ارائه مدلي جديد جهت برنامه ريزي نوبت کاري پرستاران در مجموعه هاي پزشکي به کمک الگوريتم هاي فرا ابتکاري

•   آرشیو : نسخه تابستان 1398
•   موضوع : داده کاوی
• نویسنده/گان : محمدرضا فدوی امیری، زهرا جعفری
•   چکیده :
  دراین کار تلاش شده تا یک مدل رضایت بخش از قوانین موجود در یک بیمارستان را براساس اطلاعات منتشر شده و نیازهای آن بیمارستان، ایجاد شود. فرمول بندی ریاضی برای مساله مانبندی پرستاری مورد مطالعه برای اولین بار ارائه شده است. با توجه به ماهیت ترکیبی که مسائل زمانبندی پرستاران دارند ، یک روش بهینه سازی ازدحام ذرات پیشنهاد شده است. همچنین ساختار محدودیت های مساله تجزیه و تحلیل می شوند و به عنوان پایه برای تولید الگوهای جدول کاری استفاده می شود. این الگوها به عنوان پایه ای برای تولید سریع راه حل های اولیه ارائه می شوند و بعدها توسط الگوریتم بهینه سا زی ازدحام ذرات پیشنهاد شده بهبود می یابد. هنگامی که تخصیص شیفت منصفانه است به طوریکه اهداف تصمیم در نظر گرفته می شود، نتایج محاسباتی نشان می دهد که الگوریتم بهینه سازی ازدحام ذرات پیشنهاد شده ، قادر به تولید راه حل های مطلوب در تمام مسائل واقعی است. واژگان کليدي: زمانبندی ، فراابتکاری ، الگوریتم ازدحام توده ذرات. در این مقاله قصد داریم روابط بین متغیرهای وابسته و مجموعه پارامترهای مهم، مجموعه داده مربوط به خریدهای آپ پرتقال از دو برند متفاوت را مورد مطالعه قرار دهیم. این کار به دو روش صورت می-گیرد. رویکرد اول استفاده از رگرسیون لجستیک است و رویکرد دوم استفاده از روش آنالیز داده¬های توپولوژی بنام الگوریتم مپر به عنوان پیش¬پردازش قبل از اعمال روش اول بر روی مجموعه داده است. در قسمت نتیجه گیری نتایج استفاده از الگوریتم مپر به عنوان یک گام پیش پردازش را مشاهده خواهیم نمود.
•   کلید واژه : الگوریتم مپر، الگوریتم رگرسیون لجستیک، آنالیز داده¬های توپولوژی، ضرایب موثر.
•   Title : Using Hybrid Mapper and logistic regression algorithms to investigate the effective parameters in customers' purchases from two brands of orange juice
•   مراجع :
  G. Carlsson, “Topology and Data,” Bull.Amer.Math.Soc, pp. 255-308, 2009.
  G. Singh, “Algorithms for topological analysis of data,” Stanford University, 2008.
  W. Guo و A. Banerjee, “Identification of key features using topological data analysis for accurate prediction of manufacturing system outputs,” journal of manfacturing system, pp. 225-234, 2017.
  M. Perkins, “Visualizing Topological Space of Gene Expression Dynamics(Doctoral dissertation),” ProQuset Dissertations Publishing, 2019.
  شریفی و همکاران, “ویژگی های توپولوژیکی شبکه سهام در بازار بورس تهران(مطالعه موردی اثر برجام),” 1395.
  دهناوی و همکاران, “بررسی تاثیر کاهش بعد بر فضای ویژگی های توپولوژیک شبکه ی ژن ساخته شده از میکرو آرایه به منظور پیش گویی عود سرطان سینه، مجله دانشکده پزشکی اصفهان,” 1394.
  Balakrishnan.N, “Methods and Application of Statistics in Clinical Trials,” در Hoboken:Wiley, 2014.
  “Statistical Learning with Sparsity The lasso and Generalizations,” CRC Press, Hoboken, 2015.
  J. K. Brittany, T. Fasy Fabrizio Lecci و Clement Maria Vincent Rouvreau, “TDA:Statistical Tools For Topological Data Analysis,” Web Site Https://cran.r-project.org/web/packages/TDA/index.html, 2015.
  M. W. Dey.T.K, “Multiscale Mapper: A Framework for Topological Summarization of Data and Maps,” EprintarXiv:1504.03763, 2015.
•  صفحات : 81-95
•   دانلود فایل ( 1.23 KB )