﻿<?xml version="1.0" encoding="utf-8"?><ArticleSet><ARTICLE><Journal><PublisherName>مرکز منطقه ای اطلاع رسانی علوم و فناوری</PublisherName><JournalTitle>فصلنامه فناوری اطلاعات و ارتباطات ایران</JournalTitle><ISSN>2717-0411</ISSN><Volume>6</Volume><Issue>20</Issue><PubDate PubStatus="epublish"><Year>2019</Year><Month>10</Month><Day>30</Day></PubDate></Journal><ArticleTitle>Using a Hybrid PSO-GA Method for Capacitor Placement in Distribution Systems</ArticleTitle><VernacularTitle>استفاده از روش تركيبي PSO – GA جهت جايابي بهينة  خازن در سیستم‌های توزيع</VernacularTitle><FirstPage>1</FirstPage><LastPage>10</LastPage><ELocationID EIdType="doi" /><Language>fa</Language><AuthorList><Author><FirstName>محمدهادی </FirstName><LastName>ورهرام            </LastName><Affiliation>وزارت علوم تحقیقات و فناوری</Affiliation><Identifier Source="ORCID" /></Author><Author><FirstName>امیر </FirstName><LastName>محمدی</LastName><Affiliation>دانشگاه تهران</Affiliation><Identifier Source="ORCID" /></Author></AuthorList><History PubStatus="received"><Year>2020</Year><Month>5</Month><Day>6</Day></History><Abstract>In this paper, we have proposed a new algorithm which combines PSO and GA in such a way that the new algorithm is more effective and efficient.The particle swarm optimization (PSO) algorithm has shown rapid convergence during the initial stages of a global search but around global optimum, the search process will become very slow. On the other hand, genetic algorithm is very sensitive to the initial population. In fact, the random nature of the GA operators makes the algorithm sensitive to the initial population. This dependence to the initial population is in such a manner that the algorithm may not converge if the initial population is not well selected.  This new algorithm can perform faster and does not depend on initial population and can find optimal solutions with acceptable accuracy. Optimal capacitor placement and sizing have been found using this hybrid PSO-GA algorithm. We have also found the optimal place and size of capacitors using GA and PSO separately and compared the results.</Abstract><OtherAbstract Language="FA">در اين مقاله ، ما يك الگوريتم جديد پيشنهاد كرده‌ايم  كه PSO و ژنتيك را به طريقي با هم تركيب می‌کند بگونه‌اي كه الگوريتم جديد مؤثرتر و كارآمدتر می‌شود.  اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظه‌اي افزايش مي‌يابد و در عين حال دقّت پاسخ نيز به مراتب  بالاتر است. خاصيت الگوريتم بهينه‌سازي تجمّع اين است که به سرعت همگرا مي‌شود ، اما در نزديكي‌هاي نقطة بهينه فرآيند جستجو به شدّت كند مي‌شود . از طرفی می‌دانیم که الگوريتم ژنتيك نيز به شرايط اوليه به شدت حساس است. در حقيقت طبيعت تصادفي عملگرهاي ژنتيك ، الگوريتم را به جمعیّت اوليّه حساس مي‌کند. اين وابستگي به شرايط اوليه به گونه‌اي است كه اگر جمعیّت اوليه خوب انتخاب نشود ، الگوريتم ممكن است همگرا نشود. در اين مقاله با استفاده از اين الگوريتم تركيبي GA- PSO،  مكان و اندازة بهينة خازن در يك سيستم توزيع نمونه بدست آمده است . همچنين  جايابي بهينة خازن با الگوريتم هاي PSO و GA بطور جداگانه بدست و نتايج با هم مقايسه شده‌اند .نتايج نشان می‌دهند که  الگوريتم جديد مي‌تواند سريع‌تر به پاسخ برسد و به جمعیّت اوليه وابسته نيست و پاسخ‌هاي دقيق‌تري را پيدا می‌کند. </OtherAbstract><ObjectList><Object Type="Keyword"><Param Name="Value">جایابی خازن</Param></Object><Object Type="Keyword"><Param Name="Value"> الگوریتم ژنتیک</Param></Object><Object Type="Keyword"><Param Name="Value"> بهینه‌سازی تجمّع ذرّات</Param></Object></ObjectList><ArchiveCopySource DocType="Pdf">http://jour.aicti.ir/fa/Article/Download/6578</ArchiveCopySource></ARTICLE><ARTICLE><Journal><PublisherName>مرکز منطقه ای اطلاع رسانی علوم و فناوری</PublisherName><JournalTitle>فصلنامه فناوری اطلاعات و ارتباطات ایران</JournalTitle><ISSN>2717-0411</ISSN><Volume>6</Volume><Issue>20</Issue><PubDate PubStatus="epublish"><Year>2019</Year><Month>10</Month><Day>30</Day></PubDate></Journal><ArticleTitle>A Hybrid Neural Network Ensemble Model for Credit Risk Assessment</ArticleTitle><VernacularTitle>ارائة مدل ترکیبی شبکه‌های عصبی با بهره‌گیری از یادگیری  جمعی به منظور ارزیابی ریسک اعتباری</VernacularTitle><FirstPage>1</FirstPage><LastPage>20</LastPage><ELocationID EIdType="doi" /><Language>fa</Language><AuthorList><Author><FirstName>شعبان</FirstName><LastName>الهی</LastName><Affiliation>دانشگاه تربیت مدرس</Affiliation><Identifier Source="ORCID">0000-0002-1598-4431</Identifier></Author><Author><FirstName>احمد </FirstName><LastName>قدس‌الهی         </LastName><Affiliation>دانشگاه تربیت مدرس</Affiliation><Identifier Source="ORCID" /></Author><Author><FirstName>حمیدرضا </FirstName><LastName>ناجی</LastName><Affiliation>دانشگاه شهید بهشتی</Affiliation><Identifier Source="ORCID" /></Author></AuthorList><History PubStatus="received"><Year>2020</Year><Month>5</Month><Day>6</Day></History><Abstract>Banking is a specific industry that deals with capital and risk for making profit. Credit risk as the most important risk, is an active research domain in financial risk management studies. In this paper a hybrid model for credit risk assessment which applies ensemble learning for credit granting decisions is designed. Combining clustering and classification techniques resulted in system improvement. The German bank real dataset was used for neural network training. The proposed model implemented as credit risk evaluation multi agent system and the results showed the proposed model has higher accuracy, better performance and lesser cost in applicant classification when compared with other credit risk evaluation methods</Abstract><OtherAbstract Language="FA">بانکداری صنعت ویژه‌ایی است که با سرمایه و ریسک برای کسب سود مواجه است. یکی از مهم‌ترین ریسک‌های بانکی، ریسک اعتباری است که حوزة تحقیقاتی پویایی را در مطالعات مدیریت به خود اختصاص داده است. در این پژوهش یک سیستم ترکیبی ارزیابی ریسک اعتباری ارائه می‌شود، که از یادگیری جمعی برای تصمیم‌گیری در مورد اعطای اعتبار به فرد متقاضی استفاده می‌کند. ترکیب تکنیک‌های دسته‌بندی و خوشه‌بندی در این پژوهش، منجر به بهبود عملکرد سیستم می‌شود. برای آموزش شبکه‌های عصبی از مجموعة داده‌های واقعی، از نمونه‌های تقاضای اعتبار در بانکی در آلمان استفاده شده است. مدل پژوهش در قالب یک سیستم چند عاملی ارزیابی ریسک‌اعتباری طراحی شد و نتایج نشان داد که این سیستم صحتّی بالاتر، عملکردی برتر و هزینة کم‌تری، در دسته‌بندی متقاضیان اعتبار نسبت به دیگر روش‌های مشابه حاصل می‌کند.</OtherAbstract><ObjectList><Object Type="Keyword"><Param Name="Value">شبکة عصبی</Param></Object><Object Type="Keyword"><Param Name="Value"> یادگیری جمعی</Param></Object><Object Type="Keyword"><Param Name="Value"> ریسک اعتباری</Param></Object></ObjectList><ArchiveCopySource DocType="Pdf">http://jour.aicti.ir/fa/Article/Download/6581</ArchiveCopySource></ARTICLE><ARTICLE><Journal><PublisherName>مرکز منطقه ای اطلاع رسانی علوم و فناوری</PublisherName><JournalTitle>فصلنامه فناوری اطلاعات و ارتباطات ایران</JournalTitle><ISSN>2717-0411</ISSN><Volume>6</Volume><Issue>20</Issue><PubDate PubStatus="epublish"><Year>2019</Year><Month>10</Month><Day>30</Day></PubDate></Journal><ArticleTitle>A Study On Visual Cryptography and Providing a Proposed Method for Color Images Cryptography</ArticleTitle><VernacularTitle>مطالعه‌ای بر رمز‌نگاری بصری و ارائة‌ روش پیشنهادی برای  رمزنگاری تصاویر رنگی</VernacularTitle><FirstPage>41</FirstPage><LastPage>58</LastPage><ELocationID EIdType="doi" /><Language>fa</Language><AuthorList><Author><FirstName>شهریار </FirstName><LastName>محمدی        </LastName><Affiliation>دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، ایران</Affiliation><Identifier Source="ORCID" /></Author><Author><FirstName>نغمه</FirstName><LastName>محمدی</LastName><Affiliation>دانشگاه خواجه نصیرالدین طوسی</Affiliation><Identifier Source="ORCID" /></Author></AuthorList><History PubStatus="received"><Year>2020</Year><Month>5</Month><Day>6</Day></History><Abstract>Visual cryptography is a method that makes use of the characteristics of human vision and it requires neither the knowledge of cryptography nor the complex calculations. This method was first proposed by Naor and Shamir, its implementation is simple, it has been extended to an secrect  sharing (k, n) in which n shares are made from the image and they are distributed among n participants. Moreover, the image can be retrieved with k shares and their assembling onto each other; however, the image is not retrievable with k-1 shares. Colors are represented using a combination of reflected lights from objects in the subtractive model. A wide range of colors is made with the mixture of cyan (C), magenta (M) and yellow (Y) and the combination of blue (B), red (R) and green (G) results in black in this model and also, the combination of these colors with white creates the same colors. This paper presents a visual cryptography proposal for colored images that divides a colored image into some shares after converting it to halftone images based on white and black visual cryptography and their rules are in accordance with the subtractive  model of colors.</Abstract><OtherAbstract Language="FA">رمز نگاری بصری  روشی است  که از ویژگی‌های دید انسان استفاده مینماید و به دانش رمزنگاری و محاسبات پیچیده نیاز ندارد و پیاده‌سازی آن ساده است. مدل‌کاهشی، مدلی است که در آن، رنگ‌ها با استفاده از ترکیبی از پرتو‌های منعکس شده از اجسام نمایش داده میشوند، با مخلوط فیروزه‌ای،سرخابی و زرد طیف گسترده‌ای از رنگ‌ها ایجاد می‌شود. واقعیت آن است که باوجود معرفی روش‌ها و الگوریتم‌های گوناگون در زمینة رمزنگاری، این روش‌ها همچنان نتواسته‌اند تا حدّ قابل قبولی رضایت کاربران را از امنیت سیستم‌ها فراهم آورند. . این مقاله بر آن است که در عین مرور روش‌های گوناگون رمز‌نگاری بصری، روش‌های رمزنگاری بصری پیشنهادی خود را برای تصاویر رنگی ارائه نماید که تصویر رنگی را بعد از تبدیل به تصاویر هالفتون بر اساس رمزنگاری بصری سیاه و سفید به بخش‌هایی تقسیم می‌نماید و قوانین آن طبق مدل‌کاهشی ‌رنگ‌ها است. </OtherAbstract><ObjectList><Object Type="Keyword"><Param Name="Value">رمزنگاری بصری</Param></Object><Object Type="Keyword"><Param Name="Value">اشتراک‌گذاری مخفیk از n  ، هالفتون</Param></Object></ObjectList><ArchiveCopySource DocType="Pdf">http://jour.aicti.ir/fa/Article/Download/6582</ArchiveCopySource></ARTICLE></ArticleSet>