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.