سیستم خبره مدیریت استرس(ESSM)

11:26, 11/19,2013
سیستم خبره مدیریت استرس(ESSM) سیستمی است که از نقش ایفا شده توسط روانشناس یا مشاور کارشناس استرس برای ارئه ی یک مشاوری مجازی تقلید می کند.    مشاور همیشه از این سیستم ها به طور دستی برای تعیین سطح استرس و علایق شخصیتی فرد استفاده می کند.اماESSM با هدف تغییر این دو سیستم دستی بسیار متفاوت به یک سیستم کامپیوتری، با استخراج داده ها از یک تست شغل و مرتبط کردن آنها با تست استرس برای تعیین و توصیه ی بهترین مدیریت استرس برای افراد خاص بر اساس علایق فعالیتی آنها،صورت می گیرد.ESSM از طریق شیوه ی روان سنجی بکار می رود که کاربر برای تکمیل دو مجموعه از پرسشنامه ها ترغیب می شود.ESSM  تست استرس وتست شخصیت را ترکیب می کند که ازمدل تحقیق خود هدایت شده ی هلند (RIASEC) استخراج می شود، که بعنوان تست شغل توسط مشاور بکار می رود. هدف استخراج ازمدل تحقیق خودهدایت شده ی هلند تعیین رفتار وعلایق انسان است که وب سایتهای موجود فقط از تست استرس برای تعیین اختلال استرس،استفاده می کنند وبه طورتصادفی راه هایی را برای کاربر بدون توجه به این امر که چه نوع شخصیتی دارند.ESSM حاوی توصیه ای بر اساس فعالیت مورد نظر توسط ترکیب نتیجه گیری از هر دو تست و شخصیت است.شخصیت بر اساس علایق از RIASEC استخراج می شود.مدل اولیه ی این سیستم، تکنیک سیستم هوشمند مبنی بر قانون است.  موفقیت اجرا وتوسعه ی این پروزه به کاهش زمان صرف شده و نیروی انسانی درتعیین بهترین توصیه و راه حل برای مدیریت استرس کمک می کند.

 

تفاوت سیستم خبره با سایر سیستم های اطلاعاتی

11:02, 11/19,2013
سيستم‌هاي‌ خبره‌ برخلاف‌ سيستم‌هاي‌ اطلاعاتي‌ كه‌ بر روي‌ داده‌ها(Data) عمل‌ مي‌كنند، بر دانش‌ (Knowledge) متمركز شده‌ است‌. همچنين‌ دريك‌ فرآيند نتيجه‌گيري‌، قادر به‌ استفاده‌ از انواع‌ مختلف‌ داده‌ها عددي‌(Digital)، نمادي‌ Symbolic و مقايسه‌ ای (Analog) مي‌باشند. يكي‌ ديگر ازمشخصات‌ اين‌ سيستم‌ها استفاده‌ از روشهاي‌ ابتكاري‌ (Heuristic) به‌ جاي‌روشهاي‌ الگوريتمي‌ مي‌باشد. اين‌ توانايي‌ باعث‌ قرار گرفتن‌ محدودوسيعي‌ از كاربردها در برد عملياتي‌ سيستم‌هاي‌ خبره‌ مي‌شود. فرآيندنتيجه‌گيري‌ در سيستم‌هاي‌ خبره‌ بر روشهاي‌ استقرايي‌ و قياسي‌ پايه‌گذاري‌شده‌ است‌. از طرف‌ ديگر اين‌ سيستم‌ها مي‌توانند دلايل‌ خود در رسيدن‌به‌ يك‌ نتيجه‌گيري‌ خاص‌ و يا جهت‌ و مسير حركت‌ خود به‌ سوي‌ هدف‌را شرح‌ دهند. با توجه‌ به‌ توانايي‌ اين‌ سيستم‌ها در كار در شرايط فقدان‌اطلاعات‌ كامل‌ و يا درجات‌ مختلف‌ اطمينان‌ در پاسخ‌ به‌ سئوالات‌ مطرح‌شده‌، سيستم‌هاي‌ خبره‌ نماد مناسبي‌ براي‌ كار در شرايط عدم‌ اطمينان‌(Uncertainty) و يا محيطهاي‌ چند وجهي‌ مي‌باشند

 

استفاده از منطق فازی

11:00, 11/19,2013
موضوع مهم ديگر در ارتباط با سيستم‌هاي خبره، پيوند و ارتباط آن با ديگر شاخه‌هاي هوش مصنوعي است. به بيان روشن‌تر، برخي از سيستم‌هاي خبره از Fuzzy Logic يا منطق فازي استفاده مي‌كنند. در منطق غيرفازي تنها دو ارزش درست (true) يا نادرست (false) وجود دارد. چنين منطقي نمي‌تواند چندان كامل باشد؛ چراكه فهم و پروسه تصميم‌گيري انسان‌ها در بسياري از موارد، كاملا قطعي نيست و بسته به زمان و مكان آن، تا حدودي درست يا تا حدودي نادرست است. در خلال سال‌هاي 1920 و 1930، Jan Lukasiewicz فيلسوف لهستاني منطقي را مطرح كرد كه در آن ارزش يك قانون مي‌تواند بيشتر از دو مقدار 0 و 1 يا درست و نادرست باشد. سپس پروفسور لطفي‌زاده نشان داد كه منطق Lukasiewicz را مي‌توان به صورت "درجه درستي" مطرح كرد. يعني به جاي اين‌كه بگوييم: "اين منطق درست است يا نادرست؟" بگوييم: "اين منطق چقدر درست يا چقدر نادرست است؟"  از منطق فازي در مواردي استفاده مي‌شود كه با مفاهيم مبهمي چون "سنگيني"، "سرما"، "ارتفاع" و از اين قبيل مواجه شويم. اين پرسش را در نظر بگيريد : "وزن يك شيء 500 كيلوگرم است، آيا اين شيء سنگين است؟" چنين سوالي يك سوال مبهم محسوب مي‌شود؛ چراكه اين سوال مطرح مي‌شود كه "از چه نظر سنگين؟" اگر براي حمل توسط يك انسان بگوييم، بله سنگين است. اگر براي حمل توسط يك اتومبيل مطرح شود، كمي سنگين است، ولي اگر براي حمل توسط يك هواپيما مطرح شود سنگين نيست.  در اينجاست كه با استفاده از منطق فازي مي‌توان يك درجه درستي براي چنين پرسشي در نظر گرفت و بسته به شرايط گفت كه اين شيء كمي سنگين است. يعني در چنين مواردي گفتن اين‌كه اين شيء سنگين نيست
(
false) يا سنگين است (true) پاسخ دقيقي نيست.  

 

روش اعتبار سنجی کد ملی

10:58, 11/19,2013
روش اعتبار سنجی کد ملی

دهمین رقم شماره ملی را ( از سمت چپ ) به عنوان A در نظر می گیریم.

یک مقدار B در نظر می گیریم و آن را برابر با =

(اولین رقم * ۱۰) + ( دومین رقم * ۹ ) + ( سومین رقم * ۸ ) + ( چهارمین رقم * ۷ ) + ( پنجمین رقم * ۶) + ( ششمین رقم * ۵ ) + ( هفتمین رقم * ۴ ) + ( هشتمین رقم * ۳ ) + ( نهمین رقم * ۲ )

قرار می دهیم.

مقدار C را برابر با = B – (B/11)*11 قرار می دهیم.

اگر مقدار C برابر با صفر باشد و مقدار A برابر C باشد کد ملی صحیح است.

اگر مقدار C برابر با ۱ باشد و مقدار A برابر با ۱ باشد کد ملی صحیح است.

اگر مقدار C بزرگتر از ۱ باشد و مقدار A برابر با ۱۱ – C باشد کد ملی صحیح است.


 

سیستم خبره مدیریت ترافیک

12:41, 10/29,2013

با تولید انبوه خودرو از دهه ۱۹۵۰ معضل ترافیک نیز به مشکلات دیگر انسان به ویژه امور شهرنشینی اضافه شد. کشورها برای مقابله با این معضل سیاست ها و راهکارهای متفاوتی را پیش گرفتند. ابتدا به ساخت خیابان و جاده و بزرگراه پرداختند، اما مشکلات ترافیک کاملا حل نشد. به تدریج برنامه ریزان حمل و نقل به این نتیجه رسیدند که مقوله جابه جایی مسافر در مناطق شهری را بیشتر مورد توجه قرار داده و با ایجاد شبکه های عظیم حمل ونقل عمومی نظیر مترو و اتوبوس رانی مشکل ترافیک را حل کنند. با گذشت زمان فراهم آوردن امکانات و تسهیلات لازم همچون خدمات دولتی و مدارس برای کاهش سفر به برنامه های مدیریت شهری اضافه شده و اصطلاحات دیگری نظیر مدیریت تقاضای حمل و نقل به ادبیات ترافیک وارد شدند.


مدیریت تقاضای حمل ونقل به تمام استراتژی هایی اتلاق می شود که باعث افزایش کارایی سیستم های حمل ونقل می شود و امروزه به عنوان راهکار مناسب برای حل بسیاری از مشکلات ترافیکی شناخته شده است. مدیریت تقاضا بیش تر بر جابه جایی مسافر و کالا تاکید می کند تا بر وسایل نقلیه. بنابراین انواع مدهای حمل ونقل همچون پیاده روی، دوچرخه سواری و حمل ونقل عمومی خصوصا در شرایط ترافیک سنگین، افزایش گزینه های توسعه حمل و نقل عمومی، توسعه حمل و نقل غیر موتوری، زمان کار شناور(Flextime) و بهبود تاکسیرانی را شامل می شود.

از استراتژی های مدیریت تقاضا برای کاهش نیاز به سفرهای فیزیکی و کارآمد کردن کاربری زمین و مدیریت پارکینگ می توان به رشد هوشمند، شهرنشینی مدرن و مدیریت پارکینگ اشاره کرد.

خط مشی هایی که در این مقوله مد نظر قرار می گیرند، امکان استفاده از زمان های مختلف برای سفر، مد های سفر و مسیرهای مختلف را برای مردم فراهم می آورد و حتی برخی از این راهکارها باعث کاهش سفرهای فیزیکی می شود.

از دهه ۹۰ میلادی متخصصان حمل ونقل دریافتند که مصرف کنندگان ظرفیت ها و امکانات جدید را در مدت کوتاهی بلعیده و به دلیل رقابت شدید میان توسعه دهندگان راه و جاده و تولیدکنندگان خودروهای راحت و ارزان، تلاش های عمرانی بی اثر شده و ایمنی راه ها نیز روز به روز درحال کاهش است.

از طرف دیگر پیشرفت فناوری های روز به ویژه حسگرها و دستگاه های الکترونیکی شرایط مناسبی را برای ایجاد ارتباط بلادرنگ یا آنی میان برنامه ریزان، مراکز مدیریت ترافیک، خودروها و نیز ارائه وضعیت ترافیکی جاده ها فراهم آورده است. در نتیجه امکان ایجاد مدیریت هوشمندانه، هدفمند و هماهنگ به منظور ارتقای بهره وری و افزایش کارآیی شبکه های حمل ونقل محقق شده و به این ترتیب در ابتدای دهه ۹۰ میلادی سیستم های حمل ونقل هوشمند (ITS) به مفهوم امروزی آن متولد شدند. البته پروژه هایی نظیر نصب دوربین در تقاطع های شهری و نیز کنترل هوشمند زمان بندی چراغ های راهنمایی متناسب با حجم ترافیک در دهه ۷۰ در بسیاری از کشورها آغاز شده بود. اما عبارت سیستم حمل ونقل هوشمند، برای اولین بار در سال ۱۹۹۰ در آمریکا به بحث مدیریت حمل ونقل وارد شد و کلیه پروژه ها و فناوری های مرتبط با موضوع و به خصوص روابط تعاملی بین آنها در یک ساختار کلان و به هم مرتبط (Integrate) را دربر گرفت