پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 712 |
| تعداد مقالات | 10,258 |
| تعداد مشاهده مقاله | 72,013,251 |
| تعداد دریافت فایل اصل مقاله | 63,762,257 |
مدل ترکیبی ارزیابی عملکرد حسگرهای شبکه کامپیوتری با استفاده از تحلیل پوششی دادهها و الگوریتمهای متاهیوریستیک | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.38435.2877 | ||
| نویسندگان | ||
| محمد صادق بهروز* 1؛ میثم کرمی پور2؛ رحمان نورمحمدی1 | ||
| 1دکتری مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه علوم و تحقیقات تهران، تهران، ایران | ||
| 2پسا دکتری، دانشگاه علم و صنعت ایران، دانشکده مدیریت، اقتصاد و مهندسی پیشرفت، ایران. | ||
| تاریخ دریافت: 02 مرداد 1404، تاریخ بازنگری: 05 دی 1404، تاریخ پذیرش: 28 دی 1404 | ||
| چکیده | ||
| ذخیرهسازی و پردازش اطلاعات بدست آمده از حسگرها و سنسورها و همچنین استفاده از سیستمهای بیسیم و پیشیینی زمان واقعی و تجزیه و تحلیل دادهها، سبب ایجاد ارزش افزوده میشود. بنابراین ارزیابی عملکرد حسگرها در شبکههای کامپیوتری حائز اهمیت است. هدف از انجام این پژوهش ارائه مدل ارزیابی عملکرد حسگرها با استفاده از مدلهای ریاضی و بهینهسازی نتایج با بهرهگیری از ابزار شبیهسازی است. دادههای پژوهش مربوط به شبکه کامپیوتری شبیهسازی شده در محیط OPNET است. این شبکه کامپیوتری، بر اساس سنسورها و حسگرهایی طراحی شده است که به منظور شناسایی و تشخیص نقصهای بحرانی و دادههای برنامههای نگهداری تعمیرات در خط لوله گاز جانمایی شدهاند. در پژوهش حاضر مسئله با استفاده از مدل ریاضی BCC و SBM ابر کارایی تحلیل پوششی دادهها، مدلسازی و پس از تشخیص واحدهای کارا، مقادیر بازدهی عملکرد با شبکه عصبی MLP و ترکیب آن با الگوریتم فاخته بهینهسازی شده است. برای سنجش صحت عملکرد مدل، پارامترهای میانگین مربعات خطا، ضریب همبستگی، انحراف معیار و میانگین قدر مطلق خطا، مورد ارزیابی قرار گرفته است. نتایج پژوهش حاکی از آن است که این مقادیر در شبکه عصبی به ترتیب 2605/0، 123666/0، 66/0 و 89853/0 و در الگوریتم ترکیبی 1037/0، 03462222/0، 43/0 و 94829/0 است. بر این اساس، استفاده از الگوریتم ترکیبی، بهبود روند یادگیری دادهها در شبکه و افزایش صحت در خروجیهای نهایی مدل پژوهش را به همراه داشته و مقادیر بدست آمده از شاخصهای سنجش عملکرد مدل، افزایش سطح بهینگی در بازدهی و کارایی حسگرها را نشان میدهد. | ||
| کلیدواژهها | ||
| ارزیابی عملکرد حسگر؛ ابرکارایی تحلیل پوششی دادهها؛ بهینهسازی؛ شبکه پرسپترون چندلایه؛ الگوریتم فاخته | ||
| عنوان مقاله [English] | ||
| A hybrid model for evaluating the performance of computer network sensors using Data Envelopment Analysis and Metaheuristic Algorithms | ||
| نویسندگان [English] | ||
| Mohammad Sadegh behruz1؛ meysam karamipour2؛ rahman noormohammadi1 | ||
| 1PhD in Industrial Management, Faculty of Management and Economics, Tehran University of Science and Research, Tehran, Iran | ||
| 2Postdoctoral, Iran University of Science and Technology, School of Management, Economics and Progress Engineering, Iran | ||
| چکیده [English] | ||
| Storing and processing information obtained from sensors and sensors, as well as using wireless and real-time prediction systems and data analysis, creates added value. Therefore, evaluating the performance of sensors in computer networks is important. The purpose of this research is to present a model for evaluating the performance of sensors using mathematical models and optimizing the results using simulation tools. The research data is related to a computer network simulated in the OPNET environment. This computer network is designed based on sensors and sensors that are placed in the gas pipeline in order to identify and diagnose critical defects and maintenance program data. In the present research, the problem is modeled using the mathematical model BCC and SBM of data envelopment analysis hyper-efficiency, and after identifying efficient units, the performance efficiency values are optimized with the MLP neural network and its combination with the cuckoo algorithm. To measure the accuracy of the model performance, the parameters of mean square error, correlation coefficient, standard deviation and mean absolute error have been evaluated. The results of the research indicate that these values are 0.2605, 0.123666, 0.66 and 0.89853 in the neural network, and 0.1037, 0.03462222, 0.43 and 0.94829 in the hybrid algorithm, respectively. Accordingly, the use of the hybrid algorithm improves the data learning process in the network and increases the accuracy in the final outputs of the research model, | ||
| کلیدواژهها [English] | ||
| Sensor performance evaluation, Data envelopment analysis hyperefficiency, Optimization, Multilayer perceptron network, Cuckoo algorithm | ||
|
آمار تعداد مشاهده مقاله: 168 |
||