پیش‌بینی میزان مخارج دفاعی ایران تا افق 1404؛ با استفاده از الگوریتم‌های ژنتیک و PSO

منابع

• امامی میبدی، علی، خضری، محسن و اعظمی، آرش (1388). «شبیه­سازی تابع تقاضای انرژی در ایران با استفاده از الگوریتم بهینه­سازی انبوه ذرات (PSO)»، فصلنامه مطالعات اقتصاد انرژی، سال ششم، شماره 20، 159-141.
• بخشی دستجردی، رسول و خاکی نجف آبادی، ناهید (1389). «بررسی تاثیر جمعیت بر رشد اقتصادی در چارچوب الگوی رشد بهینه در اقتصاد ایران (1386-1350)، کاربردی از الگوریتم ژنتیک»، مجله تحقیقات اقتصادی، شماره 94، 22-1.
• بهمنی، مجتبی، قاسمی‌نژاد، امین، کریمیان، علی اکبر و آرامش، حکیمه (1393). «شبیه­سازی تابع تقاضای برق بخش کشاورزی با استفاده از الگوریتم انبوه ذرات (PSO)»، مجله تحقیقات اقتصاد کشاورزی، جلد ششم، شماره 2، 11-1.
• جلائی، سید عبدالمجید، قاسمی، امین و ستاری، امید (1394). «شبیه‌سازی تابع مصرف و پیش‌بینی میزان مصرف ایران تا افق 1404 با استفاده از الگوریتم ژنتیک و الگوریتم بهینه سازی انبوه ذرات (PSO)»، فصلنامه پژوهش‌های اقتصادی، دوره 15، شماره 2، 47-27.
• جلائی اسفندآبادی، عبدالمجید، طالقانی، فاطمه، منگالی، هدا و آرامش، حکیمه (1392). «شبیه­سازی و پیش­بینی صادرات تا افق 1404»، فصلنامه راهبرد اقتصادی، سال دوم، شماره 4، 166-147.
• صادقی، حسین، ذوالفقاری، مهدی، سهرابی، حسین، سلمانی، یونس (1391). «کاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه­سازی و پیش­بینی تقاضای انرژی»، نشریه انرژی ایران، دوره 15، شماره 2، 60- 45.
• عصاری، محمدرضا، عصاره، احسان، بهرنگ، محمدعلی و قنبرزاده، افشین (1389). «کاربردی از ترکیب الگوریتم ژنتیک و شبکه­های عصبی مصنوعی برای برآورد مصرف گاز طبیعی در ایران»، فصلنامه تبدیل انرژی، دوره 1، شماره 1، 31- 25.
• قنبری، علی، خضری، محسن و اعظمی، آرش (1387). «شبیه­سازی تابع تقاضای بنزین و نفت گاز در حمل و نقل زمینی ایران، با استفاده از روش الگوریتم ژنتیک»، فصلنامه اقتصاد مقداری، شماره 4، 177-157.
• کاظمی، عالیه، مؤمنی، منصور و نظری، حسام  (1392). «انتخاب سناریوی مناسب برای پیش­بینی تقاضای انرژی بخش خانگی- تجاری با استفاده از الگوریتم بهینه­سازی انبوه ذرات»، فصلنامه اقتصاد مقداری، دوره 10، شماره 3، 19-1 .
• گل‌خندان، ابوالقاسم (1394). «تعیین سطح بهینه‌ی بخش دفاعی در ایران از منظر اقتصادی»، فصلنامه مدیریت نظامی، دوره 15، شماره 60، 212-176.
• میرفخرالدینی، سیدحیدر، بابایی میبدی، حمید و مروتی شریف‌آبادی، حمید (1391). «پیش­بینی مصرف انرژی ایران با استفاده از الگو ترکیبی الگوریتم ژنتیک و شبکه عصبی مصنوعی و مقایسه آن با الگوهای سنتی»، مجله پژوهش­های مدیریت در ایران، دوره 17، شماره 2، 222-196.
• هارتلی، کیت و ساندلر، تاد (1383). منتخبی از موضوعات در کتاب اقتصاد دفاع، ترجمه ابراهیم بیضایی، تهران، انتشارات سمت.
  • Abdelfattah, Y.M., Abu-Qarn, A. & Dunne, P. (2013). The demand for military spending in Egypt. Defense and Peace Economics.
  • Bahrami, S., Hooshmand, R.A., & Parastegari, M. (2014). Short term electric load forecasting by wavelet transform and grey model improved by PSO (particle swarm optimization) algorithm. Energy, 72, 434-442.‏
  • Canyurt, O.E., & Öztürk, H.K. (2006). Three different applications of genetic algorithm (GA) search techniques on oil demand estimation. Energy conversion and management, 47(18), 3138-3148.‏
  • Charbonneau, P. (2002). An introduction to genetic algorithms for numerical optimization. NCAR Technical Note, 74.‏
  • Chakraborty, M. & Chakraborty, U.K. (1997, September). An analysis of linear ranking and binary tournament selection in genetic algorithms. In Information, Communications and Signal Processing, 1997. ICICS, Proceedings of 1997 International Conference on (Vol. 1, pp. 407-411). IEEE.‏
  • Coir, D.W. & Smith, A.E. (1995). Using a neural network as a function evaluator during GA search for reliability optimization. In Proceedings of the Artificial Neural Networks in Engineering (ANNIE’95) (Vol. 5, pp. 369-374).‏
  • Goldberg, D.E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning.‏
  • Hassanzadeh, Y., Abdi, A., Talatahari, S. & Singh, V.P. (2011). Meta-heuristic algorithms for hydrologic frequency analysis. Water resources management, 25(7), 1855-1879.‏
  • Haldenbilen, S., & Ceylan, H. (2005). Genetic algorithm approach to estimate transport energy demand in Turkey. Energy Policy, 33(1), 89-98.‏
  • Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. (Second edition: MIT Press, 1992.)
  • Kennedy, J. & Eberhart, R. (1995). "Particle swarm optimization," Proc. Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, 1942-1948.
  • Kumar, D.N. & Reddy, M.J. (2007). Multi-objective particle swarm optimization for generating optimal trade-offs in reservoir operation. Hydrological Processes, 21(21), 2897-2909
  • Kıran, M. S., Özceylan, E., Gündüz, M., & Paksoy, T. (2012). A novel hybrid approach based on particle swarm optimization and ant colony algorithm to forecast energy demand of Turkey. Energy conversion and management, 53(1), 75-83.‏
  • Liu, Y. (2009). Automatic calibration of a rainfall–runoff model using a fast and elitist multi-objective particle swarm algorithm. Expert Systems with Applications, 36(5), 9533-9538.‏
  • Nagesh Kumar, D. & Janga Reddy, M. (2007). Multipurpose reservoir operation using particle swarm optimization. Journal of Water Resources Planning and Management, 133(3), 192-201.‏
  • Paksoy T., Özceylan, E., Pehldvan N. & Weber G. (2011). Particle Swarm Optimization Approach for Estimation of Energy Demand of Turkey”, Global Conference on Power Control and Optimization, Dubai, UAE.
  • Pereira, R. (2000). Genetic Algorithm Optimizations for Finance and Investments.‏
  • Reeves, C.R., Scott, D. & Harrison, A. (2003). Applying Genetic Algorithms to Container Transshipment, Artificial Neural Nets and Genetic Algorithms, 234-238.
  • Rudolph G. 1994. Convergence properties of canonical genetic algorithms. IEEE Transactions on Neural Networks, 1(5), 96–101.
  • Ünler, A. (2008). Improvement of energy demand forecasts using swarm intelligence: The case of Turkey with projections to 2025. Energy Policy, 36(6), 1937-1944.‏
  • Yu, S., Zhu, K., & Zhang, X. (2012). Energy demand projection of China using a path-coefficient analysis and PSO–GA approach. Energy Conversion and Management, 53(1), 142-153.‏