادیر معیارها برای الگوریتم های در نظر گرفته شده
ANFIS
Train
Test
MSE
RMSE
R-Square
MSE
RMSE
R-Square
MDA
7.9043E-15
8.8903E-08
1
7.3308E-04
2.6900E-02
0.8905105
LPT
8.7596E-15
9.3587E-08
1
7.1827E-04
2.6660E-02
0.8652144
SPT
8.0102E-15
8.9467E-08
1
4.2263E-03
5.7200E-02
0.7482541
Johnson
7.6385E-15
8.7397E-08
1
2.3517E-03
3.5020E-02
0.9144856
جمع بندی
در این فصل مدل شبکه عصبی فازی تطبیق پذیر به منظور پیش بینی ماکزیمم زمان اتمام کارها ارائه شد و نتایج حاصله با نتایج به دست آمده از روش رگرسیون خطی مقایسه شد. نتایج حاصله حاکی از برتری مدل شبکه عصبی فازی تطبیق پذیر است. نتایج آزمون های آماری نیز در اکثر موارد برتری مدل شبکه عصبی فازی تطبیق پذیر را اثبات می کند.
حل مساله مورد مطالعه با رویکرد چند هدفه
مقدمه
در مسائل زمان بندی، تا اواخر دهه ١۹٨۰، در نظرگرفتن یک معیار عملکرد در تابع هدف امری رایج بود. با این وجود در عمل، کیفیت یک برنامه زمان بندی، موضوعی چند بعدی است. برای نمونه، یک شرکت وضعیت تولیدی خود را برمبنای معیارهایی چون: موجودی حین تولید، زمان تحویل سفارش به مشتریان و غیره، مورد ارزیابی قرار می دهد؛ اگر تنها یک معیار درنظر گرفته شود، صرف نظر از این که چه باشد، این احتمال وجود دارد که خروجی نامتوازن شود. اگر تنها سعی بر پایین نگه داشتن موجودی های حین تولید باشد، آنگاه احتمالا برخی از محصولات بسیار دیرتر از موعد تحویلشان تکمیل می شوند؛ به همین ترتیب، اگر هدف اصلی راضی نگه داشتن مشتری از طریق رعایت زمان های تحویل باشد، موجودی حین تولید افزایش خواهد داشت. جهت رسیدن به یک توازن قابل قبول، باید کیفیت جواب از جنبه تمام معیارهای مورد نظر شرکت بررسی شود. این مساله موجب توسعه زمینه زمان بندی چند معیاره شده است. توسعه این نوع مسائل با در دست بودن جواب های مسائل تک معیاره به عنوان پایه، مهیا شده است. برای نمونه، مدل های تک ماشینی که پیش از دهه ١۹٨۰ توسعه یافت، امروزه مدلی پایه برای رسیدن به جواب های مسائل پیچیده تر شده است. با مرور ادبیات زمان بندی، مشخص می شود که در ابتدا، مسائل پیچیده عمدتا به مسائلی اطلاق شده است که در آن منابع و یا ترکیب کارها پیچیده بوده و پیچیدگی مسائل بیش تر مربوط به ساختار مساله بوده است تا معیاری باید بهینه شود؛ اما امروزه، چالش پیش رو در حل مسائل چند معیاره، محاسبه جواب های کارا، تحت عنوان جواب های بهینه پارتو می باشد. این امر به سادگی بهینه سازی یک مساله تک معیاره نمی باشد. بنابراین چند معیاری موجب پیچیدگی بیش تر در بهینه سازی می شود. از این روست که بیش تر مقالات و تحقیقات امروزی در زمینه چگونگی حل این مسائل و با عنوان “چگونه مسائل چند معیاره را بهینه سازی کنیم؟” توسعه می یابند. در این گونه مسائل، تصمیم گیرنده نقش به سزایی دارد.
زمان بندی چند

مطلب مشابه :  منبع پایان نامه درباره برتری جویی

دیدگاهتان را بنویسید