شبکه های عصبی و کاربرد الگوریتم های ژنتیک در تجارت - مجله جغتای

شبکه های عصبی و کاربرد الگوریتم های ژنتیک در تجارت

مقدمه

توجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره صندلی ویژه ای یافته اند. در چند دهه گذشته دو اسم شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان را به خود جلب نموده اند . این دو به اسم ابزاری نیرومند در حل مسائلی که دیگر از طریق متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی اجتماعی ما هم تسری یافته تا جایی که کاربرد آنها در تصمیم گیری ها نقش حیاتی یافته است . این مقاله شواهدی را مبتنی برامکان استفاده اخلاقی از شبکه های عصبی و الگوریتم ها ژنتیک که به منجر به تصمیم گیریهای پیروزیت آمیز در ارتباط با مسائل مرتبط با کسب و کار می شود ارائه می نماید . برای این منظور ضروری است که آنالیز تطبیقی ای در رابطه با تلاشهای دیگر محققان در قالب ادبیات موضوع صورت گیرد . به همین علت ، در تحقیق ما بر نقش محققان عملیاتی در حوزه کاربرد شبکه های عصبی و الگوریتم های ژنتیک تأکید شده است . بعلاوه در کنار ایجاد چنین پایگاهی برای محققان ، به سوالات اساسی زیر هم پاسخ داده شده است :

-1 آیا کاربردهای سیستم های مبتنی بر هوش مصنوعی می تواند از فرایندهای تصمیم گیری شرکت شما پشتیبانی کند ؟

-2 آیا اسناد ودلایل و مدارک معتبری برای اثبات این ادعا وجود دارد ؟

-3 آیا اینها تنها یک تئوری و ایده دانشگاهی است یا دارای قابلیت کاربرد و تعمیم هم هست؟

به عبارت دیگر ، با درنظر گرفتن مطالعات مشابه در رابطه با استفاده از سیستم های خبره در کسب و کار، نویسندگان و محققان در آرزوی دستیابی به فرصتی جهت بحث مقایسه ای در باره این سه متدلوژی هوشمند هستند (متاکسیوس و پساراس 2003) . یکی از مهم ترین و بحث برانگیزترین تحقیقات ، آنالیز اجرا شده از طریق لایبوتز (2001) است که نتیجه آن تحت اسم سیستمهای خبره و کاربرد آنها مطرح شد.

ساختار این مقاله به صورت زیر است : در ابتدا مروری بر پایه و اساس شبکه های عصبی و الگوریتم های ژنتیک خواهیم داشت و سپس به بازنگری جامعی بر کاربرد شبکه های عصبی و الگوریتم های ژنتیک در حوزه کسب و کار خواهیم پرداخت و نهایتا آن را با نتایج و پیشنهاداتی برای تحقیقات کاربردی آینده به سرانجام خواهیم رساند .

فناوری شبکه عصبی

شبکه های عصبی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی ، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون ) مرتبط با شبکه ها تشکیل شده اند . سلول عصبی بیولوژیکی یا نورون، واحد سازنده سیستم عصبی در انسان است. یک نورون ازبخشهای اصلی زیر تشکیل شده است :

1) بدنه سلولی که هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است.

2) هسته

3) آکسون که وظیفه آن انتقال اطلاعات از سلول عصبی است.

4) دندریت که وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است

یک سیستم شبکه عصبی از تکنیک های مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده می نماید (هایکین ،1994) . هر نورون ورودیهای متعددی را پذیراست که با یکدیگر به طریقی جمع می شوند . اگر در یک لحظه تعداد ورودی های فعال نرون به حد کفایت برسد نرون هم فعال شده و آتش می نماید . در غیر این صورت نورون به صورت غیر فعال و آرام باقی می ماند .فعالیت هر نورون از مجموعه ای از یک یا چند ورودی ، عملیات و وظیفه خروجی برای محاسبه خروجیهایش تشکیل شده است . عملکرد اساسی این مدل مبتنی بر جمع کردن ورودیها و در پی آن به وجود آمدن یک خروجی است . ورودیهای نورون از طریق دندریت ها که به خروجی نورون های دیگر از طریق سیناپس متصل شده اند وارد می شوند . بدنه سلولی کلیه این ورودیها را دریافت می نماید و چنانچه جمع این مقادیراز مقداری که به آن آستانه گفته می شود بیشتر شود در اصطلاح بر انگیخته شده یا آتش می نماید و درغیر این صورت خروجی نورون روشن یا خاموش خواهد شد. مدل پایه ای نورون به صورت شکل 1 تعریف می شود .

امروزه شبکه های عصبی در کاربردهای مختلفی از قبیل طبقه بندی داده ها و تشخیص الگو از طریق فرایند یادگیری که خود شامل مسائلی مانند تشخیص خط و شناسایی گفتار وپردازش تصویر است به کار می فرایند .به مثابه سیستم های بیولوژیکی ، آموزش شامل تنظیم پیوندهای بین سیناپس ها که درهر نورون وجود دارند است. به عبارت دیگر ، اطلاعات آموخته شده به شکل ارزشهای عددی به نام وزن که به هر واحد پردازش شبکه اختصاص داده می شود ، ذخیره می شوند .به طور کلی ، شبکه های عصبی می توانند بین :

روشهای اتصال نورون ها، انواع روشهای ویژه محاسبه عملیات نورون ها، روش انتقال الگوی عملیات از خلال شبکه و روشهای یادگیری آنها که شامل نرخ یادگیری است، تمایز قائل شوند . با در نظر گرفتن ارتباطات بین نورون ها ، می توان بین شبکه های لایه دار و بدون لایه تمایز قایل شد . شبکه های لایه دار گروهی ازنورون ها هستند که در لایه هایی مجتمع شده اند که بین لایه ورودی و خروجی - که تنها پیوند خارجی دارند - یک یا چند لایه پنهان وجود دارد . داده های ورودی از لایه ورودی از طریق لایه های پنهان (لایه میانی) به لایه خروجی منتقل می شوند . سیگنالها جاری در شبکه های لایه دار به سمت جلو حرکت می نمایند که در اصطلاح فنی به آنها پیش خور گفته می شود در حالی که شبکه های بدون لایه دارای گره های اضافی بازخور هستند که از تقسیمات درست لایه ها جلوگیری می نمایند .

ساختار پیوندها و تماسها و تعداد لایه ها و نورون ها معین نماینده معماری شبکه است که بایستی قبل از استفاده از شبکه های عصبی تنظیم شود . همان طور که در شکل 2 نمایش داده شده است ، اگرچه در موارد مشخصی می توان با پیروزیت از شبکه های عصبی تک لایه استفاده کرد اما رسم بر این است که شبکه های عصبی حداقل دارای 3 لایه باشند (لایه ورودی ،لایه پنهان یا لایه میانی و لایه خروجی) .

قبل از آنکه شبکه آموزش داده شود ، اوزان اختصاصی کوچک و به صورت تصادفی ارزش گذاری می شوند . در خلال فرایند آموزش ، اوزان شبکه به شکل تدریجی تعدیل می شود تا جایی که محرز شود که کاملاً روابط فرا گرفته شده است . این شکل از یادگیری ، یادگیری با سرپرست نامیده می شود . وقتی یک الگو در لایه ورودی به کار گرفته می شود تا آن جا جلو می رود که ستانده نهایی در لایه خروجی محاسبه شود . ستانده شبکه با نتایج مطلوب مورد انتظار مدل مقایسه و خطاهای موجود محاسبه می شود .این خطاها مجدداً به اسم بازخورد به شبکه بازمی شود تا تغییرات لازم در اوزان پیوندها برای کاهش خطا صورت گیرد .مجموعه ای از مثالهای آموزشی داده - ستانده مکرراً ارائه می شود. تا جایی که مجموع امتیازات خطا به سطح قابل قبولی کاهش یابد . در این صندلی م توان آن شبکه را به اسم شبکه ای آموزش دیده در نظر گرفت . اما در روش دیگری که یادگیری بدون سرپرست نامیده می شود ، شبکه عصبی باید بدون یاری گرفتن از دنیا ، بتوانند کار آموزش را انجام دهد . واقعیت آن است که در عمل ازروش یادگیری باسرپرست و یا حداکثر از روشهای ترکیبی استفاده می شود و فرایند آموزش بدون سرپرست به شکل خالص تنها وعده ای است که شاید بتواند در آینده تحقق یابد . در حال حاضر و در کاربردهای پیشرفته ، از روش آموزش بدون سرپرست برای ایجاد تنظیمات اولیه برروی سیگنال های ورودی شبکه های عصبی استفاده می شود و باقی مراحل آموزش به روش با سرپرست ادامه می یابد .

حوزه های کاربردی شبکه های عصبی در موضوعات زیر است:

- همبستگی ناشناخته بین ویژگیهای مطلوب و ارزش متغیرهای مسائل تصمیم گیری ( جایی که راهکار مسائل ناشناخته است)

- مسائلی که دارای راهکار الگوریتم نیستند

- جایی که داده های ناقص وجود دارد

مزیت اصلی شبکه های عصبی ، قابلیت فوق العاده آنها در یادگیری و هم پایداری شان در مقابل اغتشاشات ناچیز ورودی است (فاوست ، 1994) .به اسم مثال اگر از روشهای عادی برای تشخیص دستخط یک انسان استفاده کنیم ممکن است در اثر کمی لرزش دست ، این روشها به تشخیص غلطی برسند در حالی که یک شبکه عصبی که به صورت مناسب آموزش داده شده است حتی در صورت چنین اغتشاشی هم به پاسخ درست خواهد رسید .

درنتیجه ، تاکید ما بر این حقیقت است که انتخاب شبکه درست با محاسبات صحیح، عامل اصلی در تضمین پیروزیت عملکرد است .

فناوری الگوریتم ژنتیک

الگوریتم های ژنتیک روش قدرتمندی را برای توسعه اکتشافی مسائل بهینه سازی ترکیبی مقیاس بزرگ فراهم آورده است . انگیزه اصلی مطرح کردن الگوریتم ژنتیک می تواند این گونه اسم شودکه تکامل تدریجی به شکل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مکاهمم های نسبتاً ساده تکمیلی نمود یافته است . حال سوال اساسی این است : پذیرش کدام ایده از تئوری تکامل تدریجی می تواند به ما در حل مسائل این قلمرو یاری کند ؟ این سوال با توجه به غنای پدیده تکامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975) از نخستین کسانی هستندکه با معرفی مفهوم الگوریتم ژنتیک به اسم یک تکنیک جستجوی عمومی - که از تکامل تدریجی بیولوژیک در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات الگوبرداری می نماید- درصدد پاسخگویی به این سوال برآمدند .

یک الگوریتم ژنتیک مسئله را به صورت مجموعه ای از رشته ها که شامل ذرات ریزهستند کد گذاری می نماید ، سپس برای تحریک فرایند تکامل تدریجی ،تغییراتی را بر روی رشته ها ا عمال می دارد. در مقایسه با الگوریتم های جستجوی محلی ، در جستجوی عمومی که تنها یک راهکار قابل قبول وجود دارد ، الگوریتم های ژنتیک جامعه ای از افراد را در نظر می گیرند . کـار با مجموعه ای از افراد، امکان مطالعه ساختارها و ویژگیهای اصلی افراد متفاوت را که منجر به شناسایی و کشف راهکارهای کارآمد تر می شود، فراهم می سازد . در طی مطالعه ، الگوریتم ژنتیک رشته های متناسب با ارزش را برمی گزیند و آن دسته از رشته هایی را که تناسب کمتری با جمعیت مورد آنالیز دارند حذف می نمایند .

مروری بر کاربردهای تجاری

بعد از مروری بر پیشینه شبکه های عصبی و الگوریتم های ژنتیک و پیشرفتهای آنها ، می توان حوزه های کاربردی آنها را در کسب و کار شناسایی کرد. بنابر این در این قسمت به آنالیز انواع مسائل تجاری که به شکلی مناسب از طریق شبکه های عصبی و الگوریتم های ژنتیک قابل حل خواهند بود ، می پردازیم . اما قبل از آن توضیحی مختصر در ارتباط با موضوعات مرتبط با این حوزه خواهیم داد .

بازاریابی

انجمن بازاریابی آمریکا از دیدگاه مدیریتی، بازاریابی را بدین گونه تعریف می نماید : بازاریابی یک فرایند اجتماعی و مدیریتی است که از طریق آن، افراد و گروهها ، نیازها و خواسته ها خود را از طریق فراوری ، عرضه و مبادله کالاهای مفید و با ارزش با دیگران ، تأمین می نمایند . به طور کلی ، بازاریابی دانشی ناشناخته است که با ویژگیهایی از قبیل عدم اطمینان بالا ، ساختار گمشده علّـی ودانشی ناکامل و گسترده قابل شناسایی است .بسیاری از وظایف تصمیم گیری و حل مسـئله به صورت بدون ساختار یا نیمه ساختار یافته انجام می شود . به همین دلایل توسعه کاربرد شبکه های عصبی و الگوریتم های ژنتیک در بازاریابی نسبت به سایر حوزه های علم دشوارتر است .

در سال 1991 ، کاری و ماتین هو به بحث در رابطه با نقش هوش مصنوعی در بازاریابی پرداختند و صندلی یابی رقابتی را از طریق متدلوژی هدف گرا مورد تجزیه و تحلیل قرار دادند . الیس و همکارانش در سال 1991 گزارشی از پیشرفتهای کاربرد مدل های شبکه عصبی در مواجهه با استراتژی قیمت گذاری کششی ارائه کردند در حالی که پراکتر در سال 1992 چگونگی کاربرد تکنولوژی شبکه های عصبی در یادگیری مدل های داده بازاریابی و نقش آنها را در ساختن سیستم های پشتیبانی از تصمیمات بازاریابی به نمایش گذاشت . در سال 1993 کاری و ماتین هو از تکنولوژی شبکه های عصبی در مدل سازی واکنش مصرف نماینده به محرک تبلیغات استفاده کردند . رای و همکارانش در سال 1994 شبکه های عصبی را در کمّی سازی فاکتورهای موثر در کیفیت روابط خریدارو فروشنده مورد استفاده قرار دادند . برای این منظور شبکه ای با دو عنصر خروجی کیفیت روابط (رضایت از روابط و اعتماد) و پنج ورودی (گرایش فروش فروشنده ، مشتری گرایی ، تخصص، اخلاقیات ، و دوام روابط) شکل گرفت . در مقایسه با رگرسیون های چند متغیره، تکنیک شبکه های عصبی به نتایج آماری قابل قبول تری دست یافت .

از سوی دیگر ، هارلی و همکاران (1994) استفاده از الگوریتم های ژنتیک را در حل مسائل بهینه سازی بازاریابی مورد آزمایش قرار دادند . بر اساس مطالعه آنها ، کاربردهای بالقوه الگوریتم های ژنتیک در بازاریابی می تواند شامل موارد زیر باشد :

1) رفتار مصرف نماینده

- یادگیری مدل های انتخاب مصرف نماینده

- پردازش اطلاعات مصرف نماینده

- تاثیر گروههای مرجع

2) بخش بندی،انتخاب بازار هدف، صندلی یابی

- بهینه سازی ساختارهای محصول - بازار

- تجزیه و تحلیل فاکتورهای کلیدی خرید

- صندلی یابی محصول

3) مدیریت عناصر آمیخته بازاریابی

- بهینه سازی چرخه حیات محصول

- طراحی محصول

- استراتژی تبلیغات و برنامه ریزی رسانه ای

- مدیریت فروش

گرین و اسمیت (1987) یک سیستم ژنتیک را برای یادگیری مدل های انتخاب مصرف نماینده مطرح ساختند و تنگ و هولاک (1992) چارچوبی مفهومی را در پیوند مفاهیم بازاریابی با مکاهمم تکامل تدریجی داروین ارائه کردند . در سال 1992 بالاک ریشمن و جاکوب یک الگوریتم ژنتیک مبتنی بر سیستم پشتیبانی از تصمیم گیری برای طراحی محصول ارائه کردند . از سوی دیگرو در حرکتی نوین وناگوپال و بیتز (1994) ازاشتراک شبکه های عصبی و تکنیکهای آماری در تحقیقات بازاریابی استفاده کردند. درنهایت ، می توان گزارشی از پیشرفتهای موجود در این زمینه رابه شکل زیر ارائه کرد :

- STRATEX - یک سیستم دانشی با هدف پشتیبانی از انتخاب بخشهای بازار (بورچ و هارتویگسن ، 1991)

- ADDUCE - سیستمی در توجیه واکنش مصرف نماینده به تبلیغات (بارک ، 1991)

- COMSTRAT - سیستمی برای تصمیمات استراتژیک بازاریابی با تاکید ویژه بر جایگـاه یابی رقابتی (ماتین هو و همکاران 1993 )

- MARSTRA - سیستم هوش شبکه ای برای توسعه استراتژی های بازاریابی و ارزیابی فاکتورهای بازاریابی استراتژیک ( لی، 2000)

- GLOSTRA - سیستم هوش شبکه ای برای توسعه و بهبود استراتژی های بازاریابی دنیای و بازاریابی اینترنتی (لی و دیویس ، 2001)

بانکداری و حوزه های مالی

از کاربردهای مهم و مطرح شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و حوزه مسائل مالی می توان به این موارد اشاره نمود : کاربردهای اعتباری ، تجزیه و تحلیل های مالی ، سرمایه گذاری مالی ، و تجزیه و تحلیل بازار مبادله سهام . محققان بسیاری به آنالیز کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در بانکداری و مالی پرداخته اند . ازآن جمله ، در سال 1993 ، تفتی و نیکبخت به بحث در ارتباط با استفاده از شبکه های عصبی از طریق سازمانها وشرکتهای مالی در جهت اهداف متفاوت امتیازبندی اعتباری پرداختند .تان و دی هاردجو (2001) از طریق افزایش زمان و دوره پیش بینی مدل به توسعه یک تحقیق ابتدایی در استفاده از شبکه های عصبی برای پیش بینی استرس های مالی در اتحادیه های اعتباری استرالیا پرداختند . دستاورد حاصل شده در مقایسه با نتایج به دست آمده از میانه انحراف از میانگین، نتایج قابل قبولی بود . بعلاوه دیویس و همکاران هم در 1996 به آنالیز نگرشهای سیستم های خودپرداز براساس تجزیه و تحلیل شبکه های عصبی پرداختند .

ازسوی دیگر، شناسایی کاربردهای متنوع الگوریتم های ژنتیک از سوی افراد مختلف به صورت زیر ارائه شده است : انتخاب استراتژی های بازار انحصاری چند جانبه (مارکز ، 1989) ، توسعه استراتژی های سرمایه گذاری مالی (باور ، 1994) ،جستجو برای یافتن قوانین تکنیکی برای اعمال آنها در بازارسرمایه (کارجالایننن ، 1994) ، تجزیه و تحلیل ریسک در بانکداری (وارتو ،1998) . علاوه بر این، در سال 1999 کارجالایننن و آلن از الگوریتم های ژنتیک در پیدا کردن قوانین تکنیکی تجاری استفاده کردند. در همین زمان هم آندرا و همکارانش (1999) از الگوریتم های ژنتیک در تجزیه و تحلیل فنی در بازار سهام مادرید استفاده کردند .

از دیگر سیستمهای مالی مبتنی بر شبکه های عصبی و الگوریتم های ژنتیک می توان به موارد زیر اشاره نمود :

- KABAL - سیستم دانشی برای تجزیه و تحلیل مالی در بانکداری (هارت ویگسن ، 1990)

- CREDEX - سیستمی برای ارزیابی اعتبارات (پینسون ، 1990)

- FINEVA - سیستم دانشی چند معیاری پشتیبانی از تصمیم گیری برای ارزیابی عملکرد و قابلیت حیات شرکت (زوپونی دیس ، 1996)

پیش بینی

پیش بینی یکی از قدیمی ترین فعالیتها و وظایف مدیریت وتجارت بوده است . درروزگاران قدیم نمونه هایی از پیشگوییها و پیش بینی ها وجود دارد . به طور کلی ، مدیری را می توان پیروز دانست که از قوه تجسم بالایی در تصمیم گیری و قضاوت برخوردار باشد . تجربه ، به انسان در پیش بینی آینده وانتخاب تصمیم درست و دادن رأی صحیح یاری می نماید. روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملکرد بهتر در مواجهه بامسائل غیرخطی و سایر مسائل مدل سازی سری های زمانی نشان داده اند .رحمان و بهتنگار (1998) یک سیستم خبره را برای پیش بینی کوتاه مدت طراحی کردند ، این درحالی است که چیو (1997) یک شبکه عصبی را در ترکیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد . بعلاوه تحقیقات کانلن و جیمز (1998) نشان دادکه می توان بین خصیصه های داراییهای مالی و ارزش داراییهای تجاری در یک بازار خاص پیوند برقرار کرد و به مدل ارزش گذاری ای رسید که به پیش بینی کوتاه مدت نوسانات ارزش گذاری دراستفاده از شبکه های عصبی می پردازد . درنهایت آنالیزهای اجرا شده نشان می دهد که در این حوزه بیشتر بر کاربرد شبکه های عصبی کار شده است تا الگوریتم های ژنتیک .

سایر حوزه های تجاری

تا اینجا درباره کاربردهای مختلف شبکه های عصبی و الگوریتم های ژنتیک در بخشهای کلیدی تجارت صحبت کردیم : بازاریابی ، بانکداری و مالی ، پیش بینی . قطعاً حوزه های دیگری از تجارت و کسب و کارهم وجود دارد که در مقدار های متفاوت می توانند از مزایای استفاده از شبکه های عصبی و الگوریتم های ژنتیک منتفع شوند . به اسم مثال می توان به کاربرد شبکه های عصبی در صنعت هتلداری (لاو ، 1998) ، ارزیابی داراییها (لنک و همکاران 1997) و پیش بینی تورم (آیکن ، 1999) اشاره نمود. علاوه بر این ، کاملاً مشهود است که بخشهایی (مانند فراوری ، صنایع سنگین ، انرژی ، ساخت و ساز) وجود دارند که از نظر ما دور مانده اند .

مزایای استفاده از این فناوریهای هوش مصنوعی

با آنالیز اجماعی نظریات و تحقیقات موجود می توان مزایای استفاده از فناوریهای هوش مصنوعی و الگوریتم های ژنتیک را در قالب گزاره های زیر خلاصه کرد :

- ارائه خدمات بهتر به مشتری

- تقلیل زمان انجام وتکمیل وظایف

- افزایش فراوری

- استفاده اثربخش تر از منابع

- سازگاری و ثبات بیشتر در تصمیم گیری

نتایج

در این مقاله سعی کردیم با معرفی کاربردهای شبکه های عصبی و الگوریتم های ژنتیک در حوزه تجارت و بازرگانی به ویژه در محدودة بازاریابی، مالی و بانکداری و پیش بینی ، بعدی تازه از حوزه تجارت وکسب و کار را نمایان کنیم. نتیجه نهایی این مباحث به تنوع حوزه های کاربردی که بر مزایا و منافع شبکه های عصبی و الگوریتم های ژنتیک اشاره دارد منتهی می شود . این دو تکنولوژی امروزه بیش از بیش به اسم ابزار تصمیم گیری سازمانها مورد استفاده قرار می گیرند که البته نتایج حاصل از کاربرد آنها (همانند تصمیمات صحیح ، صرفه جوییهای زمانی ، انعطاف پذیری ، کیفیت بهبود یافته ، آموزش موثر ) بر محبوبیت آنها اضافه نموده است . اعتقاد ما بر این است که در صورت ادغام مناسب این دو فناوری با سایر فناوریهای هوشمند ( مانند سیستم های خبره ، عوامل هوشمند ، منطق فازی) و تکنیکهای تحقیق درعملیات به ویژه شبیه سازی می توان روز به روز بر موارد استفاده آنها در حوزه های مختلف اضافه نمود و از مزایای آنها بهره مند شد. بر اساس تحقیق کتابخانه ای اجرا شده موارد زیر برای تحقیقات آینده پیشنهاد می شود:

- آنالیز مزایای استفاده از الگوریتم های ژنتیک در بهینه سازی مسائل بازاریابی

- مقایسه کاربرد شبکه های عصبی و الگوریتم های ژنتیک و سیستم های خبره برای شناسایی مزایا و ضررهای هر کدام از این فناوریها.

منابع

-1 جکسون . تی و بیل . آر . آشنایی با شبکه های عصبی ، ترجمه دکتر محمود البرزی - تهران : موسسة انتشارات علمی دانشگاه صنعتی شریف ، چاپ دوم ، 1383

-2 کاتلر ، فیلیپ . مدیریت بازاریابی ، ترجمه بهمن فروزنده - تهران : آتروپات ،1382

-3 قمی ، علیرضا شبکه های عصبی مصنوعی ، نشریه دنیای کامپیوتر و ارتباطات - شماره 12 ، صفحات 66 تا 69

-4 سعیدی ، مسعود شبکه های عصبی (2) ، نشریه شبکه - شماره 52 ، اسفند 1383 ، صفحه 210 تا 211

-5 ممانی ، حامد ، نرگس پور اصغری حقی و ساعد علی ضمیر ، شبکه های عصبی و کاربرد آن در بهینه سازی ، نشریه صنایع - شماره 30

-6 نورزاد ، غلامرضا بیولوژی سلولی مولکولی ،انتشارات نوردانش ، تهران ، 1376 ، چاپ اول

7- Metaxiotis , Kostas & John Psarras (2004) The Contribution of Neural networks and genetic algoritms to business decision support Management decision , vol 42 ,no .2, Emerald group publishing limited , pp. 229.242

8- Curry , B & L. Moutinho (1993) Neural Network in marketing : Modelling consumer Responses to Advertising Stimuli European Journal of marketing , vol 27 , no . 7 , MCB university press , pp 5. 20

9- Wray , B , A. palmer & D. Bejou (1994) Using Neural Network Analysis to evaluate Buyer - Seller Relationships European Journal of Marketing , vol 28 , no. 10 , MCB university press , pp 32.48

10- Venugopal .V & W. Beats (1994) Neural networks and Statistical Techniques in marketing research Marketing intelligence & planning , vol 12 , no. 7 , MCB university press , pp 30 . 38

11- Davies , F , L . Moutinho & B . Curry (1996) ATM user attitudes : a neural network analysis , marketing intelligence & planning , vol 14 , no . 2 , MCB university press , pp 26 . 32

ارسال از طریق کاربر محترم سایت : majidshehneh

/ج

منبع: راسخون