فارکس در افغانستان

تجارت الگوریتمی

مبانی تجزیه و تحلیل مالی و تجارت کمی با پایتون.

بررسی الگوریتم های سه بعدی سازی تصاویر و نقش آن ها در کاربردهای تجارت الکترونیک

بدون شک با رشد روز افزون دنیای مجازی و اینترنت مفهوم تجارت الکترونیکی نقش پر رنگ تری پیدا کرده است و چاره ای جز انتقال از محیط سنتی به محیط مجازی نیست. ولی از آنجایی که کالا ها در محیط مجازی همانند محیط سنتی قابل مشاهده و لمس نیستند، ایجاد حس اعتماد در مشتری و فروشنده به عنوان یک چالش اصلی در تجارت الکترونیکی محسوب می شود. برای حل این چالش از رسانه های مختلفی نظیر متن، صوت، انیمیشن، فیلم و تصویر استفاده می شود. اهمیت استفاده از تصاویر در تجارت الکترونیکی بر کسی پوشیده نیست. تصاویر بخش بسیار مهمی از قسمت قابل نمایش از هر سیستم تجارت الکترونیک را تشکیل می دهند و میزان حجم، کیفیت، و نوع آنها تاثیر قابل ملاحظه ای در استاندارد بودن و جذابیت هر چه بیشتر یک سیستم دارد. هر سیستمی که از تصاویر به عنوان رسانه استفاده می کند حداقل سه هدف مهم را دنبال می نماید که عبارتند از: انتقال اطلاعات به مخاطب، جلب اعتماد مخاطب و جلب توجه مخاطب( با استفاده از ایده های مناسب و جذابیت های تصویری). تصاویر دوبعدی به عنوان یکی از مهمترین رسانه های ارتباطی سالیان زیادی است که در سیستم های سنتی و تجارت الکترونیک مورد استفاده قرار می گیرند. اما کاربران سیستم های سنتی به سرعت در حال از دست دادن مخاطبین خود هستند. استفاده از تصاویر سه بعدی به عنوان یک راه حل مهم و مناسب برای رسیدن به اهداف مورد نظر در سیستم های تجارت الکترونیک مورد توجه قرار گرفته است. برای ساخت تصاویر سه بعدی روش های متعددی وجود دارد. در این پایان نامه سعی شده ابتدا روش های مختلف سه بعدی سازی تصاویر را مورد بررسی قرار گیرد و در نهایت یک الگوریتم ساخت تصاویر سه بعدی مبتنی بر یک تصویر را پیشنهاد و مورد بررسی قرار خواهیم داد.

برای دانلود 15 صفحه اول ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

در باب تصاویر 2-بعدی ها و 3- بعدی ها

قانون تجارت الکترونیک و نوآوری های آن

تخمین حالت و همتراز سازی مدل های سه بعدی با کمینه سازی تابع خطا در تصاویر سایه نما

امروزه با توجه به رشد روز افزون مدل¬های سه بعدی در رسانه های دیجیتال و به خصوص اینترنت، نیاز به یک سیستم یک پارچه جستجوی مدل های سه بعدی به شدت تجارت الگوریتمی احساس می شود. از آنجائیکه بسیاری از توصیف گرهای مورد استفاده در این زمینه نسبت به تغییرات و تبدیلات تشابه، بدون تغییر نیستند، هم تراز کردن مدل های سه بعدی یکی از مهمترین گام های رسیدن به یک سیستم بازیابی و یا تشخیص مدل های تجارت الگوریتمی سه بعدی با دقت بالا می باشد. .

ویژگی های تجارت الکترونیک و پذیرش آن توسط مشتریان

پژوهش حاضر با در نظر گرفتن مدل کرسپو و دل بوسکه (2010) به بررسی عوامل موثر بر پذیرش تجارت الکترونیک با تاکید بر ویژگی‌های تجاری اینترنت در سیستم حمل و نقل کشور پرداخته است و سعی بر شناسایی عواملی بوده است که سبب افزایش خرید الکترونیک می­شود تا بتوان با ارائه راهکارهای موثر و مفید به شرکت‌ها در جهت استفاده از تجارت الکترونیک و کسب مزیت رقابتی و معرفی مزایای تجارت الکترونیک به مشتریان در جهت.

قانون تجارت الکترونیک و نوآوری های آن

طراحی الگوریتم هرس بوته انگور بر اساس پردازش تصاویر سه بعدی

انجام هرس بوته­ی انگور با استفاده از ماشین­های هرس هوشمند و در واقع ربات­های هرس باعث کاهش نیروی کار مورد نیاز می گردد. در این پژوهش تلاش گردید الگوریتمی ارائه شود که با استفاده از رو­ش­ استریوویژن قادر به تشخیص نقاطی از بوته انگور که به منظور انجام هرس باید قطع گردند، باشد. تصاویر از باغ مرکز تحقیقات کشاورزی و منابع طبیعی استان فارس تهیه شدند. ابتدا بوته ها از زمینه تجارت الگوریتمی جدا شدند سپس تنه اصلی و شاخ.

تجارت الگوریتمی با استفاده از پایتون - دوره کامل

در این دوره کامل نحوه انجام معاملات الگوریتمی با استفاده از پایتون را بیاموزید. معاملات الگوریتمی به معنای استفاده از رایانه برای تصمیم گیری در مورد سرمایه گذاری است. الگوریتم های رایانه می توانند معاملات را با سرعت و فرکانسی انجام دهند که توسط انسان امکان پذیر نیست.

پس از یادگیری اصول تجارت الگوریتمی ، نحوه ساخت سه پروژه معاملاتی الگوریتمی را خواهید آموخت.

️ مطالب دوره ⭐️
(️ (0:00:00) مبانی تجارت الگوریتمی و مبانی API
️ (0:17:20) ایجاد صندوق شاخص S&P 500 با وزن مساوی
️ (1:38:44) ایجاد یک استراتژی سرمایه گذاری با شتاب کمی
️ (2:54:02) ایجاد استراتژی سرمایه گذاری با ارزش کمی

طرح کلی دوره

در این دوره ابتدا اصول تجارت الگوریتمی را یاد خواهید گرفت. سپس یاد می گیرید که چگونه API IEX Cloud آثار. ما از API برای جمع آوری داده ها استفاده خواهیم کرد.

بخش عمده این دوره نحوه ساخت سه پروژه تجاری الگوریتمی را آموزش می دهد.

بخش 1: مبانی تجارت الگوریتمی

  • تجارت الگوریتمی چیست؟
  • تفاوت بین تجارت الگوریتمی جهان واقعی و این دوره

بخش 2: پیکربندی دوره و اصول API

  • نحوه نصب پایتون
  • شبیه سازی مخزن و نصب وابستگی های ما
  • اصول دفترچه یادداشت Jupyter
  • مبانی درخواست API

بخش 3: ایجاد صندوق شاخص S&P 500 با وزن مساوی

  • نظریه و مفاهیم
  • وارد کردن رای دهندگان ما
  • جمع آوری داده ها برای رای دهندگان ما
  • محاسبه وزن
  • تولید فایل خروجی ما
  • ایده های اضافی پروژه

بخش 4: ایجاد یک استراتژی سرمایه گذاری کمی کمی

  • نظریه و مفاهیم
  • جمع آوری داده ها برای رای دهندگان ما
  • تجارت الگوریتمی
  • محاسبه وزن
  • تولید فایل خروجی ما
  • ایده های اضافی پروژه

بخش 5: ایجاد استراتژی سرمایه گذاری با ارزش کمی

  • نظریه و مفاهیم
  • وارد کردن رای دهندگان ما
  • جمع آوری داده ها برای رای دهندگان ما
  • محاسبه وزن
  • تولید فایل خروجی ما
  • ایده های اضافی پروژه

اولین پروژه در این دوره یک اسکرینر S & P 500 با وزن یکسان است. S&P 500 محبوب ترین شاخص بازار سهام در جهان است. در این پروژه ، شما یک نسخه جایگزین از S&P 500 Index Fund ایجاد خواهید کرد که در آن هر شرکت وزن یکسانی دارد.

پروژه دوم یک نمایشگر حرکت کمی است. سرمایه گذاری لحظه ای یعنی سرمایه گذاری در دارایی هایی که بیشترین افزایش قیمت را داشته اند. شما یک الگوریتم ایجاد خواهید کرد که این استراتژی را پیاده سازی می کند. ابتدا ، شما یک استراتژی ایجاد می کنید که از یک معیار تک تک حرکت استفاده می کند. سپس ، برای ایجاد یک استراتژی پیچیده تر که از معیارهای متعدد در کنار هم استفاده می کند ، گسترش خواهید یافت.

پروژه نهایی یک نمایشگر مقدار کمی است. سرمایه گذاری ارزشی یعنی سرمایه گذاری در سهامی که کمتر از ارزش ذاتی آنها تصور می شود. مانند پروژه قبلی ، ابتدا یک استراتژی ایجاد می کنید که از 1 معیار ارزش استفاده می کند. سپس ، شما برای ایجاد یک استراتژی پیچیده تر که از 5 معیار ارزش متفاوت با هم استفاده می کند ، گسترش خواهید یافت.

#پایتون #علم داده #یادگیری ماشین #توسعه دهنده

www.youtube.com

تجارت الگوریتمی با استفاده از پایتون - دوره کامل

در این دوره کامل نحوه انجام معاملات الگوریتمی با استفاده از پایتون را بیاموزید. معاملات الگوریتمی به معنای استفاده از رایانه برای تصمیم گیری در مورد سرمایه گذاری است. الگوریتم های رایانه می توانند معاملات را با سرعت و فرکانسی انجام دهند که توسط انسان امکان پذیر نیست.

پایتون برای امور مالی - آموزش تجارت الگوریتمی برای مبتدیان

مبانی تجزیه و تحلیل مالی و تجارت کمی با پایتون.

فناوری به یک دارایی در امور مالی تبدیل شده است. م institutionsسسات مالی در حال تبدیل شدن به شرکت های فناوری هستند نه اینکه فقط درگیر جنبه های مالی این حوزه باشند.

الگوریتم های ریاضی باعث ایجاد نوآوری و سرعت می تجارت الگوریتمی شوند. آنها می توانند به ما در کسب مزیت رقابتی در بازار کمک کنند.

سرعت و فراوانی معاملات مالی ، همراه با حجم زیاد داده ها ، توجه بسیاری از موسسات مالی بزرگ را به فناوری جلب کرده است.

معاملات الگوریتمی یا کمی فرایند طراحی و توسعه استراتژی های معاملاتی بر اساس تجزیه و تحلیل ریاضی و آماری است. این یک حوزه مالی بسیار پیچیده است.

این آموزش به عنوان راهنمای مبتدی برای تجارت کمی با پایتون عمل می کند. اگر این موارد را داشته باشید ، این پست بسیار مفید تجارت الگوریتمی خواهد بود

  1. دانش آموزی یا فردی که قصد دارد یک تحلیلگر کمی (کمی) در صندوق یا بانک شود.
  2. کسی که قصد راه اندازی تجارت تجاری مختص به خود را دارد.

در این پست به موضوعات زیر می پردازیم:

  • مبانی سهام و معاملات
  • استخراج داده ها از Quandl API
  • تجزیه و تحلیل داده های اکتشافی در مورد داده های قیمت گذاری سهام
  • میانگین متحرک
  • تدوین استراتژی معاملاتی با پایتون
  • تجسم عملکرد استراتژی

قبل از اینکه به جزئیات و پویایی داده های قیمت گذاری سهام بپردازیم ، ابتدا باید اصول مالی را درک کنیم. اگر فردی هستید که با امور مالی و نحوه انجام معاملات آشنایی دارد ، می توانید این بخش را رد کرده و برای رفتن به قسمت بعدی اینجا را کلیک کنید.

سهام چیست؟ معاملات سهام چیست؟

سهام نمایندگی سهم در مالکیت یک شرکت است که به مقدار معینی صادر می شود. این یک نوع امنیت مالی است که ادعای شما را درباره دارایی ها و عملکرد یک شرکت ایجاد می کند.

یک سازمان یا شرکتی برای افزایش سرمایه و سرمایه به منظور مقیاس بندی و مشارکت در پروژه های بیشتر سهام صادر می کند. سپس این سهام در دسترس عموم قرار می گیرد و خرید و فروش می شود.

استراتژی معاملات سهام و معاملات سهام

فرایند خرید و فروش سهام موجود و قبلاً منتشر شده را معامله سهام می نامند. قیمتی وجود دارد که می توان آن را خرید و فروش کرد و این بسته به تقاضا و عرضه در بازار سهام در نوسان است.

بسته به عملکرد و عملکرد شرکت ، قیمت سهام ممکن است بالا و پایین برود ، اما حرکت قیمت سهام محدود به عملکرد شرکت نیست.

معامله گران در ازای مالکیت درون یک شرکت ، به امید انجام معاملات سودآور و فروش سهام با قیمت بالاتر پول می پردازند.

تکنیک مهم دیگری که معامله گران از آن پیروی می کنند فروش کوتاه است. این شامل استقراض سهام و فروش فوری آنها به امید خرید بعداً با قیمت کمتر ، بازگرداندن آنها به وام دهنده و ایجاد حاشیه می شود.

بنابراین ، اکثر معامله گران از یک طرح و مدل برای تجارت پیروی می کنند. این به عنوان یک استراتژی تجاری شناخته می شود.

معامله گران کمی در صندوق های تامینی و بانک های سرمایه گذاری این استراتژی ها و چارچوب های تجاری را برای آزمایش آنها طراحی و توسعه می دهند. این امر نیاز به تخصص برنامه نویسی عمیق و درک زبان های مورد نیاز برای ایجاد استراتژی خود دارد.

پایتون یکی از محبوب ترین زبان های برنامه نویسی است که از جمله C ++ ، Java ، R و MATLAB استفاده می شود. به دلیل نحو آسان ، اجتماع عظیم و پشتیبانی شخص ثالث ، به طور گسترده در همه حوزه ها ، به ویژه در علم داده ، مورد استفاده قرار می گیرد.

برای استفاده بیشتر از این آموزش ، باید با پایتون و آمار آشنا باشید. اطمینان حاصل کنید که پایتون خود را مسدود کرده و آن را بررسی کنید مبانی آمار به

#پایتون #علم داده #برنامه ریزی #توسعه دهنده

www.freecodecamp.org

پایتون برای امور مالی - آموزش تجارت الگوریتمی برای مبتدیان

مبانی تجزیه و تحلیل مالی و تجارت کمی با پایتون. این آموزش به عنوان راهنمای مبتدی برای تجارت کمی با پایتون عمل می کند. این آموزش پایتون برای امور مالی شما را با معاملات الگوریتمی و موارد دیگر آشنا می کند.

بررسی ساختار الگوریتم ژنتیک وکاربرد آن در تجارت الکترونیک

دومین همایش ملی مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 5 صفحه است به صورت فایل PDF در اختیار داشته باشید.

مشخصات نویسندگان مقاله بررسی ساختار الگوریتم ژنتیک وکاربرد آن در تجارت الکترونیک

چکیده مقاله :

الگوریتم ژنتیک که به عنوان یکی از روشهای تصادفی بهینه یابی شناخته شده توسط جان هالند در سال 1967 ابدا شده تجارت الگوریتمی است. روال بهینه یابی در الگوریتم ژنتیک بر اساس یک روند تصادفی و هدایت شده استوار می باشد.در این روش ابتدا برای تعدادی ثابت که جمعیت نامیده می شود مجموعه ای از پارامترهای هدف به صورت اتفاقی تولید می شود. پس از اجرای برنامه، شبیه ساز عددی را که معرف انحراف معیار و یا برازش آن مجموعه از اظلاعات است را به آن عضو از جمعیت مذکور نسبت می دهیم. این عمل را برای تک تک اعضای ایجاد شده تکرار می کنیم سپس با فرا خوانی عملگرهای الگوریتم ژنتیک از جمله لقاح، جهش و انتخاب نسل بعد را شکل می دهیم و این روال تا رسیدن به همگرایی ادامه دارد

کلیدواژه ها:

کد مقاله /لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا FNCEITPNU02_042 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

نحوه استناد به مقاله :

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

حسنی بافرانی، عاطفه،1394،بررسی ساختار الگوریتم ژنتیک وکاربرد آن در تجارت الکترونیک،دومین همایش ملی مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور،نجف آباد،https://civilica.com/doc/458683


در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: ( 1394، حسنی بافرانی، عاطفه؛ )
برای بار دوم به بعد: ( 1394، حسنی بافرانی؛ )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله :

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • متین فر، فرزام، مومنی، محسن، "طراحی وپیاده سازی یک الگوریتم .
  • Odojima, K, تجارت الگوریتمی Haya shi, Y, Tianxia, G, Setinio, R, Greedy .

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

سطح بهینه تنوع و قیمت نشان‌های تجاری منتخب پنیر:کاربرد الگوریتم اجتماع ذرات (مطالعه موردی مشهد)

تنوع محصول هر نشان تجاری نقش مهمی در انتخاب نهایی مصرف‌کنندگان دارد. این موضوع از آن جهت حائز اهمیت است که سطح بهینه تنوع و قیمت نشان‌های تجاری می‌تواند راهگشای تصمیم‌گیری در طراحی و قیمت‌گذاری خطوط تولید برای مدیران باشد. اطلاعات مورد نیاز این پژوهش، مربوط به 435 فروشگاه‌ مواد غذایی از داده‌های شرکت صنایع شیر پگاه در سال 1393می‌باشد. در این پژوهش تلاش شده است با استفاده از الگوی سیستم معادلات به ظاهر نامرتبط و الگوریتم بهینه‌سازی اجتماع ذرات، سطح بهینه تنوع و قیمت نشان‌های تجاری تعیین شود. نتایج الگوریتم بهینه‌سازی اجتماع ذرات نشان داد که سطح بهینه تنوع نشان تجاری کاله در بازار از دیگر نشان‌های تجاری رقیب بیشتر شده است. همچنین نشان تجاری صباح باید 1 نوع از محصول پنیر خود را از بازار حذف نماید و نشان‌های تجاری کاله و پگاه در وضعیت بهینه از لحاظ تنوع محصول پنیر می‌باشند. با توجه به یافته‌ها از نظر قیمتی پیشنهاد می‌شود، سطح قیمت بهینه نشان تجاری کاله از دیگر رقبا بیشتر ‌باشد. همچنین فروشگاه‌های مواد غذایی برای افزایش سود، بایستی نسبت بیشتری از تنوع نشان‌های تجاری کاله و پگاه را داشته باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Optimal Level of Diversity and Price of Selected Cheese Product: Using Particle Swarm Algorithm (Case Study: Mashhad)

نویسندگان [English]

  • A. Dadrasmoghadam 1
  • M. Ghorbani 2
  • K. Karbasi 2
  • M.R. Kohansal 2

Introduction: Product line design is a critical task that may determine a firm's survival. Producers need to constantly evolve in response to market and technology changes. As a result, the determining optimal diversity has attracted considerable attention in the marketing literature. So, all optimization approaches that have been applied to the optimal product line design problem aim at finding a better approximation of the global optimal solution that this paper solved the optimal diversity problem for brands with the use of a new population-based optimization algorithm called Particle Swarm Optimization (PSO). PSO is a nature-inspired intelligence technique, which has displayed high performance in providing a wide variety of good near-optimal solutions in optimization problems of high complexity.
Materials and Methods: In this article, diversity and prices of selected brands on the market Mashhad cheese product using Noshad project data and Pegah Milk Industry (including 435 Grocery Store) using seemingly unrelated regression model and particle swarm optimization algorithm were reviewed and analyzed and optimized in 2014. The objective function is the sum of market shares (Kalleh, Pegah and Sabah). Constrain is share total of available brands in the market which is equal to one. The parameters used in this study, with population size 50 and individual and social learning rate is 2
Results and Discussion: Results showed that the effect the price on share of Kalleh is positive. In addition, Kalleh brand diversity have been a significant positive impact on share brand of Kalleh but with the Pegah and Sabah brand diversity have been negative relationship (statistically meaningless). The impact Pegah price is negative on the share of Pegah brand so Pegah price has a positive relationship with the price of Kalleh. With rising price of Sabah increase Pegah brand share. And diversity of Kalleh is negative and significant. Diversity of sabah brand is negative and non-significant. The effect of price on share of Pegah brand is negative and non-significant. The coefficient تجارت الگوریتمی of Sabah brand diversity have been positive and significant relationship with Sabah brand share in the market but Kalleh brand diversity on customers buying of Sabah has a significant and positive impact. The optimum level of diversification cheese brands of Kalleh, Pegah and Sabah respectively, 8, 5 and 3 obtained which it shows that the optimum level of Kalleh cheese brand diversity in the market is more than the other rival brands. The average price of cheese brand product diversity of Kalleh, Pegah and Sabah are 45696, 34626 and 30678 (rials) respectively and it suggests that the Kalleh brand price should be higher than the other competitors. After that, brand price have been Pegah and Sabah. Kalleh brand has maximum diversity, the optimum value diversity in this study still is 8 .Also, Pegah are optimized for these state and the optimum value is obtained 5 for Pegah in the market. In other words, the number required Kalleh and Pegah cheese brand is optimized in the market. The maximum of Sabah diversity is 4 which the optimal level of Sabah diversity should be reduced to 3. In the summery, results showed that the optimum level particle swarm optimization algorithm of cheese product diversity of Kalleh brand in the market is more than other rival brands. As well as, 1 type of cheese products Sabah brand should be removed in the market and Kalleh and Pegah brands are in optimal state from the terms of cheese product diversity.
Conclusion: According to the findings is suggested, Kalleh brand price is more than other competitors brands. The results also showed that grocery stores should have been more than Pegah and kalleh brand diversity to increase profits. Kalleh brand diversity lead to more profitability than other types of brands in the optimized state. One of the main reasons that the Kalleh brand has a special share in this market is its diversity. Optimum profit from their grocery stores showed that the optimal value of kalleh and Pegah diversity is caused to increase profitability in grocery stores. Kalleh cheese price is also more than other competitors because of the quality and products diversity could have been. Brands must be paid attention to the issue of diversity products of Cheese to increase their shares. Cheese product of brands must be investigated to packaging and processing, and other diversity of brands features to increase share and profit in the market.

کلیدواژه‌ها [English]

  • brand diversity
  • grocery store profit
  • optimal level of price
  • algorithms PSO

مراجع

Alexouda G. and Paparrizos K. 2001. A Genetic Algorithm approach to the product line design problem using the Seller's Return criterion: An exhaustive comparative computational study. European Journal of Operational Research 134(1): 165−178.

2- Banks A., Vincent J. and Anyakoha C. 2008. A review of particle swarm optimization. Part II: Hybridisation, combinatorial, multicriteria and constrained optimization, and indicative applications. Natural Computing 7: 109–124.

3- Balakrishnan P., Gupta R. and Jacob V. 2004. Development of hybrid genetic algorithms for product line designs. IEEE Transactions on Systems, Man, and Cybernetics 34(1): 468−483.

4- Bayus B.L. and Putsis J.W. 1999. Product proliferation: An empirical analysis of product line determinants and market outcome.Marketing Science 18(2): 137-153.

6-. Camm J. D., Cochran J. J., Curry D. J. and Kannan S. 2006. Conjoint optimization: An exact branch-and-bound algorithm for the share-of-choice problem. Management Science 52(3): 435−447.

7- Chen C., Gao X., Pei Q. and Li X. 2012. BNE-based concurrent transmission considering channel quality and its PSO searching strategy in Ad Hoc networks. Journal of Systems Engineering and Electronics 23(5):.649-660.

8-Davidson R., Mackinon J.G.1993. Estimation and inference in econometrics. Oxford University Press. ISBN 978-0-19-506011-9.

9-. Deneckere R. and Rothschild M. 1992. Monopolistic competition and preference diversity. Review of Economic Studies 59(2): 361-73.

10- Draganska M. and Dipak C.J. 2005. Product-line length as a competitive tool. Journal of Economics and Management Strategy 14(1):1-28.

11- Dixit A.K. and Stiglitz J.E. 1977. Monopolistic competition and optimum product diversity. American Economic Review 67(3): 297-308.

12- Edward F., Laura N. and John S. 2014.A dynamic model of shopping and consumption, Southern Methodist University.

13- Engelbrecht A. P. 2007. Computational intelligence: An introduction. England: John Wiley and Sons.

14- Foster G. and Ferguson S. 2013. Enhanced targeted initial populations for multi objective product line optimization. In ASME 2013 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. American Society of Mechanical Engineers.

15- Foster G., Turner C., Ferguson S. and Donndelinger J. 2014. Creating targeted initial populations for genetic product searches in heterogeneous markets. Engineering Optimization 46(12):.1729-1747.

16- Gilbert R.J. and Carmen M. 1993.Product line rivalry with brand differentiation. Journal of Industrial Economics 41(3): 223-240.

17- Gharibnavaz M. 1386. Effect of income distribution in urban and rural household on consumption pattern in Iran: An Application of Quadratic AIDS system. Master thesis, University of Shiraz. (in Persian with English abstract)

19- Grewal R., Chakravarty A., Ding M. and Liechty J. 2008. Counting chickens before the eggs hatch: Associating new product development portfolios with shareholder expectations in the pharmaceutical sector. International Journal of Research in Marketing 25(4): 261−272.

21-Horrace R.H., William C. and Jeffrey M.P. 2009.Variety: Consumer choice and optimal diversity. Food Marketing Policy, Center Research Report, No. 115.

22- Israilevich G. 2004.Assessing supermarket product-line decisions: The impact of slotting fees. Quantitative Marketing and Economics 2:141-167.

23- Kadiyali V., Naufel V. and Pradeep C. 1999. Product line extensions and competitive market interactions: An empirical analysis. Journal of Econometrics 89(1-2): 339-363.

24- Kaul A. and Rao V. R. 1995. Research for product positioning تجارت الگوریتمی and design decisions: An integrative view. International Journal of Research in Marketing 12(4): 293−320.

25- Kim J., Greg M.A. and Peter E.R. 2002.Modeling consumer demand for variety. Marketing Science 21(3): 229-250.

26- Kennedy J. and Eberhart R. C. 1995. Particle swarm optimization. Proceedings of the IEEE International Conference on Neural Networks .Piscataway, NJ, USA: IEEE Press. 1942−1948.

27- Kohli R. and Sukumar R. 1990. Heuristics for product line design using conjointanalysis. Management Science 36(12): 1464−1478.

28- Michalek J.J., Ebbes P., Adigüzel F., Feinberg F.M. and Papalambros P.Y. 2011. Enhancing marketing with engineering: Optimal product line design for heterogeneous markets. International Journal of Research in Marketing, 28(1):1-12.

29- Nevo A. 2003. New products, quality changes, and welfare measures computed from estimated demand systems.Review of Economics and Statistics 85(2):266-275.

30- Papadimitriou C. H. and Steiglitz K. 1983. Combinatorial optimization — Algorithms and complexity. Upper Saddle River, NJ: Prentice-Hall.

31-Perloff J.M. and Steven C.S. 1985. Equilibrium with product differentiation. Review of Economic Studies 52(1): 107-20.

32- Poli R., Kennedy J. and Blackwell T. 2007. Particle swarm optimization. An overview. Swarm Intelligence 1: 33–57.

33- Shafaghi C., Farokhi F., Sabbagh Nodoshan R. 2013. Compare and intelligent evolutionary optimization algorithms to solve the problem of locating the FPGA. Eighth Symposium on science and technology, University of Mashhad. (in Persian with English abstract)

34- Shi Y. and Eberhart R. 1998. A modified particle swarm optimizer. Proceedings of the IEEE World Congress on Computational Intelligence Anchorage, AK, USA: IEEE Press. 69−73.

35- Spence A.M. 1996. Product selection, fixed costs, and monopolistic competition. Review of Economic Studies 43(2):217-36

36- Saridakis C., Tsafarakis S., Delias P., Baltas G. and Matsatsinis N. 2015. Optimizing differentiation and commonality levels among models in car line-ups: An empirical application of a nature-inspired heuristic mechanism. Expert Systems with Applications 42(5):.2323-2335.

37- Spence A.M. 1996. Product selection, fixed costs, and monopolistic competition. Review of Economic Studies, 43(2): 217-36.

38- Srinivasan R., Lilien G. L. and Rangaswamy A. 2008. Survival of high tech firms: The effects of diversity of product–market portfolios, patents, and trademarks. International Journal of Research in Marketing 25(2): 119−128.

39- Stelios T., Yannis M. and Nikolaos M. 2011. Particle swarm optimization for optimal product line design, International Journal of Research in Marketing 28: 13–22.

40- Stelios T., Charalampos S., George B. and Nikolaos M. 2013. Hybrid particle swarm optimization with mutation for optimizing industrial product lines: An application to a mixed solution space considering both discrete and continuous design variables. Industrial Marketing Management 42: 496–506.

41- Tsafarakis S., Saridakis C., Baltas G., and Matsatsinis N. 2013. Hybrid particle swarm optimization with mutation for optimizing industrial product lines: An application to a mixed solution space considering both discrete and continuous design variables. Industrial Marketing Management 42(4):.496-506.

42- Villas-Boas J. M. 2004. Communication strategies and product line design. Marketing Science 23(3): 304-316.

43- Wang S.تجارت الگوریتمی C. and Yeh M.F. 2014. A modified particle swarm optimization for aggregate production planning. Expert Systems with Applications 41(6):.3069-3077.

44-Wu S. and Chen S. 2014, December. A Bi-level algorithm for product line design and pricing. In 2014 IEEE International Conference on Industrial Engineering and Engineering Management (pp. 14-18). IEEE.

45- Yakhkesh A. 1393. Factors affecting the market share of household purchases of fruits and vegetables from Mashhad municipality market. Master's Thesis, Ferdowsi University of Mashhad. (in Persian with English abstract)

46- Yang C.C. 2011. Constructing a hybrid Kansei engineering system based on multiple affective responses: Application to product form design. Computers & Industrial Engineering 60(4):.760-768.

47- Zellner A.1962. An efficient method of estimating seemingly unrelated regression and tests of regression bias. Journal of American Statistical Association 57:500-509.

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا