انجمن سیستم های فازی ایرانسیستم های فازی و کاربردها2717-44091220190220Master's contributions to statistics and fuzzy probabilityمشارکت‌های استاد ارقامی در آمار و احتمال فازی198607220.1001.1.27174409.1397.1.2.1.4/DORFAسید محمودطاهریدانشگاه تهران، دانشکدۀ فنیJournal Article20181106The first studies in the field of statistics and fuzzy probability in Iran date back to about a quarter of a century ago (early seventies). The late Professor Dr. Nasser Reza Arqami had a special role in the beginning and continuation of these studies. In this article, we describe his role and influence in scientific research related to the field of statistics and fuzzy probability, to his articles in this field.<br />We mention and also discuss the role of Master Arqami in the educational and promotional fields of statistics and fuzzy probability. Finally, we refer to his scientific and executive activities in the Iranian Fuzzy Systems Association (such as the establishment of the association and the launch of the scientific-research journal of the association). <br /> نخستین مطالعات در حوزۀ آمار و احتمال فازی در ایران به حدود ربع قرن قبل (ابتدای دهۀ هفتاد هجری شمسی) باز می گردد. استاد مرحوم دکتر ناصر رضا ارقامی نقش ویژه ای در آغاز و تداوم این مطالعات داشتند. در این مقاله، نقش و تاثیر ایشان را در پژوهش های علمی مرتبط با حوزۀ آمار و احتمال فازی شرح می دهیم ، به مقالات ایشان در این زمینه اشاره می کنیم و هم چنین به نقش استاد ارقامی در زمینه های آموزشی و ترویجی آمار و احتمال فازی می پردازیم . سرانجام به فعالیت های علمی و اجرایی ایشان در انجمن سیستم های فازی ایران (مانند تاسیس انجمن و راه اندازی مجلۀ علمی - پژوهشی انجمن) اشاره می کنیم . https://jfsa.fuzzy.ir/article_86072_643ea95bac06b6d2d7326c79a7e77729.pdfانجمن سیستم های فازی ایرانسیستم های فازی و کاربردها2717-44091220190220A review of fuzzy reinforcement learning methods with critical-only architectureمروری بر روش های یادگیری تقویتی فازی با معماری نقاد-تنها11348607520.1001.1.27174409.1397.1.2.2.5/DORFAولیدرهمیدانشگاه یزد، پردیس فنی و مهندسی، گروه مهندسی کامپیوترفرینازاعلمی یان هرندیدانشگاه یزد، پردیس فنی و مهندسی، گروه مهندسی کامپیوترJournal Article20190305This article reviews fuzzy reinforcement learning methods with critical-only architecture. Fuzzy reinforcement learning is the result of combining fuzzy systems as a comprehensive approximator and reinforcement learning method. Reinforcement learning is a powerful learning method that adjusts system parameters online using only a numerical signal of reward or penalty. In critical architecture, only a zero-order Sugeno fuzzy system is used to approximate the value-action function, and the final action is obtained based on the value of the candidate actions in the sequence of each fuzzy rule and learning (FQL). In this paper, two basic methods called fuzzy Q learning to regulate the value of candidate's actions are described. In these two methods (FSL) fuzzy Sarsa is used to generalize the methods of learning standard Q and standard Sarsa learning, respectively. The existence of positive mathematical analysis of convergence is FQL over FSL. There are the most important advantages and extensions of FSL and FQL. FQL methods, while examples of divergence, have been used in many control issues such as robot movement, robot arm movement, boat movement, computer network routing, and wind farm control.این مقاله به مرور روش های یادگیری تقویتی فازی با معماری نقاد-تنها می پردازد . یادگیری تقویتی فازی از ترکیب سیستم های فازی به عنوان تقریب زننده ی جامع و روش یادگیری تقویتی حاصل شده است. یادگیری تقویتی یک روش یادگیری قوی است که تنها با استفاده از سیگنال عددی پاداش یا جریمه پارامترهای سیستم را به صورت برخط تنظیم می نماید. در معماری نقاد-تنها یک سیستم فازی مدل سوگنو مرتبه ی صفر برای تقریب تابع ارزش-عمل استفاده می شود و عمل نهایی بر اساس مقدار ارزش عمل های نامزد در تالی هر قاعده ی فازی و یادگیری(FQL) به دست می آید. در این مقاله دو روش پایه به نام های یادگیری کیو فازی برای تنظیم ارزش عمل های نامزد قواعد بیان می شود. در این دو روش(FSL) سارسای فازی به ترتیب از تعمیم روش های یادگیری کیو استاندارد و یادگیری سارسای استاندارد بهره برده شده وجود تحلیل های مثبت ریاضی درخصوص همگرایی است FQL بر FSL است. مهمترین برتری و گسترش هایی از FSL و FQL وجود دارد. روش های FQL در حالی که مثال هایی از واگرایی در آنها در مسائل کنترلی زیادی همچون حرکت ربات، حرکت بازوی ربات، حرکت قایق، مسیریابی در شبکه های کامپیوتری، و کنترل نیروگاه بادی استفاده شده و کارآیی خود را نشان داده اند.https://jfsa.fuzzy.ir/article_86075_89095ac091137b3185e5bc254ef65847.pdfانجمن سیستم های فازی ایرانسیستم های فازی و کاربردها2717-44091220190220EM algorithm based on fuzzy observationsالگوریتم EM مبتنی بر مشاهدات فازی35448607120.1001.1.27174409.1397.1.2.3.6/DORFAعباسپرچمیدانشگاه شهید باهنر کرمان، دانشکده ریاضی و کامپیوتر، بخش آمارJournal Article20180616The EM algorithm is a powerful tool for estimating maximum accuracy based on incomplete data and has been discussed in most statistical inference books. Here, the meaning of the word "incomplete" is general, and in different situations it can mean a variety of meanings (such as missing data, interval data, censored observations, and the like).<br />This paper introduces a new application of the EM algorithm in which incomplete data refers to inaccurate / ambiguous / fuzzy data. Based on this type of ambiguous data, in this paper, the maximum likelihood estimate of the exponential distribution parameter is calculated using the EM algorithm in the form of a numerical example, and this example can be used to understand the material and also use the EM algorithm in the examples / modes. More complex, useful for graduate students based on fuzzy observationsالگوریتم EM ابزاری قدرتمند برای برآورد بیشترین درستنمایی مبتنی بر داده های ناقص است و در اغلب کتاب های استنباط آماری نیز مطرح شده است. در اینجا معنی کلمه « ناقص » حالتی کلی دارد و در موقعیت های متفاوت می تواند به معانی گوناگونی ( مانند داده های گم شده، داده های بازه ای، مشاهدات سانسور شده و نظایر آنها ) دلالت داشته باشد. <br />این مقاله کاربردی جدیدی از الگوریتم EM را مطرح می سازد که در آن منظور از داده های ناقص داده‌های نادقیق / مبهم /فازی هستند. بر اساس این نوع داده های مبهم، در این مقاله برآورد بیشینه درستنماییِ پارامتر توزیع نمایی به کمک الگوریتم EM در قالب یک مثال عددی محاسبه شده است و این مثال می تواند به منظور فهم مطلب و نیز استفاده از الگوریتم EM در مثال ها / حالت های پیچیده تر، برای دانشجویان تحصیلات تکمیلی مبتنی بر مشاهدات فازی مفید باشد.https://jfsa.fuzzy.ir/article_86071_75ffa91d02fb0ef932c8d84326bc4a4e.pdfانجمن سیستم های فازی ایرانسیستم های فازی و کاربردها2717-44091220190220Distance and similarity criteria for fuzzy sets and some of its extensionsمعیارهای فاصله و شباهت برای مجموعه های فازی و برخی از توسعه های آن451048607420.1001.1.27174409.1397.1.2.4.7/DORFAکامرانرضاییدانشگاه سیستان و بلوچستان، دانشکده ریاضی، آمار و علوم کامپیوتر، گروه علوم کامپیوتر0000-0002-6026-8418حسنرضاییدانشگاه سیستان و بلوچستان، دانشکده ریاضی، آمار و علوم کامپیوتر، گروه علوم کامپیوتر0000-0002-2082-4619Journal Article20190205After the introduction of fuzzy collections by Zadeh, these collections were considered by many researchers and several extensions were introduced. Examples include type fuzzy sets, value range fuzzy sets, intuitive fuzzy sets, and hesitant fuzzy sets. Considering the various applications of these sets in different fields and also considering the importance of distance and similarity criteria in areas such as decision making, pattern recognition, data mining, etc., the study of these criteria for fuzzy sets and its developments is a matter. It is important. Therefore, in this article, some of the distance and similarity criteria introduced for these sets are examined.پس از معرفی مجموعه های فازی توسط زاده، این مجموعه ها مورد توجه بسیاری از محققان قرار گرفت و توسعه های متعددی از آنها معرفی شد. به عنوان نمونه، می توان به مجموعه های فازی نوع ٢، مجموعه های فازی بازه مقدار، مجموعه های فازی شهودی و مجموعه های فازی مردد اشاره کرد. با توجه به کاربردهای متعدد این مجموعه ها در زمینه های مختلف و همچنین با توجه به اهمیت معیارهای فاصله و شباهت در زمینه هایی همچون تصمیم گیری، تشخیص الگو، داده کاوی و غیره، بررسی این معیارها برای مجموعه های فازی و توسعه های آن، امری حائز اهمیت است. از اینرو، در این مقاله به بررسی برخی از معیارهای فاصله و شباهت معرفی شده برای این مجموعه ها پرداخته شده است.https://jfsa.fuzzy.ir/article_86074_e9b137fd0a84a2fef39abf850eab168b.pdfانجمن سیستم های فازی ایرانسیستم های فازی و کاربردها2717-44091220190220Weighting approaches in fitting fuzzy regression modelsرویکردهای وزنی در برازش مدل های رگرسیون فازی1051178607320.1001.1.27174409.1397.1.2.5.8/DORFAجلالچاچیدانشگاه شهید چمران اهواز، دانشکده ریاضی و علوم کامپیوتر، گروه آمارعلیرضاچاجیدانشگاه صنعتی شهدای هویزه، گروه برقJournal Article20190119In this paper, we replace the objective functions of fuzzy regressions with the fitting criteria of least squares error and minimum absolute value of deviations (errors) with objective functions based on the weighted sum of functions of errors (deviations or residuals) or ordered errors. According to the method of selecting the optimal weights and the type of function applied to the errors, the solid and unstable approaches common in fuzzy regression models are generalized based on new relationships based on such good fit criteria. We will also make a brief reference here to the calculations related to the optimization problems of such models. Such approaches have a great impact on reducing the destructive effects of Pert observations in estimating the optimal model and are a good alternative to fuzzy regression models with the ability to detect Pert observations. On the other hand, these methods are generalizations of fuzzy regression models of least squares and least absolute values of deviations and can be used to model any combination of input-accurate / fuzzy and output-accurate / fuzzy observations.در این مقاله توابع هدف رگرسیون های فازی با معیارهای برازش کمترین مربعات خطا و کمترین قدرمطلق انحرافات (خطاها) را با توابع هدفی بر مبنای مجموع وزنی توابعی از خطاها (انحرافات یا باقیمانده ها) یا خطاهای مرتب شده، جایگزین می کنیم. با توجه به نحوه و شیوه انتخاب وزن های بهینه و نوع تابع اعمال شده بر خطاها، رویکردهای استوار و غیر استوار متداول در مدل های رگرسیون فازی بر اساس روابط جدیدی بر مبنای اینگونه معیارهای نیکویی برازش تعمیم داده می شود. همچنین در اینجا اشاره ای کوتاه و مختصر به محاسبات مربوط به مسایل بهینه سازی چنین مدل هایی خواهیم نمود. اینگونه رویکردها تاثیر فراوانی در جهت کاهش اثرات مخرب مشاهدات پرت در برآورد مدل بهینه دارند و جایگزین مناسبی برای مدل های رگرسیون فازی با توانایی تشخیص مشاهدات پرت هستند. از طرفی این روش ها تعمیم مدل های رگرسیون فازی کمترین مربعات و کمترین قدرمطلق انحرافات هستند و می توانند برای مدل سازی هر نوع ترکیبی از مشاهدات ورودی-دقیق/فازی و خروجی-دقیق/فازی بکار برده شود.https://jfsa.fuzzy.ir/article_86073_65bfe9ca266e995c3bc197f1b353d9d0.pdfانجمن سیستم های فازی ایرانسیستم های فازی و کاربردها2717-44091220190220A proposed approach to solving multi-objective fuzzy stochastic linear programming problems with fuzzy probabilityیک رویکرد پیشنهادی برای حل مسایل برنامه‌ریزی خطی تصادفی فازی چندهدفه با احتمال فازی1191338607620.1001.1.27174409.1397.1.2.6.9/DORFAسید هادیناصریدانشگاه مازندران، گروه ریاضیسلیمباوندیدانشگاه مازندران، گروه ریاضیJournal Article20190305In most of the phenomena we face, there is some kind of uncertainty. The basic problem in this field is first to identify the type of uncertainty and then to solve the models that face that type of uncertainty. Of course, some uncertainty environments do not have a good mathematical basis and use non-principled solving methods with great variety. One of the most important uncertainty environments that are widely used today is fuzzy and random environments, but in the face of today's phenomena, we find that the complexity of phenomena is such that it requires the simultaneous use of both random and fuzzy uncertainties. Hence the need to deal with fuzzy stochastic hybrid environments. Fuzzy stochastic programming is concerned with optimization problems in which some or all of its parameters are in the form of fuzzy stochastic variables. This paper presents an approach to solving multi-objective fuzzy stochastic linear programming problems. First, the multi-objective fuzzy stochastic model is transformed into a definite equivalent multi-objective linear programming model using the odds constraint probability programming approach with fuzzy probability and the alpha-cut concept, and then the resulting model is solved by adopting a fuzzy approach.در اکثر پدیدههایی که با آن روبرو هستیم عدم قطعیت به نوعی وجود دارد. مسئله اساسی که در این زمینه وجود دارد در ابتدا تشخیص نوع عدم قطعیت و سپس حل مدل‌هایی است که با آن نوع از عدم قطعیت مواجه هستند. البته برخی از محیطهای عدمقطعیت از پایه ریاضی مناسبی برخوردار نیستند و از روشهای حل غیراصولی با تنوع بسیار استفاده می‌کنند. از جمله مهمترین محیطهای عدمقطعیت که امروزه به طور گسترده مورد استفاده قرار می‌گیرد محیطهای فازی و تصادفی است اما در مواجه با پدیده‌های امروزی متوجه میشویم که پیچیدگی پدیده‌ها به نوعی است که نیازمند بکارگیری همزمان دو عدم قطعیت تصادفی و فازی است. از این رو لزوم پرداختن به محیطهای ترکیبی تصادفی فازی ایجاد میشود. برنامه‌ریزی تصادفی فازی در ارتباط با مسایلی از بهینه‌سازی است که برخی یا همه پارامترهای آن بصورت متغیرهای تصادفی فازی هستند. در این مقاله یک رویکرد برای حل مسایل برنامه‌ریزی خطی تصادفی فازی چندهدفه ارایه میشود. در ابتدا مدل تصادفی فازی چندهدفه با استفاده از رویکرد برنامه‌ریزی محدودیت شانس با احتمال فازی و مفهوم آلفا-برش به یک مدل برنامه‌ریزی خطی چندهدفه قطعی معادل تبدیل و سپس با اتخاذ یک رویکرد فازی، مدل حاصل حل میشود.https://jfsa.fuzzy.ir/article_86076_c0966d35ea47c5c7fc8627160757a18b.pdf