CV


FA
Hamid Saadatfar

Hamid Saadatfar

Associate Professor

Faculty: Electrical and Computer Engineering

Department: Computer

Degree: Ph.D

CV
FA
Hamid Saadatfar

Associate Professor Hamid Saadatfar

Faculty: Electrical and Computer Engineering - Department: Computer Degree: Ph.D |

Dr. Hamid Saadatfar is currently an associate professor of Computer Engineering Department at University of Birjand. He has received his B.Sc., M.Sc., and Ph.D. degrees from Ferdowsi university of Mashhad in 2007, 2009 and 2014, respectively. His research interests include:

  • Parallel and Distributed Processing (Cluster, Grid and Cloud Computing),
  • Data Mining and Machine Learning,
  • Big Data Analysis (Data Mining Methods for Big Data)
  • and Power-aware Computing.

Show More

رویکرد نظریه‌بازی‌ها در تجمیع رتبه وزن‌دار بر پایه تعاملات راهبردی بین رتبه‌بندها

Authorsحمید سعادت فر,محدّثه نصرآبادی
Conference Titleیازدهمین کنفرانس بین المللی مهندسی صنایع و سیستم ها
Holding Date of Conference2025-09-07
Event Placeمشهد
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences
Keywordsتجمیع, رتبه مطالعات, بیولوژیکی, نظریه بازیها, بازی غیر تعاونی, تعامل استراتژیک, داده های زیستی.

Abstract

تجمیع رتبه به معنی ترکیب چند رتبه بند از یک مجموعه کاندیدا رتبه بند (پایه برای رسیدن به رتبه بندی بهتر است و در زمینه های مختلف به طور گسترده ای مورد استفاده قرار گرفته است که نقش مهمی را در ادغام اطلاعات مطالعات بیولوژیکی مختلف دارد که با یک مسئله یکسان روبرو هستند. در مطالعات، بیولوژیکی به دلیل ناهمگونی زیاد، منابع رتبه بندها جزئی و طولانی هستند که کیفیت متنوع دارند و معمولا مقادیر واقعی رتبه ها در دسترس نیستند. در این مقاله یک مدل جدید برای تجمیع رتبه در کاربردهای زیستی و زیست پزشکی ارائه میشود که در آن فرآیند ترکیب چند رتبه توسط منابع مختلف به صورت یک بازی غیر تعاونی میان رتبه بندها مدلسازی شده است. برخلاف روشهای سنتی که رتبه بندها را مستقل و ایستا در نظر میگیرند در رویکرد، پیشنهادی هر رتبه بند به عنوان یک عامل استراتژیک در نظر گرفته میشود که تلاش میکند با بیشینه سازی سود خود بر رتبه نهایی تاثیر بگذارد تابع سود پیشنهادی ترکیبی از میزان شباهت با رتبه نهایی، میزان توافق با سایر رتبه بندها و هزینه تولید رتبه است. با استفاده از یک الگوریتم تکراری مبتنی بر پویایی بهترین پاسخ وزن هر رتبه بند بر اساس سود جاری به روزرسانی شده و رتبه نهایی حاصل میشود برای نشان دادن کارایی روش پیشنهادی برای حل مسائل بیولوژیکی از سه مجموعه داده microRNA، Breast و Prostate استفاده شده است که نشان از کارایی و برتری روش پیشنهادی نسبت به دیگر روشهای متداول تجمیع رتبه دارد.

Paper URL