فصل اول   مقدمه   هدف از پژوهش حاضر بررسی نقش واسطه­ای باورهای شناخت­شناسی در رابطه بین الگوهای ارتباطی خانواده و انگیزش پیشرفت می­باشد. بر این اساس در این فصل ابتدا به معرفی باورهای شناختی پرداخته می­شود و سپس به یکی از پیشایندهای اجتماعی آن یعنی الگوهای ارتباطی خانواده و پسایند آن که انگیزش پیشرفت است اشاره می­گردد. شناخت­شناسی[1] حوزه­ای از فلسفه است که به بررسی ماهیت دانش پرداخته و چگونگی قضاوت و ارزیابی یافته­ های علمی را مورد مطالعه قرار می­دهد. امروزه روانشناسان به این حوزه علاقه­مند شده ­اند و به بررسی باورهای شناخت­شناسی افراد (عقاید آنان در مورد دانش و دانستن) می_­­پردازند و سعی می­ کنند به سؤالاتی از این قبیل که باورهای افراد در مورد ماهیت دانش و دانسته­هایشان چیست؟ این باورها تحت تأثیر چه عواملی قرار می­گیرند و به چه میزان بر فرآیندهای شناختی و انگیزشی از جمله اهداف پیشرفت تأثیر می­گذارند؟ پاسخ دهند. پیاژه[2] (به نقل از هوفر[3] و پینتریچ[4]، 1997) از واژه شناخت­شناسی ژنتیک برای توصیف نظریه­ی رشد هوشی خود استفاده کرد که خود نقطه­ی شروعی برای پیوند فلسفه و روانشناسی بود. این مسئله گام مهمی در رشد روانشناسی شناختی در دوران غلبه­ی رفتارگرایی، که دانستن را از یادگیری جدا می­کردند، به شمار می­آمد (کولبرگ[5]، به نقل از هوفروپینتریچ، 1997). در این مسیر، کوششهای پری[6] (به نقل از هوفر و پیتریچ، 1997) جهت فهم نحوه­ی تفسیر یادگیرندگان از تجارب آموزشی خود، منجر به پیدایش اولین نظریه­ های شناخت­شناسی در حوزه­ روانشناسی شد. پری در جریان کار خود به بررسی ماهیت دانش[7] و ماهیت دانستن[8] پرداخت. در مورد ماهیت دانش او قطعیت دانش[9] را مطرح کرد و برای آن طیفی مابین مطلق­گرایی تا نسبی­گرایی وابسته به بافت[10] در نظر گرفت.

در روش چرخ رولت گاهی با مشکلاتی از قبیل کندی و همگرایی ناگهانی جستجو به خاطر کوچک شدن سریع فضای جستجو مواجه می شویم. به همین جهت معمولا از روش دیگری به نام روش رقابتی استفاده می شود. برخلاف روش چرخ رولت در روش رقابتی، که شبیه رقابت در طبیعت است، یک زیر مجموعه کوچکی از کروموزوم ها (معمولا دو یا سه) به صورت تصادفی انتخاب شده و به رقابت می پردازند. سرانجام در این رقابت بر اساس میزان برازندگی[62] یکی از آنها به پیروزی رسیده و به عنوان والد جدید در استخر ترکیب[63] کپی می شود و این فرایند تا تولید همه والدها در جمعیت جدید تکرار می شود. روش رتبه بندی در روش رتبه بندی ابتدا جمعیت ها را رتبه بندی کرده و سپس انتخاب کروموزوم ها بر اساس برازندگی مبتنی بر رتبه صورت می گیرد. مثلا بدترین حالت دارای برازندگی یک و به همین ترتیب، مورد بعدی دو و الی آخر. در نهایت بهترین مورد دارای برازندگی برابر N خواهد بود (که N تعداد کروموزوم های موجود در جمعیت است) اشکال روش رتبه ای ایـن است که بـه آهستگی همگرا[64] می شود. زیرا بهترین کروموزوم ها تفاوت چندانی با هم ندارند و همین امر باعث همگرایی آهسته می شود. روش حالت پایدار در اکثر الگوریتم های GA جمعیت جدید به طور کامل توسط فرزندان بوجود می آید و این فرزندان جایگزین والدهای خود می شوند. در بعضی روش ها، به برخی از اعضای والد یا اعضای جمعیت قدیمی، اجازه حضور در جمعیت جدید داده می شود. انتخاب حالت پایدار یکی از این روش هاست. در این روش ، بدترین اعضا با فرزندانی که از بهترین اعضا بوجود آمده اند تعویض می شوند اما بافت کلی جمعیت، تغییر نمی کند[2]. 2-11-8- ترکیب مهم ترین عملگر در الگوریتم ژنتیک، عملگر ترکیب است. ترکیب، فرایندی است که در آن نسل قدیمی کروموزوم ها با یکدیگر مخلوط و ترکیب می شوند تا نسل تازه ای از کروموزوم ها به وجود بیاید. ترکیب تک نقطه ای[65] ترکیب تک نقطه ای، دو کروموزوم را با انتخاب تصادفی در موقعیتی مانند P ترکیب می کند. P مقداری کمتر از یا مساوی با طول کروموزوم ها است. اگر تعداد ژن ها در کروموزوم ها N باشد، از دو کروموزوم والد، دو فرزند به صورت زیر بوجود می آید : یک فرزند با کپی کردن ژن های (P-1)…1 از کروموزوم والد اول و ژن های P…N از کروموزوم والد دوم، ساخته می شود و فرزند دیگر به طور مشابه، این بار با کپی کردن ژن های (P-1)…1 از والد دوم و ژن های P…N از والد اول، به وجود می آید. در این نوع ترکیب از دو والد، دو فرزند به وجود می آید. به عنوان مثال این نوع ترکیب با P=4 در شکل زیر نشان داده شده است : شکل 2-4 عملگر ترکیب تک نقطه ای ترکیب دونقطه ای[66] عملگر ترکیب دو نقطه ای، دو جا را به صورت تصادفی انتخاب کرده و مقادیر بین این دو نقطه را جا به جا می کند. در شکل زیر نمونه ای از ترکیب دو نقطه ای نشان داده شده است : شکل 2-5 عملگر ترکیب دو نقطه ای ترکیب n نقطه ای یا چند گانه در ترکیب چندگانه n نقطه ترکیبی به صورت تصادفی و بدون تکرار تعیین شده و به صورت صعودی مرتب می شوند. سپس متغیرهای بین هر دو نقطه ترکیبی، یک در میان بین دو والد جابجا می شوند تا به این ترتیب دو فرزند جدید تولید شوند. ترکیب یکنواخت در ترکیب یکنواخت، هر ژن کروموزوم جدید به صورت جداگانه انتخاب می شود. هر ژن وابسته به موقعیتش به صورت تصادفی از یکی از دو والد انتخاب می شود. در این نوع ترکیب، یک فرزند بوجود می آید. در این روش از یک ساختار مشابه با افراد تحت عنوان ماسک استفاده می شود. مقادیر ماسک به صورت تصادفی تعیین می شوند و از آنها برای تعیین نحوه مشارکت والدین در تولید فرزندان استفاده می گردد. جمعیت جدیدی که با ترکیب یکنواخت به وجود می آید دارای تنوع ژنتیکی بیشتری نسبت به ترکیب های تک نقطه ای و دو نقطه ای می باشد. به همین دلیل این نوع ترکیب در جمعیت هایی که اعضای کمی دارند اثر بهتری دارد تا جمعیت هایی که تعداد اعضای زیادی دارند. برای روشن شدن نحوه عملکرد این روش به مثال زیر توجه کنید، دو فرد زیر را در نظر بگیرید:

شاید انتخاب مستقیم و ترتیبی به این شکل که بهترین اعضا دو به دو انتخاب شوند، در نگاه اول روش مناسبی به نظر برسد اما باید به نکته ای توجه داشت که ما در الگوریتم ژنتیک با ژن ها روبرو هستیم. یک عضو با برازندگی پایین اگرچه در نسل خودش عضو مناسبی نمی باشد اما ممکن است شامل ژن های خوبـی باشد و اگر شـانس انتخاب شدنش صفر باشـد ، ایـن ژن های خوب نمی توانند به نسل های بعد منتقل شوند. پس روش انتخاب باید به گونه ای باشد که به این عضو نیز شانس انتخاب شدن بدهد. راه حل مناسب، طراحی روش انتخاب به گونه ای است که احتمال انتخاب شدن اعضای با برازندگی بالاتر بیشتر باشد. انتخاب باید به گونه ای صورت بگیرد که تا جایی که ممکن است هر نسل جدید نسبت به نسل قبلی اش برازندگی میانگین بهتری داشته باشد. روش های مختلفی برای انتخاب کروموزوم ها و ادغام آنها وجود دارد که مهم ترین این روش ها عبارتند از : 1- روش چرخ رولت[56] 2- روش بولتزمن[57] 3- روش مسابقه ای[58] 4- روش رتبه بندی[59] 5- روش حالت پایدار[60] روش چرخ رولت ساده تـرین راه بـرای انتخاب ، انتخاب بـه روش چرخ رولت می باشد. ایـن روش یـک نمونـه برداری شانسی با جایگزینی است. این روش مبتنی بر شانس به این صورت انجام می شود که کلیه افراد بر مبنای میزان برازندگی خود بر روی نواحی همجوار یک خط نگاشت می شوند. اندازه ناحیه مربوط به هر فرد با توجه به اندازه برازندگی آن تعیین می شود. سپس یک عدد تصادفی تولید شده و با توجه به اندازه این عدد، فرد انتخاب می شود. این فرایند آنقدر تکرار می شود تا اینکه تعداد مورد نظر والدین (جمعیت تولید مثلی) تأمین گردد. می توان به جای خط از یک دایره به این منظور استفاده نمود. انتخاب چرخ رولت که اولین بار توسط هالند پیشنهاد شد یکی از مناسب ترین انتخاب های تصادفی بوده که ایده آن، احتمال انتخاب می باشد. احتمال انتخاب متناظر با هر کروموزوم، بر اساس برازندگی آن محاسبه شده که اگر  مقدار برازندگی کروموزوم k ام باشد، احتمال بقای متناظر با آن کروموزوم عبارت است از : حال کروموزوم ها را بر اساس  مرتب کرده و  که همان مقادیر تجمعی  می باشد به صورت زیر بدست می آید : چرخ رولت به این صورت عمل می کند که برای انتخاب هر کروموزوم یک عدد تصادفی بین صفر و یک تولید کرده و عدد مذکور در هـر بازه ای قرار گرفت ، کروموزوم متناظر بـا آن انتخاب می شود. البته روش پیاده کردن چرخ رولت به این شکل است که یک دایره در نظر گرفته و آن را به تعداد کروموزوم ها طوری تقسیم می کنیم که هر بخش متناظر با مقدار برازندگی کروموزوم مربوط باشد. حال چرخ را چرخانده و هر کجا که چرخ متوقف شد به شاخص چرخ نگاه کرده، کروموزوم مربوط به آن بخش انتخاب می گردد. شکل 2-3 چرخ رولت انتخاب چرخ رولت، روشی است که به نسبت مقدار برازندگی، اعضا را انتخاب می کند. این روش یک چرخ رولت را شبیه سازی می کند تا تعیین کند کدام اعضا شانس بازتولید را دارند. هر عضو به نسبت برازندگی اش، تعدادی از بخش های چرخ رولت را به خود اختصاص می دهد. سپس در هر مرحله انتخاب، یک عضو برگزیده می شود و این روند آنقدر تکرار می شود تا به اندازه کافی، جفت برای تشکیل نسل بعد انتخاب گردد. روش انتخاب چرخ رولت دارای بایاس صفر است اما حداقل گسترش را تضمین نمی کند. به این معنی که بین برازندگی یک فرد و احتمال انتخاب آن فاصله ای وجود ندارد. در ضمن ممکن است شانسی بودن این روش باعث شود تا فقط یک فرد چندین بار انتخاب شده و یک فرد شایسته دیگر اصلا انتخاب نشود. روش بولتزمن این روش در تکنیک جستجوی شبیه سازی تبرید[61] (با الهام از فرایند سرد شدن فلزات مذاب برای پیدا کردن یک تابع مینیمم) کاربرد دارد و از مفهوم توزیع احتمال بولتزمن استفاده می کند.     روش مسابقه ای

1.7.2. قلمرو زمانی

قلمرو زمانی تحقیق، با بهره گرفتن از میزان مصرف چهار فرآوردۀ مهم سوختی نفتی در بازۀ زمانی سال 1306 تا 1391 می باشد.

1.7.1. قلمرو مکانی

قلمرو مکانی این تحقیق، شرکت ملّی پالایش و پخش فرآورده های سوختی نفتی کشور می باشد.

1.8. شرح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی):

تقاضا[13] : از تقاضا تعاریف زیادی ارائه شده است.اما یک تعریف کلّی که می توان از تقاضا ارائه داد به این ترتیب است که تقاضا عبارت است از مقدار کالا یا خدمتی که با توجه قیمت و سایر عوامل در یک دوره خریداری می کنیم ” نظری، 1392″. فراورده های سوختی نفتی[14]: به مجموعه ای از محصولات منتج از نفت گفته می شود که شامل بنزین ، نفت گاز و … می باشد. الگوریتم بهینه سازی علف های هرز: در طول چهار دهۀ گذشته، تعداد زیادی الگوریتم به منظور حل مسائل متنوّع بهینه سازی مهندسی توسعه یافته اند. اکثر این الگوریتم ها بر پایه روش های برنامه ریزی خطّی و غیر خطّی عددی بوده است. الگوریتم بهینه سازی علف های هرز (IWO) یک الگوریتم بهینه سازی احتمالی عددی الهام گرفته شده از رشد علف های هرز می باشد، که در سال 2006 توسط محرابیان و لوکاس در قالب مقاله ایی ارائه شد. علف های هرز گیاهانی هستند که رشد هجوم آورنده و شدید آنها تهدید مهمی برای گیاهان زراعی محسوب می شود. علف های هرز بسیار پایدار و تطابق پذیر در مقابل تغییرات محیط می باشند. بنابراین با گرفتن خصوصیات آنها می‌توان به یک الگوریتم بهینه سازی قوی رسید. این الگوریتم تلاش می کند که از قدرت تطابق پذیری و تصادفی بودن  جمعیّت علف های هرز به طور ساده تقلید کند. معمولاً برای شبیه سازی رفتار علف های هرز تعدادی مسائل پایه ای نیاز است: 1-مقدار دهی اولیه یک جمعیت 2-تولید مثل 3-پراکندگی محیطی 4-حذف رقابتی الگوریتم بهینه سازی توده ذرّات: الگوریتم بهینه سازی توده ذرّات یکی از مهم ترین الگوریتم هایی است که در حوزۀ هوش جمعی[15] جای می گیرد. این الگوریتم توسط کندی و ابراهارت[16] در سال 1995 معرفی و با الهام گرفتن از رفتار اجتماعی موجوداتی چون ماهی و پرندگان که در گروه های کوچک و بزرگ کنار هم زندگی می کنند طراحی شده است. نام های دیگر این الگوریتم عبارتند از: الگوریتم بهینه سازی ازدحام ذرّات و الگوریتم پرندگان است که شباهت زیادی به الگوریتم ژنتیک دارد. در این روش هر پاسخ را می توان به صورت پرنده ای در دسته ای از پرندگان تصور نمود. در ابتدا یک دسته از اجزاء که هرکدام  iتحت عنوان جزء یک پاسخ برای مسئله می باشند به صورت تصادفی تولید می شوند و در ادامه با حرکت دسته ای از اجزاء در جهت یافتن بهترین پاسخ فضای امکان پذیر جستجو می شود. تغییر موقعیت اجزاء برای رسیدن به موقعیت بهتر، باتوجه به دو عامل صورت می گیرد. این عوامل عبارتند از بهترین موقعیت هر جزء که قبلاً با آن روبرو شده است و موقعیت بهترین جزء جمعیت در طول فرآیند جستجو. سرانجام همۀ اجزاء پس از جستجوی کامل در نقطۀ بهینه همگرا می شوند. شبکه های هوش مصنوعی: شبکه های عصبی مصنوعی یا به زبان ساده تر شبکه های عصبی سیستم ها، روش های محاسباتی نوینی هستند که برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش بدست آمده در جهت پیش بینی پاسخ های خروجی از سامانه های پیچیده مورد استفاده قرار می گیرد. به طور کلی این تکنیک یکی از روش های جدید در رشتۀ اقتصاد در ایران به تازگی مورد توجه قرار گرفته است و ابزارهای خطّی و غیر خطّی را برای پیش بینی در اختیار قرار می دهد، به عبارت دیگر هوش مصنوعی به عنوان یکی از سه تکنیک ذکر شده می تواند روابط خطّی و غیر خطّی بین ورودی ها و خروجی ها را براساس داده های آموزش تشخیص داده و روابط بنیادی بین آنها را شناسایی کند و سپس روابط کشف شده را بر سایر داده ها تعمیم دهد که در نهایت می تواند به ساختاری دست یابد که توانایی پیش بینی تقاضا را داشته باشد. توافق دقیقی بر تعریف شبکه عصبی درمیان محقّقان وجود ندارد ؛ اما اغلب آنها موافقند که شبکۀ عصبی شامل شبکه ‎ای از عناصر پردازش ساده (نرون[17] ها) است، که می‌تواند رفتار پیچیدۀ کلّی تعیین شده‎ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورون ها (آکسون[18]‎ ها، شاخه‌های متعدد سلولهای عصبی ومحلهای تماس دو عصب) نشأت گرفته‌ است، که یکی از قابل توجه‎ ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‎دهد. در یک مدل شبکه عصبی، گره‎های ساده برای تشکیل شبکه ‎ای از گره‎ها، به هم متصل شده اند، به همین دلیل به آن، اصطلاح شبکه‎های عصبی اطلاق می‎شود. درحالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطۀ الگوریتم‌هایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه طراحی شده باشد.

به طور کلی روش های متعددی برای مدل بندی و پیش بینی سریهای زمانی وجود دارند، روش های سنّتی، آماری مانند میانگین متحرک، میانگین موزون،ARIMA  ، نموّ هموار ساده و پیش بینی های خطیر از مقادیر آینده متغیرها ارائه می دهند. مدلهای خطّی باوجود برخی برتری ها، با محدودیت هایی مانند عدم توانایی در بیان روابط غیرخطّی، روبرو هستند. برای جبران ضعف روش های خطّی، چندین روش غیرخطّی دراین رابطه پیشنهاد شده اند. همچنین درسالهای اخیر شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی به کار رفته اند. یکی از بزرگ ترین برتری شبکه های عصبی مصنوعی انعطاف پذیری آنها برای پیش بینی انواع مدل های غیرخطّی است ” زانگ، 2003″. از دیگر روش های قدرتمند نیز که می توان جهت پیش بینی از آن ها یاد کرد روش الگوریتم بهینه سازی توده ذرّات و الگوریتم بهینه سازی علف های هرز می باشد.

2.2.3.6.1.3. روندهای جدید در پیش بینی

با تغییر فضای کسب و کار و با در نظر گرفتن فضای متغیر و پر تلاطم کسب و کار کنونی، سازمان ها نیاز به سرعت در پاسخ گویی به تغییرات محیطی و دقت در شناسایی تغییرات آتی دارند. از این رو داشتن رویکرد صحیح استراتژیک و برنامه ریزی دقیق و در عین حال منطبق بر نیازهای مشتریان از نیازهای اجتناب ناپذیر است. نگرش درست سیستمی به پیش بینی، استفاده از روش های کارآمد و مناسب در پیش بینی و توان بهره مندی از مزایای روش های مختلف پیش بینی با بهره گرفتن از ترکیب این مدل ها، نکاتی است که می تواند مدیران را در جهت عملکرد موفقیت آمیز در محیط رقابتی امروزی یاری  دهد. از این رو در این بخش قصد داریم در سه قسمت مجزّا به سه موضوع فوق پرداخته و مطالب و تکنیک هایی ارائه دهیم. با نگاهی به موضوعات مقالات مختلف علمی در باب پیش بینی تقاضای محصول به این نتیجه می رسیم که تمرکز تحقیقات در سه حوزه بیشتر است: نخست آنکه به کارگیری مباحث علمی موجود در باب پیش بینی، تا چه حد، با چه روابطی و بر کدام پارامتر های موجود در سازمان تاثیر می گذارد و آن که آثار یاد شده بر کدام قسمت ها و به چه شکل ظهور می کنند. دانستن پاسخ سؤالات فوق، باعث ایجاد توانایی  بیشتر در یافتن پاسخ برای سؤالات زیر خواهد شد:

• چه نکاتی باید در پیش بینی تقاضای محصول مدّ نظر باشد؟
• نوع تاثیرات پیش بینی بر سیستم ، نقاط تاثیر و جهت تاثیر چگونه است؟
• چگونه می توان نتایج حاصل از پیش بینی را تعدیل کرد و آنها را با اطمینان خاطر بیشتری به کار برد؟

2.2.4. اندازه گیری و کنترل خطای پیش بینی

پیش بینی در جهت مقاصد زمانی می تواند کامل باشد که در آن تخمینی از خطاهای مورد انتظار نیز ارائه شود. ابتکار در پیش بینی های کوتاه مدت و بلند مدت و میان مدت با ارزش است. مورد استفاده ترین معیار ها، میانگین مجذور خطا (MSE)[19]، میانگین انحراف معیار و علامت نمایانگر هستند. میانگین مجذور خطا، با محاسبه مجموع مجذور خطاهای پیش بینی تقسیم بر تعداد دوره ها N بدست می آید. (2-1) با گرفتن مجذور انحرافات واقعی از تقاضای پیش بینی در محاسبۀ MSE ، وزن بیشتری به خطاهای بزرگتر داده می‌شود. این مورد موقعی مناسب است که هزینه های اشتباه، هزینۀ مازاد یا کمبود موجودی یا ظرفیت بسیار بالا باشد. معیار خطای ساده تر و مفیدتر، میانگین انحراف مطلق (MAD)[20] است، یعنی همان خطای پیش بینی که علامت آن ها حذف شده است. (2-2) مشاهده می شود که MAD به کلّ خطای پیش بینی بستگی دارد. این روش برای سیستم هایی مناسب است که هزینه های انحرافات پیش بینی به تأثیر تجمعی آنها بستگی دارد و ارتباطی به تخمین بیشتر یا کمتر تقاضا ندارد؛ یعنی اگر تقاضا بیش تر یا کم تر از مقدار واقعی برآورد شود در هر دو صورت هزینه یکسان است. انحراف معیار همان خطاها به شکل زیر باMAD  ارتباط دارد: (2-3)                                                                                       S = 1.25 MAD MAD: میانگین قدر مطلق انحرافات هرگاه پیش بینی، تقاضای واقعی را به خوبی برآورد کند، اشتباهات مشاهده شده، تصادفی و دارای یک توزیع نرمال با میانگینی برابر صفر هستند. بنابراین برای یک مدل پیش بینی ایده آل جمع جبری خطاهای پیش بینی (RSFE) باید برابر صفر باشد. زیرا خطاهای مثبت، منفی ها را خنثی می کنند. وجود تمایل به یک طرف در پیش بینی، خطای اضافی ایجاد می کند. توالی زیاد مقادیر مثبت در علامت نمایانگر، به معنی گرایش بدبینانه در پیش بینی است. در حالی که مقادیر منفی دلالت بر یک تمایل خوش بینانه دارد؛ یعنی به طور معمول مقدار تقاضای واقعی پایین تر از مقدار پیش بینی است. یک چنین تمایلی می تواند مربوط به ضعف در مدل پیش بینی و یا ناشی از حذف متغیر های کلیدی، یا تعیین روابط غلط برای متغیر ها و یا تغییرات مؤثر در محیط، مثل توزیع اقتصادی، کمبود انرژی و بحران های سیاسی باشد.