پاورپوینت آنالیز ترکیبی ( اصل جمع ، اصل ضرب فاکتوریل ، جایگشت ، تبدیل ، ترکیب )

اختصاصی از فی دوو پاورپوینت آنالیز ترکیبی ( اصل جمع ، اصل ضرب فاکتوریل ، جایگشت ، تبدیل ، ترکیب ) دانلود با لینک مستقیم و پر سرعت .

پاورپوینتی ژیبا و آموزنده درمورد اصل جمع ، اصل ضرب فاکتوریل ، جایگشت ، تبدیل ، ترکیب و قابل ویرایش

پایان نامه انتخاب خوشه بندی ترکیبی با درنظرگرفتن کیفیت و تنوع

اختصاصی از فی دوو پایان نامه انتخاب خوشه بندی ترکیبی با درنظرگرفتن کیفیت و تنوع دانلود با لینک مستقیم و پر سرعت .

نوع فایل: word 2010

حجم فایل:685 کیلوبایت

تعداد صفحه:69
 
چکیده
انتخاب خوشه­بندی ترکیبی[1] با در نظر گرفتن کیفیت[2] و تنوع[3]به وسیله:
  این موضوع بسیار محتمل است که افرازی موجود باشد که آن افراز از طریق یک معیار پایداری[4] به عنوان یک معیار بد، داوری[5] شود در حالیکه آن افراز یک خوشه بسیار با ارزش[6] یا بیشتر را، شامل شود؛ و بعد آن خوشه کاملا نادیده گرفته می­شود. بنابراین، با الهام گرفتن از ارزیابی افرازها[7]، محققان به تعریف معیارهایی برای ارزیابی خوشه­ها پرداختند. معیارهای پایداری بسیاری مانند اطلاعات متقابل نرمال شده[8] برای اعتبارسنجی یک افراز[9]، پیشنهاد شده­اند. این معیارهای پیشنهاد شده، بر اطلاعات متقابل نرمال شده، بنا می­شوند. اشکال تکنیکی که بطور رایج استفاده می­شود در این مقاله بحث خواهد شد و یک معیار برای ارزیابی وابستگی[10] بین یک خوشه و یک افراز پیشنهاد می­شود که آن معیار، معیار اطلاعات متقابل نرمال و تصحیح شده، ENMI[11]، گفته می­شود. معیار ENMI اشکال معیار اطلاعات متقابل نرمال شده معمولی، NMI[12]، را تصحیح می­کند. همچنین، یک روش خوشه­بندی ترکیبی، که مبتنی بر تجمیع[13] زیرمجموعه­ای از خوشه­های اولیه[14] است، نیز پیشنهاد می­شود. روش پیشنهادی از میانگین ENMI[15] به عنوان معیار برازندگی[16] برای انتخاب تعدادی از خوشه­ها استفاده می­کند. خوشه­هایی که یک آستانه از پیش تعریف شده[17] مربوط به معیار ذکر شده را ارضا کنند، برای شرکت در ترکیب نهایی انتخاب می­شوند. برای ترکیب خوشه­های انتخاب شده مجموعه­ای از شیوه­های تابع توافق[18] بکار گرفته می­شود. یک کلاس از توابع توافق استفاده شده، توابع توافق مبتنی بر همبستگی[19] می­باشد. بخاطر اینکه روش خوشه­بندی انباشت مدرک، EAC[20]، نمی­تواند ماتریس همبستگی[21] را از مجموعه­ای از خوشه­ها بیرون بکشد، EAC توسعه یافته، EEAC[22]، برای ایجاد ماتریس همبستگی از مجموعه خوشه­های انتخاب شده بکار گرفته می­شود. دومین کلاس توابع توافق استفاده شده، بر الگوریتم­های افرازبندی ابر گراف[23] بنا می­شود. کلاس دیگری از توابع توافق استفاده شده، خوشه­های انتخاب شده را به عنوان یک فضای ویژگی[24] جدید در نظر می­گیرد و از یک الگوریتم خوشه­بندی ساده برای استخراج افرازبندی توافقی[25] استفاده می­کند. مطالعات تجربی نشان می­دهد که روش پیشنهادی از ترکیب­هایی که تاکنون شناخته شده­اند بهتر عمل می­کند و ترکیب مناسب­تری از خوشه­بندها را انتخاب می­کند.
واژه­های کلیدی: خوشه­بندی ترکیبی، معیار پایداری، پایداری بهبود یافته[26]، انباشت مدرک[27]، EAC بهبود یافته، ماتریس همبستگی، ارزیابی خوشه[28].

مقدمه
تشخیص الگو[1] تقریبا در تمام زمینه­های علمی استفاده شده است (N. Pattanasri, 2012). با این حال در دهه اخیر شیوه­های ترکیبی به عنوان یک شیوه قدرتمند، تقریبا در تمام زیر رشته­های تشخیص الگو در بین جوامع هوش مصنوعی[2] پدیدار شده­اند و آن اخیرا در رده­بندی نیز مورد توجه قرار گرفته است (R.R. Derakhshani, 2011؛ C.H. Wu, 2011؛ J. Wagner, 2011).
خوشه­بندی داده[3] یا یادگیری بدون نظارت[4] یک مساله پر چالش و مهم می­باشد. هدف خوشه­بندی افراز مجموعه­ای از اشیا بدون برچسب، به گروه­ها یا خوشه­های همگن[5] است (R.O. Duda, et al. 2001). کاربردهای زیادی وجود دارد که از تکنیک­های خوشه­بندی[6] برای کشف ساختارهای موجود در داده­ها استفاده می­کنند مانند داده­کاوی[7] (R.O. Duda, et al. 2001)، بازیابی اطلاعات[8]، قطعه­بندی تصویر[9]، و یادگیری ماشین[10] (A. Fred and A.K. Jain, 2005). در مسائل واقعی[11]، خوشه­ها می­توانند با شکل­­ها، اندازه­ها، درجات پراکندگی داده[12]، و درجات جدایی[13] متفاوت ظاهر شوند. تکنیک­های خوشه­بندی به تعریف یک معیار تشابه[14] بین هر جفت الگو نیاز دارد. به علت فقدان هیچ دانش قبلی درباره شکل­ها و ساختارهای خوشه، انتخاب یک روش خوشه­بندی تخصصی[15] آسان نیست (V. Roth, et al. 2002).
مانند همه زیر رشته­ها در تشخیص الگو و رده­بندی[16]مطالعات ترکیب خوشه[17] نیز در سال­های اخیر گرایش به شیوه­های ترکیبی[18] داشته­اند (K. Faceli, et al. 2006). شیوه­های ترکیب خوشه می­کوشند تا یک راه حل خوشه­بندی مستحکم­تر[19] و بهتر -از طریق آمیختن اطلاعات[20] از چندین افرازبندی داده­ای اولیه[21]- پیدا کنند (.G. Ayad, and M.S. Kamel, 2008). خوشه­بندی ensembles، (C. Domeniconi, and M. Al-Razgan, 2009؛ J. Ghosh, and A. Acharya, 2011؛ R. Ghaemi, et al. 2011)، ****[22]. افراز توافقی باید بهترین افراز نماینده[23]، برای همه خوشه­بندی­های اولیه[24] موجود در ترکیب باشد. افراز توافقی آن افرازی است که یک تابع هدف معین[25] را بهینه می­کند.
به طور عمومی، دو گام اصلی در خوشه­بندی ترکیبی وجود دارد: الف) ایجاد تعدادی افرازبندی ضعیف[26]، ب) تجمیع[27] افرازبندی اولیه بدست آمده. گام نخست ایجاد تعدادی افراز ضعیف می­باشد. بخاطر آنکه هر افرازبندی اولیه­ای یک جنبه پنهان داده[28] را آشکار می­کند، ترکیب­شان می­تواند اشکال­های انفرادیشان[29] را پوشش دهد. بنابراین، نتایج اولیه برای تا حد ممکن متنوع بودن نیاز می­شوند تا اطلاعات بیشتری درباره الگوهای پنهان موجود در داده[30] را ارائه دهد. روش­های بسیاری برای ایجاد تنوع لازم در نتایج اولیه پیشنهاد شده است. برای انجام این کار، ساده­ترین راه استفاده از الگوریتم­های خوشه­بندی مختلف می­باشد. بعضی روش­های دیگر از این راه­ها چنین کاری را انجام می­دهد: مقداردهی اولیه[31] متفاوت، پارامترهای الگوریتمی متفاوت، زیرمجموعه­ای از ویژگی­ها، نگاشت[32] داده به فضاهای ویژگی دیگر (.G. Ayad, and M.S. Kamel, 2008)، نمونه­برداری مجدد داده[33] (B. Minaei-Bidgoli, et al. 2004). در این مقاله نمونه­برداری مجدد، الگوریتم­های پایه متفاوت، مقداردهی اولیه متفاوت و پارامترهای متفاوت برای فراهم کردن تنوع لازم در نتایج اولیه، استفاده می­شوند. دومین گام اصلی در خوشه­بندی ترکیبی، ترکیب[34] افرازبندی­های اولیه حاصل از گام نخست است. جمع کننده مبتنی بر ماتریس همبستگی[35]، یکی از رایج­ترین شیوه­های ترکیب افراز اولیه است که در این مقاله نیز بکار برده می­شود. خوشه­بندی انباشت مدرک (EAC) [36] که نخست توسط فرد و جین[37] پیشنهاد می­شود، افرازهای داده­ای انفرادی[38] موجود در یک خوشه­بندی ترکیبی را، به یک معیار تشابه بین-الگویی جدید[39]، با خلاصه­سازی ساختارهای درون-الگویی[40] مشاهده شده از این خوشه­بندی­ها، نگاشت می­کند. افراز داده نهایی با اعمال روش تک-پیوند[41] با این ماتریس تشابه جدید بدست آورده می­شود(A. Fred and A.K. Jain, 2002).
برای ارزیابی یک خوشه، معیار NMI[42] (اطلاعات متقابل نرمال شده) (A. Fred and A.K. Jain, 2005) ضعف[43]­های زیادی دارد که در (H. Alizadeh, et al. 2011) تشریح شده است. علیزاده و همکاران نسخه دیگری از NMI که روش M
AX نامیده شده را پیشنهاد می­کنند. آنها همچنین نشان دادند که روش MAX نیز اشکال­هایی دارد، بنابراین آنها معیار دیگری که APMM نامیده شده را پیشنهاد می­کنند، که این اسم ابتدای اسامی نویسندگان آن است (H. Alizadeh, et al. 2011). کارهای پیشین از یک اثر نامناسب که در آن خوشه مکمل[44] از روی معیار خوشه ساخنه می­شود، رنج می­برند. بنابراین این مقاله یک معیار جدیدی برای ارزیابی یک خوشه معرفی می­کند که در آن ارزیابی تشابه میانگین مربوط به خوشه، از طریق حذف اثر خوشه مکملش، با خوشه­های دیگر خواسته می­شود.
در این مقاله یک روش خوشه­بندی ترکیبی نیز پیشنهاد می­شود که زیرمجموعه­ای از خوشه­های اولیه را استفاده می­کند. یک معیار اعتبار[45] جدید که stab نامیده می­شود برای ارزیابی خوبی خوشه[46] پیشنهاد می­شود. هر خوشه که یک آستانه[47] از stab را ارضا کند می­تواند برای شرکت در پیدا کردن افراز توافقی در نظر گرفته شود. برای ترکیب خوشه­های انتخابی، مجموعه­ای از روش­های تابع توافق بکار برده می­شوند. یک کلاس از توابع توافق استفاده شده، توابع توافق مبتنی بر همبستگی[48] می­باشد. از آنجا که روش EAC نمی­تواند ماتریس همبستگی را از زیرمجموعه­ای از خوشه­ها بیرون بکشد خوشه­بندی انباشت مدرک توسعه­یافته (EEAC) [49] برای تولید ماتریس همبستگی از زیرمجموعه انتخابی خوشه­ها بکار برده می­شود. دومین کلاس توابع توافق مورد استفاده، بر الگوریتم­های افرازبندی ابرگراف[50] بنا می­شود. کلاس دیگر توابع توافق مورد استفاده، خوشه­های انتخابی را به عنوان یک فضای ویژگی جدید در نظر می­گیرد و الگوریتم خوشه­بندی ساده­ای را برای استخراج افراز توافقی بکار می­برد.
 
پیش زمینه
  هنگامی که هر یک از خوشه­بندی­­های پایه روی زیرداده­ خاصی[51] خوب کار می­کند، خوشه­بندی ترکیبی تلاش می­کند تا به یک افراز توافقی مستحکم، و بطور همزمان بهینه برسد (.G. Ayad, and M.S. Kamel, 2008؛ A. Fred and A. Lourenco, 2008؛ A. Strehl and J. Ghosh, 2002؛ A.P. Topchy, et al. 2003). بطور کلی خوشه­بندی ترکیبی composes of two main parts: الف) استخراج افراز متفاوت زیادی خارج از داده که این قسمت ایجاد تنوع[52] نامیده می­شود و ب) تجمیع آنها در یک افراز توافقی از طریق روشی که تابع توافق نامیده می­شود (این دو قسمت با جزئیات بیشتر در ذیل توصیف می­شود).
استفاده از یک خوشه­بندی پایه با مقداردهی­های اولیه متفاوت منبعی از تولید تنوع مورد نیاز برای یک ترکیب بوده است. در این مسیر الگوریتم k-میانگین[53] بیشترین سهم را برای ایجاد تنوع مورد نیاز در یک ترکیب را دارد (B. Minaei-Bidgoli, et al. 2004؛ B. Minaei-Bidgoli, et al. 2011). بعد از ایجاد ترکیب متنوعی از افراز­های پایه نیاز به بکار گیری یک الگوریتم به منظور تجمیع آنها در یک افراز توافقی می­باشد. این الگوریتم همچنین معمولا بعنوان تابع توافق نیز خوانده می­شود. استفاده از یک ماتریس همبستگی که افراز­های پایه را نمایش می دهد و سپس استخراج یک افراز از آن ماتریس از طریق بکارگیری یک الگوریتم خوشه بندی سلسله مراتبی[54] مانند تک پیوند[55] یکی از رایج­ترین روش­ها می­باشد. روش EAC که بر ماتریس همبستگی بنا می­شود نخست توسط فرد و جین[56] معرفی شد (A. Fred and A.K. Jain, 2002) و خیلی زود یک روش محبوب شد.
توابع توافق دیگر بر الگوریتم­های افرازبندی ابرگراف[57] بنا می­شوند (A. Strehl and J. Ghosh, 2002). استرل و گوش[58] مفهوم افراز توافقی را معرفی کرده­اند. آنها سه تابع توافقی مبتنی بر مفهوم ابرگراف پیشنهاد کرده­اند. آنها ترکیب خوشه بندی­های پایه درون یک ابرگراف را طرح ریزی کرده­اند. رئوس[59] موجود در ابرگراف، نمونه­ها[60] هستند. لبه[61]­های ابرگراف خوشه­ها هستند یعنی لبه­ها ممکن است به بیش از دو راس متصل باشند، بنابراین یک لبه در ابرگراف ابرلبه[62] نامیده می­شود. با روش­های پیشنهاد شده توسط ریاضیدانان برای افراز ابرگره با کمترین برش[63] آنها رئوس یا نمونه­ها را خوشه­بندی کرده­اند. برای کاهش k-برش[64] از ابرگراف به k خوشه تاکنون تعدادی ابتکارات بطور خوب سازمان یافته[65]، برای حل k-روش مساله افرازبندی کمترین-برش[66] معرفی شده­اند. سه الگوریتم ابرگراف، CSPA، HGPA، و MCLA، توصیف خواهد شد.
در CSPA، فضای ویژگی اصلی درآغاز در یک فضای داده­ای همبسته طرح­ریزی می­شود. سپس با درنظر گرفتن این ماتریس بعنوان یک گراف یک الگوریتم مانند METIS بر داده طرح­ریزی شده برای خوشه کردن آنها اعمال می­شود. لازم است گفته شود که METIS الگوریتمی است که یک ابرگراف را به تعدادی جزء[67] افراز می­کند که کمترین برش را دارد. CSPA ساده­ترین روش ابتکاری میان سه روش می­باشد. این روش زمانبرترین[68] آنها نیز می­باشد. الگوریتم HGPA فرض می­کند که رئوس، *************.
الگوریتم METIS بر گراف تعریف شده برای خوشه کردن رئوس یا نمونه های دیتا اعمال می شود. MCLA تلاش می کند تا خوشه­های بدست آمده در افراز­های پایه ترکیب را خوشه­بندی کند. سپس یک مکانیزم مبتنی بر رای­گیری[69] را برای ایجاد افراز توافقی استفاده می­کند. نام دیگر این روش خوشه بندی خوشه[70] می­باشد. خوشه بندی خوشه با استفاده از METIS انجام می­شود. برای جزئیات بیشتر در مورد توابع توافقی مبتنی بر ابرگراف به (A. Strehl and J. Ghosh, 2002)رجوع کنید.
یک طبقه­بندی خوب از توابع توافقی مختلف در شکل (3-1) نشان داده شده است.

فهرست مطالب

  فصل 1: مقدمه  1

 1-1- مقدمه. 2

 فصل 2: پیش زمینه  6

 فصل 3: کار مرتبط   10

 فصل 4: خوشه بندی ترکیبی پیشنهادی   18

 4-1- گام اول: تولید خوشه های اولیه. 20

 4-2- گام دوم: محاسبه پایداری... 21

 4-3- گام سوم: انتخاب مبتنی بر پایداری... 26

 4-4- گام چهارم: تابع توافقی و بدست آوردن افراز نهایی... 27

 فصل 5: نتایج تجربی   32

 5-1- متریک ارزیابی... 33

 5-2- محکها 35

 5-3- تنظیمات آزمایش.... 36

 5-4- نتایج تجربی... 37

 فصل 6: نتایج   46

 مراجع  48

فهرست اشکال

  شکل (3-1) توابع توافقی مختلف.... 12

 شکل (3-2) طرح خوشهبندی ترکیبی پیشنهادی... 17

 شکل (4-1) محاسبه پایداری خوشه 1 افراز در شکل (4-1-الف). ملاحظه افراز در شکل (4-1-ب) از مجموعه مرجع استفاده کننده از روش NMI. 21

 شکل (4-2) محاسبه پایداری خوشه 1 افراز در شکل (4-2-الف). ملاحظه افراز در شکل (4-2-ب) از مجموعه مرجع استفاده کننده از روش Max. 24

 شکل (4-3) محاسبه پایداری خوشه 1 افراز در شکل (4-3-الف). ملاحظه افراز در شکل (4-3-ب) از مجموعه مرجع استفاده کننده از روش APMM. 24

 شکل (4-4) محاسبه پایداری خوشه 1 افراز در شکل (4-4-الف). ملاحظه افراز در شکل (4-4-ب) از مجموعه مرجع استفاده کننده از روش ENMI. 25

 شکل (4-5) محاسبه پایداری خوشه Ci 27

 شکل (4-6) چهار افراز π1 تا π4 از یک مجموعه داده ساده با 12 نقطه دادهای و دو خوشه واقعی از طریق خوشهبندی k-میانگین استخراج میشوند.k پارامتر در k-میانگین به ترتیب 3، 4، 2، و 2 گذاشته میشود. 27

 شکل (4-7) خوشههای استخراج شده از افرازهای شکل (4-6). 28

 شکل (4-8) روشهای مختلف برای انجام گام 4. 30

 شکل (4-9) روشهای مختلف برای خوشبندی ترکیبی... 31

 شکل (5-1) مجموعه داده halfring. 36

 شکل (5-2) محور افقی نشانگر نرخ خوشههای پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر مقدار NMI برای مجموعه داده Wine میباشد. 37

 شکل (5-3) محور افقی نشانگر نرخ خوشههای پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر مقدار NMI میانگینگیری شده روی هر ده مجموعه داده جدول (5-1) میباشد. 38

 شکل (5-4) محور افقی نشانگر نرخ خوشههای پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر مقدار دقت میانگین گیری شده روی هر ده مجموعه داده جدول (5-1) میباشد. 38

 شکل (5-5) محور افقی نشانگر نرخ خوشه های پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر معیار-F میانگین گیری شده روی هر ده مجموعه داده جدول (5-1) میباشد. 39

 شکل (5-6) محور افقی نشانگر نرخ خوشه های پایداری است که با استفاده از روش ENMI انتخاب میشوند. محور عمودی نشانگر میانگین محورهای عمودی در شکل (5-3)، شکل (5-4) و شکل (5-5) میباشد. 40

 شکل (5-7) محور افقی نشانگر نرخ خوشه های پایداری است که انتخاب میشوند. محور عمودی مشابه شکل (5-6) میباشد با این تفاوت که معیار MAX به عنوان معیار پایداری یک خوشه به کار میرود. 41

 شکل (5-8) محور افقی نشانگر نرخ خوشههای پایداری است که انتخاب میشوند. محور عمودی مشابه شکل (5-6) میباشد با این تفاوت که معیار APMM به عنوان معیار پایداری یک خوشه به کار میرود. 42

 شکل (5-9) محور افقی نشانگر نرخ خوشههای پایداری است که انتخاب میشوند. محور عمودی مشابه شکل (5-6) میباشد با این تفاوت که معیار NMI اصلی به عنوان معیار پایداری خوشه به کار میرود. 42

 فهرست جداول

  جدول (5-1) اطلاعات مختصر درباره مجموعه دادههای استفاده شده. 35

 جدول (5-2) دقت افراز توافقی تولید شده با انتخاب خوشه معیارهای NMI و MAX و APMM. 41

 جدول (5-3) نتایج تجربی... 44

مقاله استراتژی توسعه بازاریابی و بازاریابی ترکیبی

اختصاصی از فی دوو مقاله استراتژی توسعه بازاریابی و بازاریابی ترکیبی دانلود با لینک مستقیم و پر سرعت .

عامل دیگری که به افزایش قیمت منجر می شود افزایش تقاضا است: زمانی که شرکتی نمی تواند تمام نیازهای مشتریانش را تامین کند، این عمل می تواند به افزایش قیمت، تولیدات برای مشتریان، یا هر دو عامل منجر شود. شرکتها می توانند قیمتهایشان را به چندین روش با جلوگیری از افزایش هزینه ها افزایش دهند. قیمتها تقریبا می توانند به طور نامعلومی با افت تخفیف و افزایش قیمتهای بسیار بالا در خط تولید افزایش یابند. یا قیمتها علنا سیر صعودی پیدا می کنند. زمانی که قیمت تا پدیدار جرای مشتریان افزایش یافت، شرکت باید از مشاهده قیمت در حال تغییر اجتناب کند. همچنین شرکتها نیاز دارند فکر کنند که چه کسی بار و فشار قیمتهای افزایش یافته را تحمل خواهد کرد. همانطور که کلوگ در مثالی در آغاز فصل اظهار کرد، صبر و حوصله مشتری زیاد است، اما در نهایت از شرکتها یا حتی کل صنایعی که مشاهده می کنند قیمتهای هزینه آنها بیش از حد باشد روگردان خواهند شد. تا جایی که ممکن است، شرکت باید راههای برای برخورد با هزینه های بالا یا تقاضای برون افزایش قیمت در نظر بگیرد. برای مثال، شرکت می تواند شیوه های به صرفه تری برای تولید یا توزیع محصولات خود در نظر بگیرد. همچنین می تواند به جای افزایش قیمت محصول خود را به طور مطلوب عرضه کند، همانطور که کارخانه داران شیرینی غالبا این کار را انجام می دهند. شرکت می تواند اجزا و عوامل ارزانتری را جایگزین کند یا ویژگیهای محصول خاص، بسته بندی، یا خدمات ویژه ارائه دهد. یا می تواند محصولات و خدمات خود را و عناصر قیمتی جداگانه که قبلا قسمتی از عرضه بودند بدون بسته بندی انتقال دهد. به عنوان مثال هم اکنون IBM، تعلیم و مشاوره را به عنوان خدمات جداگانه قیمت گذاری عرضه می کند.

عکس العمل خریدار نسبت به تغییرات قیمت، چه قیمت افزایش بیابد چه کاهش، این عمل روی خریداران، رقبا، توزیع کنندگان و تهیه کنندگان تاثیر خواهد گذاشت، همچنین ممکن است دولت هم در آن سهیم باشد، مشتریها همیشه قیمتها را به شیوه درست و ساده تغییر می کنند. برای مثال چه تصوری داری اگر شرکت سونی به طور ناگهانی قیمتهای کامپیوتر خود را خود به نصف برساند؟ شاید شما فکر کنید این کامپیوترها با مدلهای جدیدتری جایگزین شدند یا نقصی دارند و به خوبی به فروش نمی روند. شاید هم فکر کنید که شرکت سونی تجارت کامپیوتر را کنار گذاشته و ممکن است در این شغل برای تکمیل قسمتهای بعدی به حد کافی باقی نماند، شاید گمان کردید که کیفیت کاهش یافته است. یا تصور کنید قیمت بیشتر از این کاهش خواهد یافت و در نتیجه شرکت هزینه انتظار و بررسی شما را خواهد پرداخت. به طور مشابه، افزایش قیمت، که در نهایت به کاهش فروش منجر می شود، ممکن است معانی مثبتی برای خریداران به دنبال داشته باشد. چه تصوری خواهد داشت اگر شرکت سونی قیمت آخرین مدل کامپیوتر خود را افزایش دهد؟ در ابتدا، شاید فکر کنید که این نمونه خیلی "مهیج" و پر سر و صدا است و ممکن غیرقابل دسترسی باشد مگر اینکه شما خیلی زود نسبت به خریداری آن اقدام کنید. یا شاید فکر کنید این کامپیوتر به طور غیرعادی از ارزش خوبی برخوردار باشد. در مرحله بعد، فکر کنید شرکت سونی حریص است و هزینه حمل و نقل را تقبل خواهد کرد.

این مقاله به صورت  ورد (docx ) می باشد و تعداد صفحات آن 63صفحه  آماده پرینت می باشد

چیزی که این مقالات را متمایز کرده است آماده پرینت بودن مقالات می باشد تا خریدار از خرید خود راضی باشد

مقالات را با ورژن  office2010  به بالا بازکنید

پایان نامه ارزیابی عملکرد به روش ترکیبی AHP،BSC و TOPSIS

اختصاصی از فی دوو پایان نامه ارزیابی عملکرد به روش ترکیبی AHP،BSC و TOPSIS دانلود با لینک مستقیم و پر سرعت .

قالب فایل: Word،

تعداد صفحات: 108صفحه،

بخشی از چکیده:
هدف از  این تحقیق افزایش اثر بخشی و اعتبار BSC از طریق طراحی مدلی جامع جهت کمی سازی BSC  جهت استفاده در سازمان های خدماتی می باشد، بطوری که کاستی های ناشی از ذهنی بودن و توجه گزینشی مدیران (ارزیابان) را در ارزیابی شاخص های عملکرد کاهش داده و یکپارچه سازی ارزیابی را با لحاظ کردن سهم هر شاخص و هر گروه شاخص BSC در دستیابی به اهداف و استراتژی ها فراهم نماید....
با توجه به چهار منظر کارت امتیاز متوازن، در این تحقیق ابتدا زیر معیار ها و شاخص های ارزیابی عملکرد را که در ادبیات مرتبط با ارزیابی عملکرد شرکت ها و سازمان های مختلف استخراج شده به طور خلاصه بیان شده است. سپس 33 زیر معیار متناسب با هر یک از چهار منظر  BSC که با نظر خواهی از خبرگان انتخاب شده آورده شده است. پس از آن اوزان مرتبط با 4 منظر اصلی BSC و زیر معیار های مرتبط با استفاده از فرایند تحلیل سلسله مراتبی (AHP) محاسبه شده و در نهایت ، با استفاده از یکی از ابزار های تصمیم گیری چند معیاره (TOPSIS) ، نمایندگی های شرکت مذکور رتبه بندی شده مشخص گردیده است.

فهرست مطالب:

چکیده
فصل اول
مقدمه
1-1)بیان مساله تحقیق
2-1)  ضرورت و اهمیت انجام تحقیق (اهمیت نظری-اهمیت کاربردی)
3-1)  بیان اهداف تحقیق
4-1)  فرضیات یا سؤالات تحقیق ( بیان روابط بین متغیرهای مورد مطالعه)
5-1) روش تحقیق
6-1) جامعه آماری و قلمرو تحقیق (قلمرو مکانی-زمانی-موضوعی)
7-1)  روش نمونه گیری-اندازه نمونه
8-1) روش و ابزار گردآوری داده ها
9-1)  روش تجزیه تحلیل داده ها
10-1) تعاریف متغیر ها و اصطلاحات تحقیق (نظری-عملیاتی)

فصل دوم
مقدمه
1-2) ارزیابی عملکرد
1-1-2) سیر تحول ارزیابی عملکرد
2-1-2)  تعاریف ارزیابی عملکرد
3-1-2)  ضرورت و اهمیت ارزیابی عملکرد
4-1-2) ابعاد ارزیابی عملکرد
5-1-2) اهداف ارزیابی عملکرد
6-1-2) دیدگاه های سنتی و نوین در ارزیابی عملکرد
7-1-2) فرایند ارزیابی عملکرد
8-1-2) تدوین شاخص ها و ابعاد و محورهای مربوطه و تعیین واحد سنجش آن ها
1-8-1-2) تعیین وزن شاخص ها، به لحاظ اهمیت آن ها و سقف امتیازات مربوطه
2-8-1-2) استانداردگذاری و تعیین وضعیت عملکرد مطلوب شاخص ها برای پایان دوره ارزیابی
3-8-1-2) ابلاغ و اعلان انتظارات و شاخصها به "ارزیابی شونده"
4-8-1-2) سنجش و اندازه گیری و استخراج نتایج
9-1-2)  الگوهای ارزیابی عملکرد سازمانها
1-9-1-2) مدل های مبتنی بر زمان و هزینه
2-9-1-2) ترازیابی
3-9-1-2) خودارزیابی
10-1-2) مدل ها و الگوهای نوین ارزیابی عملکرد
2-2) روش ارزیابی متوازن  (BSC)
1-2-2) معرفی روش ارزیابی متوازن
2-2-2)  روش ارزیابی متوازن و مدیریت استراتژیک
3-2-2) فرآیند تدوین و اجرای روش ارزیابی متوازن
4-2-2) مزایای روش ارزیابی متوازن
5-2-2) بعضی از کاستی های کارت امتیازی متوازن
3-2)  روش تصمیم گیری چند شاخصه
1-3-2) ارزیابی و بررسی مدل های تصمیم گیری چند شاخصه
2-3-2) فرآیند تحلیل سلسله مراتبی (AHP)
1-2-3-2) اصول فرآیند تحلیل سلسله مراتبی
2-2-3-2) مدل فرایند تحلیل سلسله مراتبی
3-3-2) روش  TOPSIS
4-2)  پیشینه تحقیق

فصل سوم
مقدمه
1-3) جمع آوری اطلاعات
2-3) شیوه جمع آوری اطلاعات
3-3) ) ابزار جمع آوری اطلاعات
4-3) روایی و پایایی تحقیق
5-3) جامعه آماری
6-3) روش تجزیه و تحلیل داده ها
7-3) مراحل انجام تحقیق

فصل چهارم
مقدمه
1-4) شرکت ماشین های اداری خوزستان
2-4) نحوه ارزیابی عملکرد نمایندگی های شرکت ماشین های اداری خوزستان
3-4) روش تحقیق
1-3-4) تعیین زیر معیار های اولیه
2-3-4) انتخاب زیر معیار های ارزیابی عملکرد متناسب با شرکت مورد مطالعه با استفاده از نظر خبرگان
3-3-4) تکمیل ماتریس مقایسات زوجی معیار ها و زیر معیار ها
4-3-4) تعیین جایگاه هر یک از نمایندگی ها جهت ارزیابی عملکرد و رتبه بندی

فصل پنجم
مقدمه
1-5) نتیجه گیری
2-5) پیشنهادات اجرایی
3-5) پاسخ به سوالات تحقیق
4-5) محدودیت های تحقیق
5-5) پیشنهاد جهت تحقیقات آتی
منابع داخلی
منابع خارجی

در صورت تمایل جهت خرید فایل این محصول به صورت Pdf و قیمت پایین تر، به لینک زیر مراجعه فرمایید:

دانلود مقاله ISI استراتژی هماهنگی ترکیبی از یک گروه همکاری خودمختار زیر آب وسایل نقلیه

اختصاصی از فی دوو دانلود مقاله ISI استراتژی هماهنگی ترکیبی از یک گروه همکاری خودمختار زیر آب وسایل نقلیه دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی :استراتژی هماهنگی ترکیبی از یک گروه همکاری خودمختار زیر آب
وسایل نقلیه

موضوع انگلیسی :Hybrid Coordination Strategy of a Group of Cooperating Autonomous Underwater
Vehicles

تعداد صفحه :6

فرمت فایل :PDF

سال انتشار :2015

زبان مقاله : انگلیسی

چکیده: در محیط زیر آب، نیازهای اکتساب داده اند به طور قابل توجهی در دهه های گذشته افزایش یافته است. به عنوان امواج الکترومغناطیسی را نشان می دهد انتشار ضعیف در آب دریا، سنجش از بلندگو (ووفر) است به طور کلی ترجیح داده است. با این حال، ظهور هزینه وسایل نقلیه زیر آب مستقل کوچک و کم (AUV) اجازه می دهد برای بازاندیشی استفاده در زیر آب از سنسورهای نوری. پوشش خود را کوچک می تواند به طور قابل توجهی بهبود یافته با استفاده از یک EET FL از روبات در زیر آب هماهنگ شده است. در این مقاله یک استراتژی برای هماهنگ کردن یک گروه از روبات به منظور سیستماتیک بررسی بستر و تشخیص اشیاء کوچک و یا تکین ارائه شده است. استراتژی هماهنگی ترکیبی ارائه شده بر دو حالت اصلی است. حالت اول متکی بر یک الگوریتم ازدحام برای سازماندهی این تیم در شکل هندسی. در حالت دوم، تشکیل گروه با استفاده از یک هماهنگی سلسله مراتبی نگهداری می شود. یک ماشین حالت متناهی کنترل استراتژی ترکیبی سطح بالا را با تعریف حالت هماهنگی مناسب با توجه به تکامل از ماموریت. قبل از اعتبار سنجی دریا، رفتار و عملکرد با استراتژی هماهنگی ترکیبی ابتدا در شبیه سازی مورد بررسی قرار می باشد. کنترل ربات فردی متکی بر servoing بصری، اجرا با کتابخانه OpenCV، و ابزار شبیه سازی در نرم افزار بلندر است. پویایی روبات شده است در راه واقع بینانه در بلندر با استفاده از حل کننده گلوله و برآورد COE هیدرودینامیک ضرایب FFI اجرا شده است. این ارائه کاغذ و نتایج اولیه استراتژی هماهنگی ترکیبی اعمال در EET FL از 3 AUVs بحث