پیش بینی تقاضا برای فرآورده های سوختی نفتی بر مبنای روش های فرا ابتکاری علف های هرز، توده ‌ذرّات ‌و شبکه‌های عصبی مصنوعی

فصل اول: کلیّات تحقیق

۱٫۱٫ مقدمه

۱٫۲٫ بیان مسأله

۱٫۳٫ اهمیت پژوهش

۱٫۴٫ اهداف تحقیق

۱٫۵٫ سؤالات پژوهشی

۱٫۶٫ روش تحقیق

۱٫۷٫ قلمرو تحقیق

۱٫۷٫۱٫ قلمرو موضوعی

۱٫۷٫۲٫ قلمرو زمانی

۱٫۷٫۱٫ قلمرو مکانی

۱٫۸٫ شرح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی):

فصل دوم: مبانی‌نظری تحقیق

۲٫۱٫ مقدمه

۲٫۲٫ پیش بینی تقاضای فرآورده های سوختی نفتی

۲٫۲٫۱٫ پیش بینی تقاضا

۲٫۲٫۲٫ اهمیت پیش بینی تقاضا

۲٫۲٫۳٫ سیستم پیش بینی تقاضا

۲٫۲٫۳٫۱٫ خروجی های سیستم پیش بینی

۲٫۲٫۳٫۲٫ ورودی های سیستم پیش بینی

۲٫۲٫۳٫۳٫ محدودیت های سیستم پیش بینی

۴٫۳٫۲٫۲٫ تصمیمات سیستم پیش بینی

۲٫۲٫۳٫۵٫ معیار عملکرد سیستم پیش بینی

۲٫۲٫۳٫۶٫ روشهای پیش بینی تقاضا

۲٫۲٫۴٫ اندازه گیری و کنترل خطای پیش بینی

۲٫۳٫ فرآورده های سوختی نفتی

۲٫۴٫ اهمیت تکنیک های مورد استفاده

۲٫۵٫ سابقۀ تحقیق (مروری بر مطالعات پیشین)

۲٫۵٫۱٫ مروری بر مطالعات انجام گرفتۀ داخلی

۲٫۵٫۲٫ مروری بر مطالعات انجام گرفتۀ خارجی

۲٫۶٫ جمع بندی مرور ادبیّات

فصل سوم: روش تحقیق

۳٫۱٫ مقدمه

۳٫۲٫ روش تحقیق

۳٫۳٫ تکنیک های مورد استفاده در تحقیق

۳٫۳٫۱٫ الگوریتم بهینه سازی علف های هرز(IWO)

۳٫۳٫۱٫۱٫ مقدمه

۳٫۳٫۱٫۲٫ اکولوژی تولید مثل علف های هرز

۳٫۳٫۱٫۳٫ شبیه سازی رفتار علف های هرز

۳٫۳٫۱٫۴٫ جزئیات گام های الگوریتم بهینه سازی علف های هرز

۳٫۳٫۱٫۵٫ بررسی مشکلات الگوریتم بهینه سازی علف های هرز IWO

۳٫۳٫۱٫۶٫ نوآوری در الگوریتم بهینه سازی علف های هرز

۳٫۳٫۱٫۷٫ اجزاء و پارامترهای الگوریتم بهینه سازی علف های هرز

۳٫۳٫۱٫۸٫ نحوۀ محاسبه دانه های تولیدی و به روزرسانی انحراف معیار

۳٫۳٫۲٫ الگوریتم بهینه سازی توده ذرّات (PSO)

۳٫۳٫۲٫۱٫ مقدمه

۳٫۳٫۲٫۲٫ تاریخچۀ بهینه سازی توده ذرّات

۳٫۳٫۲٫۳٫ هوش ازدحامی

۳٫۳٫۲٫۴٫ کاربردهای الگوریتم بهینه سازی توده ذرّات

۳٫۳٫۲٫۵٫ مراحل اجرای الگوریتم بهینه سازی توده ذرّات

۳٫۳٫۲٫۶٫ توپولوژی یا ساختار شبکۀ اجتماعی

۳٫۳٫۲٫۷٫ بررسی مشکلات الگوریتم بهینه سازی توده ذرّات

۳٫۳٫۲٫۸٫ معادلات توصیف کنندۀ رفتار ذرّات

۳٫۳٫۲٫۹٫ پارامترهای الگوریتم بهینه سازی توده ذرّات

۳٫۳٫۲٫۱۰٫ مراحل الگوریتم ازدحام ذرات

۳٫۳٫۳٫ شبکه های هوش مصنوعی (ANN)

۳٫۳٫۳٫۱٫ مقدمه

۳٫۳٫۳٫۲٫ شبکه عصبی مصنوعی

۳٫۳٫۳٫۳٫ شبکۀ MLP

۳٫۳٫۳٫۴٫ مدل تک ورودی در شبکه های عصبی

۳٫۳٫۳٫۵٫ مدل چند ورودی شبکه عصبی

۳٫۳٫۴٫ کاربرد شبکه های عصبی مصنوعی

۳٫۴٫ مدل اتورگرسیو مرتبۀ P یا AR(P)

۳٫۵٫ روش گردآوری اطلاعات

۳٫۶٫ تعریف بهینه سازی

۳٫۶٫۱٫ انواع روش های بهینه سازی

۳٫۶٫۱٫۱٫ کلاسیک ها

۳٫۶٫۱٫۲٫ روش های ابتکاری

فصل چهارم تجزیه و تحلیل داده‌ها

۴٫۱٫ مقدمه

۴٫۲٫ جمع آوری داده ها

۴٫۳٫ خطاهای پیش‌بینی

۴٫۴٫ پیشبینی با استفاده از الگوریتم فراابتکاری علفهای هرز

۴٫۴٫۱٫ تنظیم پارامترها

۴٫۴٫۲٫ برآورد وزنهای AR با استفاده از الگوریتم IWO

۴٫۴٫۳٫ مقادیر پیشبینی با استفاده از الگوریتم IWO

۴٫۵٫ پیش بینی با استفاده از الگوریتم فراابتکاری ازدحام ذرّات

۴٫۵٫۱٫ مقادیر ویژۀ ضرایب الگوریتم PSO

۴٫۵٫۲٫ تنظیم پارامتر ها

۴٫۵٫۳٫ مقادیر پیش بینی با استفاده از الگوریتم PSO

۴٫۶٫ پیش بینی با استفاده از شبکه های هوش مصنوعی

۴٫۶٫۱٫ پیش بینی تقاضا برای بنزین موتور با استفاده از شبکه های هوش مصنوعی:

۴٫۶٫۱٫۱٫ تعداد دوره های ورودی برای پیش بینی بنزین موتور:

۴٫۶٫۱٫۲٫ ساختار شبکه های عصبی برای بنزین موتور:

۴٫۶٫۲٫ پیش بینی تقاضا برای نفت کوره با استفاده از شبکه های هوش مصنوعی:

۴٫۶٫۲٫۱٫ تعداد دوره های ورودی برای پیش بینی نفت کوره:

۴٫۶٫۲٫۲٫ ساختار شبکه های عصبی برای نفت کوره:

۴٫۶٫۳٫ پیش بینی تقاضا برای نفت سفید با استفاده از شبکه های هوش مصنوعی:

۴٫۶٫۳٫۱٫ تعداد دوره های ورودی برای پیش بینی نفت سفید:

۴٫۶٫۳٫۲٫ ساختار شبکه های عصبی برای نفت سفید:

۴٫۶٫۴٫ پیش بینی تقاضا برای نفت گاز با استفاده از شبکه های هوش مصنوعی:

۴٫۶٫۴٫۱٫ تعداد دوره های ورودی برای پیش بینی نفت گاز:

۴٫۶٫۴٫۲٫ ساختار شبکه های عصبی برای نفت گاز:

فصل پنجم بحث و نتیجه گیری

۵٫۱٫ مقدمه

۵٫۲٫ ارزیابی مدل ها پیش بینی

۵٫۳٫ بررسی سوالات پژوهشی

۵٫۴٫ بحث و نتیجه گیری

۵٫۵٫ پیشنهادات کاربردی

۵٫۶٫ پیشنهادات برای تحقیقات آتی