https://jcsai.qom.ac.ir/ نوآوری های نوین در علوم محاسبات و هوش مصنوعی fa daily 1 Sat, 18 Oct 2025 00:00:00 +0330 Sat, 18 Oct 2025 00:00:00 +0330 https://jcsai.qom.ac.ir/article_3853.html در این پژوهش، داده‌های حمل‌ونقل جاده‌ای مسافران استان قم، شامل ویژگی‌هایی نظیر تعداد مسافر، مبدأ و مقصد، مشخصات ناوگان، تاریخ و ساعت حرکت، و شرکت‌های مسافربری، گردآوری و تحلیل شدند. هدف اصلی، پیش‌بینی دقیق تقاضای سفر (تعداد مسافر) و تبیین عوامل مؤثر بر آن با استفاده از روش‌های هوش مصنوعی تفسیرپذیر (XAI) بود. داده‌ها پس از پاک‌سازی و پیش‌پردازش، برای تحلیل توصیفی و تشخیص ناهنجاری با الگوریتم‌های جنگل ایزوله و K نزدیک‌ترین همسایه به‌کار رفتند. برای پیش‌بینی تقاضا، مدل‌های یادگیری ماشین شامل رگرسیون خطی، جنگل تصادفی ، تقویت گرادیان ، تقویت گرادیان سبک ، رگرسیون بردار پشتیبان و شبکه عصبی چندلایه پیاده‌سازی شدند. نتایج نشان داد که مدل‌های مبتنی بر درخت تصمیم، به‌ویژه جنگل تصادفی و تقویت گرادیان سبک ، با ضریب تعیین (R²) بالاتر از 0.88، عملکرد بهتری نسبت به رگرسیون خطی داشتند. برای تبیین مدل‌های برتر، از نمودارهای وابستگی جزئی ( PDP) استفاده شد که نشان داد مسافت سفر رابطه‌ای غیرخطی و معکوس U شکل با تقاضا دارد و در مسافت‌های میانی (200 تا 500 کیلومتر) به اوج می‌رسد. همچنین، نوع ناوگان تأثیری سلسله‌مراتبی و متناسب با ظرفیت آن دارد (اتوبوس با بیشترین تأثیر و تاکسی با کمترین). این یافته‌ها، با ترکیب پیش‌بینی دقیق و تفسیرپذیری مدل‌ها از طریق XAI، ابزارهای لازم را برای بهینه‌سازی تخصیص ناوگان و زمان‌بندی سفرها فراهم می‌کند. https://jcsai.qom.ac.ir/article_3908.html همانطور که می‌دانیم میان دو ساختار گراف، هایپرگراف، و مسائل دنیای واقعی ارتباطی معنادار و کاربردی وجود دارد. هایپرگراف، تعمیم گراف روی یال است، به همین دلیل ساختار پیچیده‌تری نسبت به گراف دارد. بسیاری از تعاریف، مفاهیم و قضایا‌ی نظریه گراف به نظریه هایپرگراف‌ گسترش یافته اند. به دلیل پیچیدگی ظاهری و ساختاری که هایپرگراف نسبت به گراف دارد، بررسی مسائل بر روی آن دشوار است.این امر پژوهشگران را بر آن داشته است تا روش هایی برای تبدیل هایپرگراف به گراف ارائه دهند. به عنوان مثال می‌توان به گراف زمینه‌ی هایپرگراف اشاره کرد. هر هایپرگراف، منحصراً یک گراف زمینه برای خود دارد، اما ممکن است دو هایپرگراف متمایز، دارای یک گراف زمینه باشند. این موضوع ضرورت تعریف گرافی هم ارز با هایپرگراف را مطرح می کند؛ به گونه ای که میان هایپرگراف و گراف متناظر، رابطه ای یک به یک برقرار باشد. در این مقاله، برای هر هایپرگراف دو گراف هم ارز معرفی می‌شود که به ترتیب گراف خوشه ای و گراف پرشین نام دارند. گراف خوشه ای با G و گراف پرشین را با P(H) به نمایش می دهیم. https://jcsai.qom.ac.ir/article_3974.html چکیده: یک مسئله حمل و نقل چهار بعدی با اندازه بزرگ به دلیل تعداد زیاد متغیرها و محدودیت های پیچیده اش، نمی تواند با استفاده از روش های تحلیلی حل شود. لذا ناچاریم که برای حل ان از روش های ایرتحلیلی استفاده کنیم. از معروف ترین و رایج ترین روش های ایر تحلیلی، روش های فرابتکاری هستند. در این مقاله یک الگوریتم فراابتکاری ترکیبی را برای حل مسایل حمل و نقل چهار بعدی با سایز بزرگ طراحی نموده ایم. این الگوریتم ترکیب ماهرانه و نواورانه ای از الگوریتم های ژنتیک و ازدحام ذرات است. الگوریتم طراحی شده را برای یک نمونه مناسب پیاده سازی و اجرا نموده ایم. نحوه اجرا و خروجی ها حکایت از این دارند که الگوریتم طراحی شده در عمل کارامد است. کلمات کلیدی: مساله حمل و نقل ، مساله حمل و نقل چهار بعدی ، روش های فراابتکاری ، الگوریتم ژنتیک ، بهینه سازی ازدحام ذرات. https://jcsai.qom.ac.ir/article_4179.html در فضای تصمیم‌گیری تحت عدم قطعیت، مقایسه و رتبه‌بندی اعداد فازی شهودی همواره به عنوان یکی از چالش‌های اساسی مطرح بوده است. اگرچه روش‌های متعددی در این حوزه وجود دارد، اما اغلب آن‌ها فاقد ارزیابی جامع ویژگی‌های کلیدی مورد نیاز برای مرتب‌سازی مؤثر هستند. این پژوهش با هدف پاسخ به این کاستی، از یک چارچوب پارامتریک نوین برای رتبه‌بندی اعداد فازی شهودی ذوزنقه‌ای در تحلیل ریسک استفاده می‌کند. در این روش، از سطوح برش‌ به عنوان عوامل انعطاف‌پذیر بهره گرفته شده که به تصمیم‌گیرنده امکان تنظیم دقیق سطح پذیرش عدم قطعیت را می‌دهد. تحلیل حساسیت انجام‌شده، توانایی روش در تولید نتایج پایدار و معنادار در سطوح مختلف تصمیم‌گیری را مورد تأیید قرار می‌دهد. کاربرد عملی این چارچوب در یک مطالعه موردی تحلیل ریسک سیستم‌های تولیدی نشان داده شده که در آن ریسک سیستم‌های مختلف ارزیابی و اولویت‌بندی شده است. برجسته‌ترین یافته این پژوهش، همسویی قابل توجه نتایج با روش‌های معتبر پیشین است که نشان از اعتبار و قابلیت اطمینان روش پیشنهادی دارد. این چارچوب تحلیلی می‌تواند به عنوان ابزاری کارآمد در اختیار تصمیم‌گیرندگان حوزه‌های علمی و صنعتی قرار گیرد و مدیریت اثربخش ریسک را در شرایط پیچیده و نامطمئن میسر سازد. اجرای موفق این روش در محیط‌های عملیاتی، گامی رو به جلو در راستار تقویت فرآیندهای تصمیم‌گیری مبتنی بر داده‌های کیفی و نادقیق به شمار می‌آید. https://jcsai.qom.ac.ir/article_4271.html ابرگراف های جهت دار به عنوان تعمیمی از گراف های معمولی، ابزار قدرتمندی برای مدلسازی روابط چند سویه و جهت دار در مسائل پیچیده شبکه ای محسوب می‌شوند. در این ساختارها، بسیاری از مسائل کلاسیک بهینه سازی نظیر یافتن کوتاهترین مسیر و درخت فراگیر کمینه، به صورت مسائل نوین با چالش های نظری و محاسباتی قابل توجه ظاهر می‌شوند، به ویژه زمانی که ابرگراف از نوع غیریکنواخت باشد. در سال های اخیر، پژوهش های متعددی به بررسی جنبه های نظری، الگوریتمی و کاربردی ابرگراف های جهت دار پرداخته اند، با این حال، نبود یک چارچوب منسجم که بتواند همزمان مسائل کوتاهترین ابرمسیر و ابردرخت فراگیر کمینه را در ابرگراف جهت دار به طور کارآمد حل کند، همچنان محسوس است. تمرکز اصلی مقاله بر معرفی و تحلیل گراف های هم ارز با ابرگراف های جهت دار، به عنوان ابزار کلیدی برای تبدیل مسائل بهینه سازی روی ابرگراف ها به مسائل متناظر روی گراف های جهت دار است. این رویکرد، امکان بهره گیری مستقیم از الگوریتم های کلاسیک نظیر الگوریتم دایجسترا و الگوریتم کراسکال را فراهم می‌سازد. نوآوری اصلی این مقاله در یکپارچه سازی کردن نتایج پراکنده‌ی موجود، ارائه‌ی یک چارچوب وزن دهی مناسب برای ابرگراف های جهت دار یکنواخت و غیریکنواخت و تحلیل دقیق نگاشت ابرمسیرها و ابردرخت ها به مسیرها و درخت های متناظر در گراف پرشین جهت دار نهفته است. همچنین، پیچیدگی زمانی الگوریتم های متناظر به صورت تحلیلی بررسی شده و با ارائه‌ی مثال عددی، کارایی و قابلیت تعمیم چارچوب پیشنهادی نشان داده می‌شود. https://jcsai.qom.ac.ir/article_4555.html در نظریه گراف مساله‌های موقعیت عمومی راس و موقعیت عمومی یال به ترتیب به ویژگی مهمی در راس‌ها و یال‌های یک گراف می‌پردازند. حل هرکدام از مساله‌های موقعیت عمومی راس و یال، مجموعه‌ای از دوتایی‌ها را نتیجه می دهد که روی کوتاهترین مسیرهای گراف انتخاب می شوند. ماشین بردار پشتیبان یکی از الگوریتم‌های یادگیری ماشین از نوع نظارت شده می‌باشد. ورودی این الگوریتم مجموعه‌ای از دوتایی‌ها است که الگوریتم، آن‌ها را به دو گروه طبقه‌بندی می‌کند. برای جداسازی خطی راس‌ها در یک گراف ضروری است که مجموعه‌ای از دوتایی‌ها از راس‌ها به عنوان ورودی به الگوریتم ماشین بردار پشتیبان داده شود. حل مساله‌‌ی موقعیت عمومی راس در گراف این ورودی‌ها را تولید می‌کند. در مورد یال‌های گراف هم می توان با حل مساله موقعیت عمومی یال جداسازی خطی یال‌ها را انجام داد. این دو مساله در مطالعات متعددی به صورت جداگانه مورد بررسی قرار گرفته اند ولی تاکنون ارتباطی بین آن‌ها برقرار نشده است. در این مقاله با استفاده از گراف یالی ارتباط بین این دو مساله در کلاس‌هایی از گراف‌ها مورد بحث و بررسی قرار می گیرد. در کلاس های مختلف از گراف ها این ارتباط متفاوت است و الگوریتم کلی برای آن یافت نشده است. با این وجود از ویژگی های هر کلاس از گراف ها می توان برای حل مساله استفاده کرد.