منابع پایان نامه ارشد با موضوع روش حداقل مربعات، حمل و نقل، هوش مصنوعی، الگوریتم بهینه سازی

دانلود پایان نامه ارشد

از نفت بدست می آید سعی شده است که در این تحقیق چهار محصول مهم فرآورده های سوختی مورد بررسی قرار گیرد.
اهمیت تکنیک های مورد استفاده
انرژي دركنار سايرعوامل توليد، عامل مؤثري در رشد و توسعه اقتصادي تلقي مي شود و در عملكرد بخش هاي مختلف اقتصادي نقش چشمگيري ايفا مي كند. هدف از اين تحقیق، بررسي كارايي الگوریتم بهینه سازی علف های هرز، شبكه عصبي مصنوعی و الگوریتم بهینه سازی توده ذرّات درپيش بيني مصرف فرآورده های سوختی نفتی كشور است. هر یک از تکنیک های ذکر شده از ابزار های قدرتمند در روش های فرا ابتکاری می باشد که با مقایسۀ خروجی هر یک می توان بهترین تکنیک را در زمینۀ پیش بینی معرفی کرد.
سابقۀ تحقیق (مروری بر مطالعات پیشین)
با توجه به اهميّت نفت به عنوان يك كالاي استراتژيك و تأثير آن بر اقتصاد جهان ، شناخت بازار نفت و ارائة پيش‌بيني هاي مناسب از وضعيت متغيرهاي اين بازار يكي از چالش هاي مهم علمي در سراسر جهان است. دراين راستا مطالعات متعددي در زمينة پيش بيني متغيرهاي مطرح دراين بازار ازجمله عرضه، تقاضا و قيمت آن انجام گرفته است.
مروری بر مطالعات انجام گرفتۀ داخلی
ابراهيم حيدري ( 1383 )، درمقاله اي با عنوان “پيش بيني تقاضاي انرژي در ايران با استفاده از روش تجزيه” ، ميزان تقاضا يا مصرف نهايي حامل هاي انرژی سه گانه در بخش هاي توليد ي اقتصاد ايران شامل بخش صنعت، كشاورزي، خدمات و حمل و نقل را با استفاده از يك الگوي تجزيه و براي يك دورۀ 15 ساله، در قالب سه گزينۀ نرخ رشد توليد بالا ، پايين و روند، پيش بيني كرده است. نتايج پيش بيني تقاضاي برق و گاز طبيعي نشان مي دهد كه در هر سه گزينه، درطول سالهاي مورد پيش‌بيني، با تشديد مصرف ناشي از عوامل ساختاري و شدت انرژي مواجه هستيم همچنين نتايج نشان دهندۀ صرفه جويي قابل ملاحظه در مصرف فرآورده هاي نفتي، ناشي از كاهش شدت انرژي در گزينه هاي اول و دوم است.
در اين سال كرمانشاهي وآيواميا با استفاده ازشبكه هاي عصبي، مصرف انرژی در ژاپن تا سال 2020 را پيش بيني كردند. آنها از يك شبكۀ سه لايه و الگوريتم پس انتشار استفاده كردند و ورودي هاي شبكه را توليد ناخالص داخلي، جمعيت، تعدادخانوار، تعداد دستگاه تهوية هوا، ميزان آلاينده دي اكسيدكربن، شاخص توليد صنعتي، قيمت نفت و مصرف انرژي در نظر گرفتند.
احمدي قراچه ( 1385 ) ، به پيش بيني ماهيانه قيمت نفت خام با استفاده از شبكه هاي عصبي به صورت تك متغيره پرداخت. او با مقايسه مدل خود با مدل هاي مختلف، چنين نتيجه گيري مي كند كه مدل او، مدل بهتري نسبت به مدل هاي ارائه شدۀ قبلي است.
ابريشمي و همكاران ( 1387 )، از شبكۀ عصبي قواعد، تحليل تكنيكي، شامل ميانگين هاي متحرك كوتاه مدت و بلند مدت، به عنوان ورودي شبكه، طي دوره هاي مختلف بازار، استفاده كردند. در اين بررسي نيز پيش بيني هاي شبكۀ عصبي نسبت به روش سري زماني، از خطاي كمتر و دقت بالاتري برخوردار بود.
شكيبايي و همكارانش (1378)، سعي كردند علاوه بر پيش بيني توليد نفت خام در يازده كشور توليدكننده، با استفاده از دو مدل رگرسيون خطّي وشبكه هاي عصبي، نتايج به دست آمده درهركشور به طور مجزا مقايسه شود. تخمين ها، حاكي از آن است كه شبكه هاي عصبي پيش بيني هاي بهتري نسبت به مدل هاي رگرسيون خطّي ارايه مي كنند.
آذري و همكاران (1387) ، از شبكۀ عصبي مصنوعي به سبب قابليت فوق العادۀ آن در تقليد از نگاشت غيرخطّي ورودي ها به خروجي ها براي پيش بيني كوتاه مدت ميزان مصرف گاز طبيعي شهر تهران استفاده كردند. مقايسۀ نتايج حاصل از پيش بيني با مقادير واقعي مصرف گاز حاكي از آن بود كه دقت مدل در خصوص مصرف روزانه و ماهانه گاز به ترتيب حدود 93 و 99 درصد است. بنابراين، مدل هاي طراحي شده، براي تخمين مصرف گاز شهر تهران بزرگ مناسب است.
مشيري و فروتن (1383)، ابتدا به بررسي آشوب ناك بودن سري زماني قيمت نفت با استفاده از معيارهاي مختلف مي پردازند. پس از تعيين آشوب ناك بودن سري زماني قيمت نفت، به پيش بيني تك متغيّرة قيمت نفت به صورت روزانه، با استفاده از مدل و شبكه هاي عصبي مي پردازند و پس از GARCH و مدل هاي غيرخطّي ARIMA خطّي مقايسة نتايج سه مدل مختلف، بيان مي دارندكه مدل شبكه هاي عصبي كمترين خطاي پيش بيني را ارائه مي دهد.
معيني و همكاران(1385)، در پژوهش خود با در نظر گرفتن اين نكته كه تابع لجستيك ميتواند بازار مبتني بر عرضه وتقاضا را مدل كند، براساس نماي لياپانوف، تابع پوياي لجستيك را بر سري زماني قيمت آتي نفت دربازة زمانی (1380-1378)، برازش كرده اند و از تابع لجستيك حاصل، براي پيش بيني قيمت در روندهاي مختلف استفاده و درنهايت بيان مي كنند كه نتايج بدست آمده با اين روش براي چهار تا شش روز آينده دقت بالايي را نشان مي دهند.
پوركاظمي و همكاران (1384) نيز در مقالة خود به پيش بيني تقاضاي گاز شهري با استفاده از روش شبكه مي پردازند و در نهايت به اين نتيجه مي رسند كه ARIMA هاي عصبي فازي و مدل شبكه هاي عصبي براساس معيارهاي مختلف، پيش بيني هاي با خطاي كمتري را ارائه مي دهد.
پوركاظمي و اسدي ( 1388 ) ، به پيش بيني پوياي قيمت نفت خام با استفاده از شبكه هاي عصبی مصنوعی و اقتصاد سنجی ARIMA پرداختند. نتایج این تحقیق حاکی از آن بود که پیش بینی شبکه های هوش مصنوعی در مقایسه با روش ARIMA دارای خطای کمتر است.
منهاج و همكاران ( 1389 ) ، با استفاده ازشبكه هاي عصبي مصنوعي و با در نظرگرفتن شاخص هاي اقتصادي واجتماعي، تقاضاي انرژي بخش حمل و نقل كشور را در سال هاي 1386 تا 1400پيش بيني كردند. در پژوهش آنها از شبكه هاي عصبي رو به جلو با ناظر براي پيش بيني و از الگوريتم پس انتشار براي آموزش شبكه ها استفاده شد. نتايج حاصل از پيش بيني با اين روش در مقايسه باروش رگرسيون چند متغيّره، نشان دهندۀ خطاي به مراتب كمتري است، به طوري كه درصد ميانگين قدر مطلق خطا از 15 درصد به 6 درصدكاهش يافت.
پوركاظمي، افسر و نهاوندي ( 1384 ) در مطالعه اي به مقايسۀ كارايي دو تكنيك ARIMAو سيستم عصبي- فازي در پيش بيني تقاضاي اشتراك گاز شهري پرداختند. ايشان دراين مطالعه شش معيار ارزيابي عملكرد براي سنجش كارايي الگوهاي فوق درنظرگرفته و نشان دادند كه الگوي غيرخطّي عصبي- فازي درتمامي معيارها از الگوي خطّي كاراتر است. نتايج تجربي اين تحقيق ARIMA نشان مي دهد كه تركيب شبكه هاي عصبي و منطق فازي و ايجاد شبكه هاي عصبي فازي موفقيت آميز بوده و باعث كاهش قابل توجه در خطاي پيش بيني مي شود و نيز از آنجا كه سيستم عصبي – فازي نياز به داده هاي صريح، قطعي و نمونه هاي بزرگ ندارد، مناسب تر و قدرتمند تر از روشهاي كلاسيك پيش بيني است.
در سال 1377 مهندس و همكارانش پس از مشاهدة آماري سرعت ماهيانه و روزانة باد در جدّة عربستان، يك مدل شبكة عصبي را براي پيش بيني سرعت باد طراحي كردند و سپس عملكرد آن را با مدل اتورگرسيو مقايسه نموده اند. همچنين در اين مطالعه، آناليز سري هاي زماني تصادفي به عنوان ابزار سودمندي براي توصيف مدل اتورگرسيو مورد استفاده قرارگرفت. مدل اتورگرسيو از بازة زماني يك ماهه براي پيش بيني ميانگين ماهيانه و از بازة زماني يك روزه براي پيش بيني ميانگين روزانة سرعت باد استفاده مي نمايد.
آزاده ، خاكستاني و صبري( 1388 ) ، در مطالعه اي به بررسي كارايي رگرسيون فازي و رگرسيون سنّتي در شبيه‌سازي و پيش بيني تقاضاي فرآورده هاي نفتي در كشورهاي امريكا، استراليا و ژاپن با استفاده از متغيرهاي توضيحي جمعيت، هزينۀ واردات فرآورده هاي نفتي، توليد ناخالص داخلي و توليد سال قبل فرآورده هاي نفتي پرداخته اند. آنها براي بررسي كارايي اين الگوها از معيار ميانگين مربع درصد خطا استفاده كرده و با روش تحليل واريانس مناسبت رينالگو (رگرسيون فازي ) را انتخاب و مقادير آتي مصرف فرآورده هاي نفتي را پيش بيني كرده اند.
آزاده ، اسدزاده و قنبري ( 1388 ) با استفاده از تكنيك سيستم استنباط عصبي – فازي تطبيقي به پيش بيني كوتاه مدت (روزانه) تقاضاي گاز طبيعي ايران پرداختند. ايشان براي اين منظور يك سيستم عصبي- فازي ايجاد كردند كه ورودي هاي آن روزهاي هفته، تقاضاي گازطبيعي روزقبل، تقاضاي گازطبيعي دو روز قبل و تقاضاي گاز طبيعي همان روز در سال قبل بوده و خروجي آن (متغير وابسته ) تقاضاي روزانه گاز طبيعي بود. ايشان براي بررسي دقت پيش بيني روش پيشنهادي نتايج حاصل از سيستم عصبي- فازي را با نتايج حاصل از تكنيك شبكه هاي عصبي مقايسه كردند. نتايج مطالعه ايشان نشان داد در شرايطي كه مشاهدات رفتار غيرخطّي، نامنظم و پيچيده اي دارند استفاده از سيستم‌هاي عصبي- فازي نتايج بسيار قابل قبولي ارائه مي دهد.
آزاده ، صبري و آزادمنش ( 1390 ) ، در مطالعه اي به تخمين و پيش بيني تقاضاي نفت كشور هاي كانادا ، انگلستان و كره جنوبي با استفاده از سيستم استنباط عصبي – فازي تطبيقي پرداخته اند . ايشان نتايج پيش بيني با تكنيك عصبي-فازي را با تكنيك خودرگرسيو مقايسه كرده اند . در اين مطالعه درمورد هر سه كشور تحت بررسي كارايي بالاي تكنيك سيستم استنباط عصبي- فازي تطبيقي تاييد شده است.
آزاده و همكاران ( 1390 ) ، در مطالعه اي با استفاده از سيستم استنباط عصبي- فازي تطبيقي به پيش بيني بلندمدت تقاضاي انرژي در كشورهاي لوكزامبورگ، ايتاليا، هلند و ايرلند پرداخته اند. ايشان در اين مطالعه از تعداد جمعيت هر كشور و توليد ناخالص داخلي هر كشور به عنوان متغيرهاي توضيحي مدل استفاده كرده و از داده هاي سالهاي 1358 تا 1383 به منظور آموزش سيستم و از داده هاي سال هاي 1384 تا 1386 به عنوان داده هاي آزمون اعتبار پيش‌بيني استفاده كرده اند. ايشان در اين مطالعه با استفاده از الگوي خودرگرسيو به پيش بيني متغيرهاي مستقل براي هر كشور پرداخته و سپس از ميان الگوهاي (سيستم هاي استنباط عصبي- فازي تطبيقي) مختلف با انتخاب بهترين الگو با كمترين ميزان ميانگين مجذور خطا به پيش بيني تقاضاي انرژي در كشورهاي تحت بررسي پرداختند. نتايج اين مطالعه ضمن تأييد قدرت بالاي سيستم استنباط عصبي- فازي تطبيقي نشان مي دهد كه متغير هاي جمعيت و توليد ناخالص داخلي قدرت توضيح دهندگي بالايي براي تخمين تقاضاي انرژي دارند.
ايران منش و همكاران ( 1391 ) ، در مطالعه اي با استفاده از تركيب سيستم استنباط فازي و شبكۀ عصبي مصنوعي به شبيه سازي و پيش بيني تقاضاي انرژي در كشورهاي امريكا و كانادا پرداخته اند. ايشان در اين مطالعه نشان دادند كه استفاده از مفاهيم فازي در مدلسازي سري هاي زماني با رفتار پيچيده و غيرخطّي نتايج بسيار بهتري در مقايسه با ساير روش ها از جمله شبكه هاي عصبي چند لايه خواهد داشت.
غفاري و زارع ( 1388 ) ، در مطالعه اي با عنوان “يك الگوريتم جديد براي پيش بيني نوسانات قيمت با استفاده از تكنيك عصبي- فازي WTIنفت خام مبتني بر محاسبات نرم ” به پيش بيني قيمت نفت خام پرداختند. آنها در اين مطالعه به منظور كاهش اثرات جزء اخلال غير قابل مشاهدۀ كوتاه مدت، از يك الگوريتم غربال گر داده ها استفاده كردند و به منظور راستي آزمايي و مقايسۀ روش پيشنهادي نتايج حاصل از اين تكنيك را با روش هاي ديگر مقايسه كرده و نشان دادندكه نتايج اين تكنيك دربسياري از مواقع از درجه صحّت بالايي برخوردار است.
فخرايي ( 1362 )، تابع مصرف فرآورده هاي نفتي كشور را براي دورۀ 1361-1340 با استفاده از روش حداقل مربعات معمولي (OLS) تخمين زد و مصرف فرآورده هاي نفتي را تا سال 1367 پيش بيني كرد. در اين مطالعه ارتباط بين قيمت حقيقي و درآمد ملي با تقاضاي اين حامل ها به ترتيب منفي و مثبت بود.
اصفهاني ( 1371 )، در مطالعه اي به برآورد تابع تقاضاي فرآورده هاي نفتي ايران تحت روش حداقل مربعات معمولي پرداخته و بازار اين فرآورده ها، اثر يارانه ها و تعيين قيمت اين فرآورده ها را مورد بررسي قرار داده است. در اين مطالعه باتوجه به ضريب منفي و پايين قيمت حقيقي بنزين، سياست افزايش قيمت بنزين، تأثيركمي بر كاهش مصرف دارد.
در سال 1385 آذر و همکاران به مقایسۀ روش های کلاسیک و هوش مصنوعی در پیش بینی شاخص قیمت سهام

پایان نامه
Previous Entries منابع پایان نامه ارشد با موضوع پیش بینی تقاضا، مدل پیش بینی، بازاریابی، انحراف معیار Next Entries منابع پایان نامه ارشد با موضوع بهینه سازی، انحراف معیار، الگوریتم بهینه سازی، توده ذرّات