مشخصات پژوهش

عنوان	استفاده از الگوریتم بهینه سازی سیاسی به منظور دستیابی به عدالت در سیستم‌های پیشنهاد دهنده چند ذی‌نفع
نوع پژوهش	پایان نامه
کلیدواژه‌ها	الگوریتمهای بهینهسازی رقابتی – اجتماعی , الگوریتمهای بهینهسازی چند هدفه , الگوریتم بهینهسازی سیاسی - سیستمهای پیشنهاد دهنده چند ذینفع.
چکیده	به‌منظور دستیابی به-Pعادلانه، ممکن است بیش از یک جواب بیشینه محلی یا کمینه محلی وجود داشته باشد که لزوماً همه آن‌ها بهینه سراسری مسئله موردنظر نخواهند بود. اگرچه الگوریتم ‌‌های بهینه‌سازی چندهدفه می‌تواند راهگشای حل این مسائل باشد، اما این الگوریتم ‌ها دارای مشکلاتی مانند گیر افتادن در بهینه محلی به دلیل هم‌گرایی زودرس، توانایی ناکافی برای یافتن نقاط انتهایی نزدیک( یعنی مشکل بهره‌برداری )، و فقدان مکانیسم کارآمد برای درمان محدودیت ‌ها( یعنی مشکل رسیدگی به محدودیت) هستند. برای حل این محدودیت‌ها، الگوریتم‌های بهینه‌سازی رقابتی – اجتماعی ارائه‌شده‌اند. یکی از الگوریتم‌های جدید ارائه‌شده مبتنی بر رقابت اجتماعی – سیاسی الگوریتم بهینه‌سازی سیاسی (PO) است. الگوریتم بهینه‌سازی سیاسی نگاشتی از مراحل اصلی سیاست ازجمله اختصاص حوزه انتخابیه، تغییر حزب، مبارزات انتخاباتی، انتخابات میان احزاب و امور مجلسی است. در الگوریتم POفهرست‌های پیشنهادی به‌عنوان راه‌حل‌های کاندید برای سیستم‌های پیشنهاد دهنده چند ذی‌نفع در نظر گرفته می شود و بهترین راه حل کاندید در هر مرحله، بعنوان بهترین لیست پیشنهادی، یا جواب تقریبا بهینه در نظر گرفته می شود. لذا هدف از ارائه این پژوهش بهبود سیستم‌های پیشنهاد دهنده چند ذی‌نفع بر اساس الگوریتم بهینه سازی سیاسی (PO) است. به منظور اعتبارسنجی راه‌حل پیشنهادی تحت رفتار رتبه‌بندی کاربران مختلف، ما مجموعه‌ای از آزمایش‌ها را بر روی دو مجموعه داده واقعی انجام دادیم. این مجموعه داده ها MovieLens 100 K و MovieLens 1 M هستند. روش‌های مورد ارزیابی PO _RSو CF-RS, NSGA - II – RS, MOEA/D-RS در پژوهش ارزیابی شده است.میانگین خطای مطلق(MAE) ما از معیار MAE برای اندازه گیری دقت توصیه لیست های توصیه برای همه کاربران استفاده می کنیم پوشش ارایه دهندگان ما این معیار را برای اندازه گیری پوشش ارایه دهنده در PF معرفی می کنیم خطای پیش بینی روش پیشنهادی PO_RS در مجموعه داده ML١۰۰K برابر با ۵۰ درصد است که نسبت به روش ‌‌های دیگر که خطا ‌‌های بالای ۶۰ درصد داشته ‌اند عملکردی مناسب تری داشته است اما تنوع کمتری نسبت به روش های دیگر داشته است همچنین تعادل در روش پیشنهادی در مجموعه داده ML100K در سطح مناسب 49.91 درصد قرار دارد. خطای پیش بینی روش پیشنهادی PO_RS در مجموعه داده ML1M برابر با 46.29 درصد است که نسبت به روش های توصیه گر چند هدفه مبتنی بر تجزیه ، توصیه گر مبتنی بر ژنتیک دو هدفه و روش پالایش مشارکتی مبتنی بر کاربر که خطا های بالای 50 درصد داشته اند، عملکردی مناسب تری داشته است.نتایج پژوهش نشان می‌دهد که با ایجاد وزن بیشتر در سمت هدف اول که همان تنوع طلبی کاربران است، از یک سو موجب افزایش رضایت کاربران خواهد شد و از طرفی تعداد محصولات ارایه شده فروشندگان افزایش می‌یابد به عبارتی اگر وزن اهداف را به صورت w_ ١=۶۰ w_۲=۲۰ w_۳=۲۰ تعریف کنیم بهترین نتیجه ممکن از سیستم تصویه گر حاصل می‌گردد.
پژوهشگران	پرهام مرادی دولت آبادی (استاد مشاور)، شکیلا جهان بین (دانشجو)، علیرضا عبداله پوری (استاد راهنما)