پایان نامه بررسی امکان استفاده از مدل ژنتیک مالی ( FGP ) در ارزیابی قیمت سهام در بورس اوراق بهادار تهران

اختصاصی از یارا فایل پایان نامه بررسی امکان استفاده از مدل ژنتیک مالی ( FGP ) در ارزیابی قیمت سهام در بورس اوراق بهادار تهران دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:107

عنوان : بررسی امکان استفاده از مدل ژنتیک مالی ( FGP ) در ارزیابی قیمت سهام در بورس اوراق بهادار تهران طی دوره ۱۳۸۵-۱۳۸۰

پایان نامه :
برای دریافت درجه کارشناسی ارشد « M.A» رشته حسابداری

 فهرست مطالب:
فصل اول:کلیات پژوهش
فصل دوم:چارچوب نظری و پیشینه پژوهش
فصل سوم:روش شناسی پژوهش
فصل چهارم:تجزیه وتحلیل اطلاعات و آزمون فرضیه
فصل پنجم:نتایج ، پیشنهادات و محدودیتهای تحقیق
منابع و مآخذ

چکیده :
هدف این پروژه استفاده ازبرنامه ریزی ژنتیک  مبتنی بر تحلیل سریهای زمانی جهت پیش بینی قیمت سهام  می باشد . این مطالعه ، برنامه ریزی ژنتیک مالی (FGP)  در کشف مدل جدید آینده نگری مالی  برای سری های زمانی قیمت سهام مورد استفاده قرار می‌دهد. وابزار معمول در تشریح فضای  مدل های آینده نگری بالقوه و انتخاب قویترین راهکارهاست .برنامه ریزی ژنتیک مالی  یک برنامه ریزی ژنتیکی مبتنی بر سیستمی است که درآینده نگری مالی تخصصی است. برنامه ریزی کوتاه مدت در زمینه های مختلف برای ادامه بقا، پیشرفت و موقعیت کلیه واحدهای اقتصادی و نیزاتخاذ تصمیمات اثر بخش  سرمایه گذاری و تامین مالی توسط مدیران، سرمایه گذاران، اعتبار دهندگان و سایرین ضروری است . برنامه ریزی امکان بهره برداری مناسب ازفرصتهای موجود را فراهم  می آورد و با استفاده ازآن  می توان قبل از مواجه شدن با رویداد های اقتصادی نامطلوب ، واکنش های مناسب نشان داد . در همین راستا برای افزایش اثربخشی برنامه ریزی ، نیز باید توانایی پیش بینی صحیح و مستمر را که لازمه آن است بهبود بخشید . اما معمولا به منظور پیش بینی وقایعی که در آینده روی  می دهد به اطلاعات بدست آمده از وقایع تاریخی اتکا می شود بدین ترتیب که داده های گذشته تجزیه و تحلیل می شوند تا ازآن الگویی قابل تعمیم برای آینده بدست آید این فرایند که دراغلب روشهای پیش بینی بکار می رود مبتنی بر این فرض است که روابط بین متغیرها در آینده نیز ادامه خواهد یافت .                                                
برنامه ژنتیک قادراست به تولید عناصری که یک پیشگویی از قیمت سهام ازدوره تجاری آتی روی قیمت های سهام  از N دوره گذشته که N یک متغیرتعریف شده یا دوره روزنه نامیده می شود.  در آینده نگری ، بهینه سازی با استفاده از سری های زمانی با نمونه گیری انجام می‌شود و احتمالا شامل برگشت‌های الحاقی در افق های زمانی طولانی تراست. بهینه سازی درون نمونه و آزمون های خارج از نمونه در طی 6  سال با فراوانی بالای داده‌ها برای دو سری زمانی ( سری زمانی باکس و جنکینز) انجام شدند. به همین دلیل درتحقیقات حسابداری نیز برای پیش بینی های مالی از جمله قیمت سهام و سودشرکتها و نهایتا استفاده سودمند از انها روشهای مختلف جهت پیش بینی انتخاب شده است.


به هرحال محقق دراین پژوهش که در بستر بورس اوراق بهادارانجام می گیرد برآن است که دقت پیش بینی قیمت سهام با استفاده از مدل ژنتیک مالی مبتنی بر سری های زمانی  باکس – جنکینز را  مورد مقایسه و آزمون قرار دهد. جهت آزمون فرضیه تحقیق مناسبترین مدل سری زمانی  باکس – جنکینز ازقیمت های سهام  شرکت های منتخب پیش بینی می گردد در مرحله بعدی خطای نسبی پیش بینی با استفاده از روش آزمون مجموع رتبه ای ویلکاکسن مورد آزمون قرار می گیرد .
       


فصل اول
کلیات پژوهش

1-1-  دیباچه :
برنامه ریزی کوتاه مدت در زمینه های مختلف برای ادامه بقا، پیشرفت و موقعیت کلیه واحدهای اقتصادی و نیز گرفتن تصمیمات اثر بخش سرمایه گذاری و تامین مالی توسط مدیران، سرمایه گذاران، اعتباردهندگان و سایرین ضروری است . برنامه ریزی امکان  بهره برداری مناسب از فرصتهای موجود را فراهم می آورد و با استفاده ازآن      می توان قبل از رویاروئی با رویداد های اقتصادی نامطلوب واکنش های مناسب نشان داد . در همین راستا برای افزایش اثر بخشی برنامه ریزی نیز باید توانایی پیش بینی صحیح و مستمر را که لازمه آن است بهبود بخشید .
کانون توجه این پژوهش پیش بینی است پیش بینی از این نظر حائز اهمیت است که عنصر بنیادین و کلیدی در تصمیم گیری استفاده کنندگان درون سازمانی و همچنین برون سازمانی محسوب می شود بر این اساس کارایی و اثر بخشی نهایی هر تصمیم به نتایح رویدادهایی بستگی دارد که بدنبال هر تصمیم روی می دهد بدین سان تصمیمی کارا و اثربخش خواهد بود که پیش بینی های انجام گرفته بر مبنای ان صحیح بوده باشد.

به جرات می توان اظهار داشت که در دهه 1960 و 1970انقلاب بزرگی در پژوهشهای حسابداری و مالی صورت گرفته است و در این میان پژوهشهای مرتبط با پیش بینی های تحلیلگران مالی و مدیریت و همچنین پیش بینی های مبتنی بر مدلهای کمی حجم بزرگی از این پژوهشها را به خود اختصاص داده است در مارس 1973 بنیاد تحلیلگران مالی FAF   پژوهش سه بخشی را  ارائه داد یک بخش پژوهش که در زمینه پیش بینی سود شرکتها بود . این پژوهش گزارش می نمود که تنها از اکتبر 1971 تا سپتامبر سال 1972 حدود 78  مقاله در زمینه پیش بینی مدیریت در مجله وال استریت   انتشار یافته است که این خود نشان از اهمیت بالای این حوزه در حسابداری و امور مالی است .
تصمیم گیری درباره خرید سهام جدید و یا فروش سهام موجود، با دستیابی به اطلاعاتی درباره  وضعیت آینده قیمت بازار سهام ممکن می شود. این تصمیم گیری اقتصادی، در صورتی که بتواند روند آتی قیمت بازار سهام را با استفاده از روشهایی، پیش بینی نماید، سبب کاهش زیان یا ریسک سرمایه گذاری (تصمیم) خواهد شد. 1- FGP  (اولین نسخه FGP)   بعنوان یک مدل تصمیم ، قادر به ارائه پیش بینی های دقیق در مجموعه داده های مختلف است.
 در این مطالعه بر اساس قیمت های  سهام پذیرفته شد ه در بورس اوراق بهادار تهران در سالهای 85-80 و با استفاده ازمدل ژنتیک مالی مبتنی بر تحلیل سری های زمانی باکس - جنکینز قیمت های سهام برآورده شده و  مدل در پایان از نظر کاهش میزان خطا از راه  نرم افزار Eviews مورد تحلیل قرار می گیرد . در نهایت این پژوهش نشان خواهد داد که مدل FGP می تواند خطای برآورد قیمت سهام در بورس اوراق بهادار تهران را کاهش دهد   .
( Anthony Hui , 2003 , p. 1 )


                      
2-1-  بیان مساله و علل برگزیدن موضوع پژوهش :
بازار سرمایه نقش بسیار مهمی را در تخصیص منابع و سرمایه ملی ایفا می کند و مفهوم کارایی این بازار منشا پیدایش تئوری های اقتصادی و مالی جدید می باشد. در یک بازار کارا، قیمت اوراق بهادار بازتاب  مجموعه ای از همه اطلاعات موجود بوده و اطلاعات جدید به سرعت بر روی قیمت اوراق بهادار بازتاب نماید  و سرمایه گذاران با توجه به اطلاعات در دسترس و انتظاری که از بازده اوراق بهادار در آینده دارند، تصمیم گیری می نمایند . پژوهشهای بسیار زیادی در رابطه باکارایی بورس اوراق بهادار در کشورهای مختلف انجام شده است . در اکثر این پژوهشها ، رفتار قیمت اوراق بهادار به عنوان معیاری برای تعیین کارایی بازار، مورد توجه قرار گرفته است . در یک بازار کارا رفتار قیمت اوراق بهادار نباید از یک الگوی ویژه ای پیروی کرده و تغییرات پی در پی قیمت های اوراق بهادار باید مستقل از یکدیگر بوده و ازتئوری گردش تصادفی پیروی  نماید. ولی در بازاری که از کارایی لازم برخوردار نباشد، قیمت سهام دارای حافظه تاریخی بوده و از الگوی ویژ ه ای  پیروی  می نماید، بطوری که با شناسایی این الگو میتوان روند آینده قیمت اوراق بهادار را پیش بینی نمود . ( فرقانی حسین ، مسعود عزیز خانی ، سال 1384 ، ص 95 )
در ایران پژوهش هایی درباره  کارایی بازار بورس اوراق بهادار انجام  گرفته است که به تعدادی از آنها اشاره می شود: در پژوهشی که در سال 1369 در رابطه با تابع توزیع نوسانات قیمت سهام، با استفاده از شاخص بازار سهام ایران و برای دو دوره 1357-1353 و 1368-1364 انجام  شد، نتایج پژوهش دلالت بر عدم کارایی بازار بورس ایران در شکل ضعیف داشت (درامانی، 1369).
پژوهش دیگری نیز برای آزمون کارایی در سطح ضعیف در سال 1371 و با استفاده از قیمت سهام 17 شرکت و برای دوره زمانی 1370-1368 و با بکار گیری روش آزمون گردشها انجام شد. نتیجه این پژوهش نیز دوباره عدم کارایی بورس اوراق بهادار تهران را تائید کرد (نصرالهی، 1371 ، ص 3 ).
بر اساس نتایج پژوهش دیگری، تغییرات قیمت سهام در بورس اوراق بهادار تهران، بصورت مستقل و تصادفی نبوده و روند و الگوی ویژه ای  در رفتار  قیمت ها مشاهده می شود و آگاهی از این الگو می تواند در جهت کسب منافع بیشتر به سرمایه گذاری کمک نماید (نمازی و همکاران، 1375-1374 ، ص 3 ).
با توجه به این موضوع میتوان از راه  روش های پیش بینی، اقدام به پیش بینی قیمت سهام در بورس اوراق بهادار تهران نمود .
معمولا به منظور پیش بینی وقایعی که در اینده روی می دهد به اطلا عات بدست امده از رخدادهای تاریخی اتکا  می شود بدین ترتیب که داده های گذ شته تجزیه و تحلیل می شوند تا از ان الگویی قابل تعمیم برای اینده بدست اید این فرایند که در اغلب روش های پیش بینی به کار می رود مبتنی بر این فرض است که روابط بین متغیرها در اینده نیز ادامه خواهد یافت برای روشن شدن فرایند پیش بینی با استفاده از مدل ژنتیک مالی ،اشاره به این موضوع ضرورت دارد که FGP به عنوان ابزار پیش بینی مبتنی بر دو روش کمی و کیفی است .در روشهای کیفی ، پیش بینی مبتنی بر داوری ذهنی است و پیش بینی کننده با استفاده از تجارب خود و در نظر گرفتن شرایط کنونی و تغییرات قابل     پیش بینی ، داده های آینده را  پیش بینی می کنند . در فرایند پیش بینی ،هرزگاهی نبود یا عدم دسترسی به داده های تاریخی یا عدم کفایت حجم آن،استفاده از روشهای داوری را ضروری می سازد.                                               
   jin li & Edward p.k tsang ,1999 , p.2  )  ).
در روشهای کمی با استفاده از تجزیه و تحلیل داده های گذشته ،ارزش متغیر مورد نظر پیش بینی می شود مدل ژنتیک مالی نیز از جمله تکنیک های کمی به شمار می رود که مبتنی برالگوریتم  سری های زمانی است . سری زمانی خود به الگوهای یک متغیره و چند متغیره تقسیم می شود . در الگوهای  یک متغیره ، تنها بر اساس ارزش مقادیر گذشته یک سری زمانی ، ارزش و مقادیر آتی متغیر وابسته پیش بینی می شود .در حالی که مدل های چند متغیره با شناسایی و تشخیص متغیرهایی که با متغیر مورد نظر برای پیش بینی در ارتباط است ؛ الگوی اماری مربوط طراحی می شود و برای پیش بینی بکار می رود .در این الگوها با شناسایی روابط بین متغیرها می توان نتیجه پیش بینی را بهبود بخشید . با
توجه به دسترسی به داده های تاریخی ودر نظر گرفتن مزایای روش کمی ؛ در این تحقیق از مدلهای چند متغیره مبتنی بر داده های تاریخی در چارچوب سری زمانی استفاده خواهد شد .( عادل اذر ، منصور مومنی ، سال 1377،صص288-283 ) .
سری زمانی ؛ مشاهدات متوالی زمانی مربوط به یک متغیر معین است و معمولا برای دستیابی به یک الگوی تاریخی که برای پیش بینی مورد نظر مفید است ؛ از سری زمانی استفاده می شود . به عبارت دیگر در تجزیه و تحلیل سری زمانی تلاش می شود با استفاده از مقادیر گذشته مقادیر اینده یک متغیر  پیش بینی  شود. ( همان ماخذ )
هر چند در پیش بینی هایی که مبتنی بر روند گذشته است فرض می شود که گذشته اینه ای برای اینده است و      روند های گذشته در اینده ادامه می یابد ولی باید توجه داشت که تمامی پیش بینی ها با مقداری عدم قطعیت همراه است .بنابراین نباید امیدوار بود که هر پیش بینی بطور کامل دقیق باشد ولی باید انتظار داشت که منافع حاصل از    پیش بینی ؛ بیشترازهزینه فرصت ناشی از عدم پیش بینی باشد. تلاش های مختلفی دربهتر کردن عملکرد نتایج حاصل از برنامه ژنتیک نظیر تغییر داده ها و اندازه های  جمعیت مختلف مورد آزمون قرار گرفته اند .
مساله پیش بینی سریهای زمانی قیمت سهام بر خلاف تکنیک های اموزش ماشینی به ویژه درگیر می شود چون داده ها اغلب بی نظم و فرار است و لزوما موضوعات منطقی ارائه نمی دهد . در پژوهش های انجام شده در زمینه مقایسه    پیش بینی این گروهها ؛ نتایج گوناگون وگاهی متضاد بدست امده است .
به هرحال پژوهشگر دراین پژوهش که در بستربورس اوراق بهادارانجام می گیرد برآن است که دقت  پیش بینی قیمت سهام با استفاده از مدل ژنتیک مالی در اجرای سری های زمانی  باکس – جنکینز را  موردآزمون قرار دهد.
برای آزمون فرضیه پژوهش مناسبترین الگوی سری زمانی باکس – جنکینز ازقیمت های سهام  شرکت های برگزیده  پیش بینی می گردد بنابراین تمامی عوامل موثر بر قیمت سهام ثابت فرض شده است .در مرحله بعدی خطای نسبی       پیش بینی با استفاده از روش آزمون مجموع رتبه ای ویلکاکسن مورد آزمون قرار می گیرد .اساسا این پرسش برای پژوهشگر مطرح است که آیا الگوی FGP  مبتنی بر سری زمانی  حاصل از روش شناسی  باکس – جنکینز قیمت سهام را دقیقتر پیش بینی می کنند ؟

به هر حال در صورت عدم دسترسی به سایر اطلاعات ،یک سری زمانی قیمتهای گذشته سهام ،که در برگیرنده سایر موارد موثر در رفتار قیمت سهام می باشند و مشاهدات مربوط به اطلاعات لازم را بهتر بازتاب می سازد در پیش بینی قیمت  مفید خواهد بود . در این پژوهش تلاش بر ان دارد تا رفتار قیمتهای گذشته سهام  و دقت پیش بینی به کمک   سری زمانی باکس – جنکینز را در طول زمان مورد بررسی قرار دهد تا دریابد :
آیا قیمتهای گزارش شده سهام از یک روند ویژه ای  پیروی می کنند ؟
آیا قیمتهای آینده مورد انتظار با قیمت مشاهده جاری رابطه ای دارند ؟
در اصل یک الگو تا چه اندازه ای می تواند قیمتهای آتی را به خوبی پیش بینی کند ؟
آیا پیش بینی قیمت سهام در سری های زمانی در مدل از دقت بالایی برخوردار است ؟

۳-١-  اهمیت و ضرورت پژوهش :
یکی ازهدفهای اصلی حسابداری ارائه اطلاعاتی است که بتوان با استفاده از آن رویدادهای تجاری آینده را پیش بینی کرد . از دیدگاه روش مبتنی بر پیش بینی برای تدوین و ارائه یک تئوری حسابداری باید روشهای گوناگون حسابداری را از نظرتوانایی آنها جهت پیش بینی رویدادهای اقتصادی یا تجاری ارزیابی کرد. بطور کلی شاخص سودمندی در پیش بینی عبارتست از، روابط احتمالی بین رویدادهای اقتصادی مورد نظر تصمیم گیرنده و متغیرهای پیش بینی کننده مربوط که تا حدی از اطلاعات حسابداری نشات می گیرد .( دکتر جهانخانی  علی ، سال 1382 ، ص 171 )
پژوهشهای بسیار زیادی در زمینه پیش بینی در کشورهایی با بازارهای پیشرفته و مدرن از جمله آمریکا انجام شده است و این در حالی است که در کشور ما به علت نو ظهور بودن و رونق جدید بازار سرمایه ، پژوهشهای موجود در این زمینه نیز در آغاز کار و در مراحل ابتدایی می باشد . به هر حال پژوهشهای بسیار کمی در این حوزه از بازار سرمایه و بالاخص در زمینه دقت  پیش بینی قیمت سهام به کمک مدلهای سری زمانی، انجام شده است محقق با توجه به کمبود پژوهشهای موجود دراین زمینه و همچنین به علت اهمیت دقت پیش بینی قیمت سهام دراخذ تصمیمات بهینه توسط استفاده کنندگان درون سازمانی واستفاده کنندگان برون سازمانی بدین نتیجه رسیده است که انجام این تحقیق اهمیت و ضرورت اجتناب ناپذیر دارد . ( فرقانی حسین ، سال 1384 ، ص 96 )
در جامعه ما خریداران اوراق بهادار از هر طبقه و گروهی که باشند با مشکلات اساسی در تصمیم گیری برای     سرمایه گذاری ، بویژه در انتخاب سهام شرکتها و ترجیح یکی بر دیگری روبه رو هستند. ان عده از سرمایه گذارانی که درباره جوانب مختلف سرمایه گذاری در اوراق بهادار از قبیل انواع اوراق ، تفکیک اوراق پرارزش از کم ارزش ، روش تحلیل اوراق بهادار ، عوامل موثر بر ارزش شرکتها و موارد دیگر اگاهی کافی ندارند و در کلیه مراحل    سرمایه گذاری ، از اتخاذ تصمیم تا خرید و نگهداری و فروش اوراق بدلیل فقدان الگویی مناسب قادر به تحلیل علمی و منطقی و تصمیم گیری در مورد سرمایه گذاری  نیستند .
در سطوح سیستم قیاسی حسابداری از دیدگاه اقای ولک ( volk ) تصمیم گیری شامل یک ارزیابی از انچه که انتظار داریم در اینده رخ دهد می باشد این ارزیابی می تواند در فرم غیر رسمی یا با محاسبات فوق العاده پیچیده صورت پذیرد . مدل جریان نقدی تنزیل شده ، که در تجزیه بودجه سرمایه ای بکار می رود بعنوان یک نمونه از شیوه پیچیده می باشد . دوره بازیافت از روشهای جریان نقدی تنزیل نشده ، ساده ، فرضی ،کم اثرتر ، ابزاری برای ارزیابی اینده احتمالی است . اگرچه تقریبا ساده یا بسیار دشوار و ظریف می باشند اما بعنوان روشهایی برای ارزیابی انچه که در اینده اتفاق خواهد افتاد مورد استفاده قرار می گیرند این نوع روشها را مدلهای تصمیم می نامند .
ظرفیت و توان تهیه اطلاعات مفید برای فرایند تصمیم گیری مربوط به اینده را توان پیشگویی یا پیش بینی می نامند . در رویکرد مصرف گرایی ، هدف مهم حسابداری این است که اطلاعات مفیدی را برای تصمیم گیری فراهم نماید . اگر همه تصمیم گیرندگان به اطلاعات یکسان و مشابهی احتیاج داشتند ، مسائل و معضلات تئوری با مشکلات کمتری روبرو می گردید متاسفانه همانطور که ASOBAT شناسایی نمود استفاده کنندگان از گزارشات حسابداری از قشرهای متفاوتی همچون بستانکاران ، سرمایه گذاران ، مشتریان و فروشندگان ، دولت و ارگانهای دولتی و کارمندان می باشند که دارای تواناییها و زمینه های گوناگون هستند ، اگرچه تامین اطلاعات متنوع و متناسب با نیازهای اطلاعاتی قشرهای متفاوت استفاده کننده با ارائه اطلاعات کلی برای تمام گروهها برای تکامل حسابداری در اینده قطعی و حیاتی خواهد بود . توان پیشگویی و پیش بینی در ASOBAT بر حسب سنجش سود ، وضعیت مالی و بازپرداخت بدهیها در اینده  مورد بحث است . گزارشات حسابداری بخودی خود پیشگویی یا پیش بینی را فراهم    نمی سازند ، بلکه استفاده کنندگان بایستی پیشگویی یا پیش بینی هایی را فراهم سازند بکارگیری داده ها از گزارش حسابداری یک اطلاعاتی در مدل تصمیم انها می باشد . ( دکترکرباسی یزدی ، حسین ، سال 1384 ، ص 52-51 )
یکی از ابزارهای مهم مورد استفاده برای تصمیمات سرمایه گذاری، فنون پیش بینی است که آن جزو لاینفک فرآیند تصمیم گیری و کنترل می باشد، ازطرف دیگر، رابطه مستقیم با ریسک تصمیم گیری دارد. بدین معنی که هر چه پیش بینی دقیق تر باشد، زیان یا ریسک ناشی از تصمیم گیری در شرایط عدم اطمینان کاهش می یابد.

4-1- اهداف پژوهش :
هدف اصلی این پژوهش ، ارزیابی امکان کم کردن خطا در پیش بینی قیمت سهام، با استفاده از روند گذشته و تاریخی قیمت سهام از طریق الگوی ژنتیک مالی مبتنی بر سری های زمانی باکس - جنکینز می باشد و انجام پیش بینی موقعی امکان دارد که بازار بورس کارا نباشد .  و باتوجه به عدم کارایی و یا کارایی ضعیف بازار بورس ایران ضرورت انجام چنین پژوهشی اجتناب ناپذیر می نماید .
 شکل ضعیف EMH بیان می کندکه قیمت های اوراق بهادار ، اطلاعات نهفته را با توالی تاریخی قیمتها انعکاس می دهد پژوهشهای کافی حاکی از این مطلب است که این فرضیه در حال حاضر پذیرفته شده و موردتایید است . مطالعات اولیه از انچه که معروف به یافته تئوری گام تصادفی است بیان می کند که تغییرات بعدی قیمتهای اوراق بهادار نسبت به اطلاعات موجود قبل از تغییرات تصادفی است یعنی سودهای مازاد را صرفا بادانش قیمتهای اوراق بهادار نمی توان بدست اورد . ( دکترکرباسی یزدی ، حسین ، سال 1384 ، ص 79 )

پروژه فازی - الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی

اختصاصی از یارا فایل پروژه فازی - الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:42

فهرست مطالب:

• چکیده
• مقدمه
• مروری بر روش های قبل
• الگوریتمk-means Hard
• مثالی عددی از الگوریتم k-means
• مقادیر مرکز های اولیه
• فاصله بین مراکز و داده ها
• خوشه بندی داده ها
• تعیین مراکز
• فاصله مراکز- داده ها
• خوشه بندی داده ها
• تعیین مراکز
• فاصله مراکز- داده ها
• خوشه بندی داده ها
• الگوریتم Clustering (FCM) Fuzzy c-Means
• Hard k-Modes الگوریتم
• الگوریتم Fuzzy k-Modes
• الگوریتمGenetic fuzzy k-Modes
• نمایش رشته ای
• فرآیند مقدار دهی اولیه
• الگوریتم مقداردهی اولیه
• فرایند انتخاب
• الگوریتم تولید جمعیت جدید
• فرایند ادغام
• الگوریتم ادغام
• فرایند جهش
• پروسه جهش
• معیار توقف
• آزمایش ها
• معیار کیفیت خوشه بندی
• مجموعه داده
• نتایج
• نتیجه گیری
• پیوست – کد برنامه
• مراجع

چکیده:

خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش، الگوریتم ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه عملگر ادغام به عنوان یک مرحله از الگوریتم fuzzy k-Modes تعریف می شود. آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.

مقدمه:

به عنوان یک ابزار اولیه در داده کاوی ،تجزیه و تحلیل خوشه ، که تجزیه و تحلیل سگمنت نیز نامیده می شود،روشی است که داده ها را به گروه هایی همگن تحت عنوان خوشه تقسیم می کند.در چنین روشی داده های موجود در یک کلاستر یا خوشه خیلی شبیه به هم و داده ها ی کلاستر های مختلف خیلی متفاوت نسبت به هم هستند.اغلب، شباهت بر مبنای معیار فاصله می باشد.

آنالیز خوشه،خوشه بندی، تکنیک عمومی برای آنالیز داده های آماری می باشد که در بسیاری زمینه ها مانند یادگیری ماشین ، داده کاوی ، شناسایی الگو و آنالیز تصویر کاربرد دارد.در کنار اصطلاح خوشه بندی داده (یا فقط خوشه بندی)،بعضی اصطلاحات دیگرنیزهمانند کلاس بندی اتوماتیک ،طبقه بندی عددی، آنالیز نوع شناسی ، با معنای مشابه استفاده می شود[1].

به طور کلی ،یک الگوریتم خوشه بندی خوب معمولا برای طراحی شامل چهار فاز ذیل را شامل می شود:1- نمایش داده2- مدل کردن.3- بهینه سازی.4- اعتبار سنجی[2] ..

فاز نمایش داده، تعیین می کند که چه نوعی از ساختارهای خوشه می تواند داده ها را شناسایی کند.سپس فاز مدلینگ ضوابط و معیار ها را برروی ساختار تعریف می کند بطوریکه که ساختارها ی گروه های مطلوب را از موارد نامطلوب مجزا می کند.در فاز مدلینگ ، در طول جستجو برای ساختار های مخفی در داده ،یک معیار کیفیت مانند معیار بهینه سازی یا معیار تقریب تولید می شود. بعبارتی دیگرفاز بهینه سازش،ساختار های موثرتر و بهینه تر را انتخاب میکند. از آنجا که فرآیند خوشه بندی ،یک فرایند بدون سرپرستی است فاز اعتبار سنجی خیلی ضروری است تا نتایج تولید شده به وسیله الگوریتم خوشه بندی ارزیابی شوند.

به طور کلی ،الگوریتم های خوشه بندی به دو دسته تقسیم بندی می شوند[3,4] : الگوریتم های خوشه بندی سخت و الگوریتم های خوشه بندی فازی.

در چهارچوب خوشه بندی سخت ،هر شی ء به یک و فقط یک خوشه تعلق دارد و برعکس در چهار چوب خوشه بندی فازی به هر شی ء اجازه داده می شود که توابع تعلقی به همه خوشه ها داشته باشد.هر دو روش الگوریتم خوشه بندی سخت و فازی ،مرکز های خوشه (نمونه های اولیه) را تعیین می کنند و مجموع مربع فاصله بین این مرکز ها و خوشه ها را مینیمم می کنند.

بسیاری از الگوریتم ها به منظور دستیابی به خوشه بندی سخت در یک مجموعه داده پیشرفت داده شده اند.در بین آنها الگوریتم k-meansو روش های خوشه بندی IsoData به طور گسترده ای مورد استفاده گرفته اند.این دو الگوریتم بر پایه تکرار می باشند. کاربرد مجموعه های فازی در توابع کلاس بندی موجب می شود هر داده در یک زمان به چندین کلاس با درجه های متفاوت تعلق داشته باشد[3].

معروف ترین و پرکاربردترین الگوریتم خوشه بندی فازی ،الگوریتم fuzzy C-Means [7] است. الگوریتم fuzzy C-Means با یک مقدار اولیه از Wشروع می شود و مکررا بین تخمین مراکز خوشه Z داده شده درZ و تخمین ماتریس تعلق داده شده درW تکرار می شود تا هنگامیکه دو مقدار متوالی از Z یا W مساوی شوند.

از نظر ریاضی ،یک مسئله خوشه بندی فازی را می توان به صورت یک مسئله بهینه سازی به صورت ذیل نمایش داد.[5,6]

که n تعداد اشیاء در مجموعه داده مورد بررسی وk تعداد خوشه ها است .مجموعه از n شی ء است که هر یک با d ویژگی توصیف می شوند.   Z یک مجموعه با k مرکز کلاستر ، W یک ماتریس تعلق فازی و توان وزن و d معیار فاصله معین بین مرکز خوشه و شی ء می باشد.

از آنجا که الگوریتم fuzzy c-Means فقط روی داده های عددی کار می کند،یک الگوریتم fuzzy k-Modes  را به منظور خوشه بندی مجموعه داده های گروهی پیشنهاد می دهیم [6-9] . با این وجود،این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد.

برای مسئله بهینه سازی ،یک مسئله شناخته شده وابسته به هر دو الگوریتم fuzzy C-Means و fuzzy k-Modes این است که آنها ممکن است روی بهینه محلی متوقف شوند[5] .برای رفع این مشکل و رسیدن به یک راه حل عمومی،تکنیک های بر پایه الگوریتم های ژنتیک و تابو سرچ به کار برده شده اند. برای مثال ،الگوریتم genetic k-Means،الگوریتم genetic و الگوریتمk-Means  را ترکیب می کند بدین منظورکه راه حل عمومی و بهینه را پیدا کند[10].به منظور پیدا کردن راه حل بهینه عمومی برای الگوریتم fuzzy k-Modes،Ng و Wong تابو سرچ را بر پایه الگوریتم fuzzy k-Modes معرفی کردند[11].

هدف اصلی در این پروژه این است که الگوریتم genetic fuzzy k-Modes را بکار ببریم تا الگوریتم های fuzzy k-Modes و genetic را به منظور پیدا کردن راه حل بهینه در مسئله بهینه سازی ترکیب کند[5].

طرح کلی پروژه به صورت ذیل است که در قسمت 2، مروری برکارهای قبل و دیگر روش ها خواهیم داشت .بدین صورت که ابتدا الگوریتم های k-means, fuzzy C-means,k-modes,fuzzy k-modes با جزییات شرح می دهیم که مقدمه ای از روال کلی رسیدن به الگوریتم مورد بررسی در این مقاله هستند. سپس در قسمت 3 ،روش پیشنهادی مان،الگوریتم ترکیبی genetic fuzzy k-Modes را تشریح می کنیم. نتایج پیاده سازی الگوریتم برروی دو مجموعه داد ه واقعی از UCI را در قسمت 4 نشان می دهیم ودر نهایت در قسمت 5 بعضی نتایج را عنوان می کنیم.

2- مروری بر روش های قبل

 1.2- الگوریتمk-means Hard

الگوریتم k-means،الگوریتمی است که n نمونه داده را بر پایه ویژگی هایشان به c قسمت (c<n) خوشه بندی می کند. الگوریتم k-means روال هایی بر پایه نمونه اولیه هستند که فاصله بین نمونه های اولیه و دیگر داده ها را به وسیله ساختار یک تابع هدف مینیمم می کند[7].بعبارتی دیگر هدف الگوریتم این است که واریانس درون خوشه ای کل ،یا تابع مربع خطا را مینیمم سازد.این الگوریتم در سال 1956 معرفی شد.

روال کلی الگوریتم بدین صورت می باشد که :

1. تعداد خوشه ها را ، k در نظر بگیرید.
2. به طور تصادفی k خوشه تولید کنید و مراکز خوشه ها را تعیین نمایید.یا به طور مستقیم، k نقطه رندم را به عنوان مراکز خوشه ها تولید کنید.
3. در مجموعه داده،هر نمونه داده را به نزدیکترین مرکز کلاسترآن نسبت دهید.
4. دوباره مراکز خوشه های جدید را بدست آورید.
5. دو مرحله قبل را تا زمانیکه همگرایی مناسب حاصل شود(تفاوتی در دو خوشه بندی متوالی وجود نداشته باشد)،تکرار نمایید.

مقاله الگوریتمهای ژنتیک

اختصاصی از یارا فایل مقاله الگوریتمهای ژنتیک دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:30

فهرست مطالب:

مقدمه
Biological Background1-
Biological Background1-1
Reproduction-2-1
Genetic Algorithm 1-3-
Outline of the basic Genetic Algorithm-2-3-1
Some comments-3-3-1
Operators of GA -4-1
Encoding-1-4-1
Crossover-2-4-1
Mutation-3-4-1
Parameters of GA-5-1
-1-5-1احتمالcrossover
-2-5-1احتمال Mutation
Other parameters-3-5-1        
Selection-2
Selection-1-2
Roulette Wheel -1-1-2
Selection-2-1-2 Rank
Steady State-3-1-2
Elitism-4-1-2
Encoding-3
Encoding-1-3
Encoding Binary-1-1-3
Permutation Encoding-2-1-3  
Value Encoding-3-1-3
Tree Encoding-4-1-3
Crossover & Mutation-4
Crossover & Mutation-1-4
Binnary Encoding -2-4
Single Point Crossover-1-2-4
Two Point Crossover-2-2-4
Uniform Crossover-3-2-4
Arithmetic Crossover-4-2-4  
Mutastion-5
Mutastion-1-5
Permutation Encoding-2-5
Value Encoding -3-5
Tree Encoding -4-5
Recommendations-5-5
Application of GA-6-5
 5-7- The Traveling Salesman Problem
5-8- TSP with genetic algorithm
5-9-  مقایسه روشهای مختلف الگوریتم ژنتیک برای TSP
نتیجه گیری

مقدمه

الگوریتمهای ژنتیک قسمتی از محاسباتهایی هستند که رشد سریعی از تکامل هوش مصنوعی است. همانطور که می توانید حدس بزنید الهامی از تئوری تکاملی داروین می باشد به سادگی می توان گفت، مسائل توسط یک فرآیند تکاملی ناشی از بهترین(مناسبترین) راه حل(بازمانده) حل می شود. به عبارتی دیگر راه حل استنتاج می شود. تا به حال فرمهای مختلفی از رمز گذاری ها encoding و عملگرهای crossover وmutation را در حل مساله tsp به روش الگوریتم ژنتیک دیدیم. این حالتها می توانند با هم ترکیب شوند و منجر به رسیدن به راه حلهای متفاوتی برای tsp به روش الگوریتم ژنتیک شوند. ولی از آنجایی که متدهای crossover روی encoding های خاصی عمل می کند در نتیجه الگوریتمهای ژنتیک خیلی متفاوتی برای جستجو نداریم حال به بررسی الگوریتمهای ژنتیک مغز یعنی بدون استفاده ازheuristic information می پردازیم.

فرض کنید که pmx crossover را انتخاب کرده ایم و هیچ عملگری را برای mutation اتخاذ نکرده ایم. با این شرایط در 33 شهر به جوابی می رسیم که طول آن % 10 از جواب بهینه بیشتر است و برای 100 شهر این میزان به%210 می رسد. اگر در یک مساله که از 30 شهر تشکیل شده است اگر از pmx استفاده کنیم بهترین طول 498 و اگر از  order crossover استفاده کنیم این میزان به 425 کاهش می یابد در حالی که cycle crossover نتیجه ای برابر 517 می دهد. از آنجایی که می دانیم در این مساله خاص(30 شهر) بهترین جواب طولی برابر 420 دارد به نظر می رسد که order crossover جوابی بهتر از بقیه می گیرد.

حال به بررسی matrix crossover می پردازیم. اگر از یک crossover دونقطه استفاده کنیم مشاهده می شود که برای 30 و 50 و75و100 و318 دورهایی با طول 420 و426و535و629و42154 را ارائه می کند. که همه این جوابها کمتر از % 2 بیشتر از جواب بهینه هستند.

پس احتمالاً استفاده از یالها بسیار امیدوارکننده تر از استفاده از راسها به عنوان متغیر است.

توجه کنید که به هر حال نمایش ماتریس فضای بیشتری را برای ذخیره کردن نسبت به نمایش به صورت عدد صحیح و crossover ساده می خواهدودر ضمن محاسبات crossover و mutation در ماتریس پیچیده تر و زمانبرتر است.

همچنین روش دیگری که تست شده این است که ما از(2-opt) برای mutation استفاده کنیم و از crossover استفاده نکنیم.

این روش نیز جواب خوبی ارائه می دهد ولی جواب قبلی بهتر از این روش است. در ضمن برای وقتی که n را زیاد فرض می کنیم این روش جوابی مناسب ارائه نمی دهد.

Heuristic algorithm وقتی که با (2-opt) mutation ترکیب می شود بهترین جواب را در مقایسه با متدهایی که تا به حال گفتیم بر می گرداندبه طوری که این جواب بسیار نزدیک به مقدار بهترین جواب است. البته این روش فضای زیادی را اشغال می کند و نیز وزن هر یال در جایی ذخیره شود.

در نتیجه می بینیم که الگوریتم ژنتیک وقتی که از نمایش ماتریس برای encoding و از matrix crossover یا Heuristic crossover استفاده می کند بهترین جواب را برمیگرداندو بهتر از روشهای دیگر کار می کنند.

در هر دو روش crossover بالا ازmutation (2-opt) کیفیت الگوریتم را افزایش می دهد.

Biological Background1-

تمام ارگانیسم های زنده از سلولها تشکیل شده اند. در هر سلول مجموعه ای از کروموزمها موجود می باشند و به عنوان مدلی برای تمام ارگانیسم به کار می روند.

اگر بخواهیم یک مساله را حل کنیم راه حل هایی هست که نسبت به دیگر راه حل ها بهترین می باشند. فضای تمام راه حل های ممکن (مجموعه راه حلها که راه حل مورد نظر«بهترین» در آن نیزState search مجموعه وجود دارد) فضای جستجو خوانده می شود. اغلب حالت جستجو نامیده می شود. هر نقطه در فضای جستجو یک راه حل ممکن را نشان می دهد. هر راه حل ممکن آن برای مسئله نشان داده می شود . fittness می تواند توسط ما به دنبال بهترین راه حل میان شماری از راه حلهای ممکن هستیم که توسط یک نقطه GA با در فضای جستجو علامتگذاری می شود. جستجو برای یک راه حل برابر می شود با جستجو برای مقادیر اکسترمم(مینیمم یا ماکزیمم) در فضای جستجو است.

Biological Background1-1

یک کروموزم از ژنها تشکیل شده است. هر ژن یک پروتئین خاص را رمزگذاری می کند. کروموزم رشته هایی ازDNA می باشند.

به طور اساسی می توان گفت که هر ژن یک ویژگی یا خصیصه را رمزگذاری می کند به عنوان مثال رنگ چشمان. مجموعه های ممکن رای یک خصیصه(فرضاَ آبی، قهوه ای)، Alleles نامیده می شود.

هر ژن پوزیشن مخصوص به خود را در کروموزم دارد که به این پوزیشن locus یا مکان نامیده می شود.

نامیده می شود. مجموعه (Genome)مجموعه کاملی از ماده ژنتیک(همه کروموزمها) ژنوم دارای توسعه دیرتر از Genotype نامیده می شود. Genotype بخصوصی از ژنها در ژنوم ارگانیسم می باشد، که می توان به مشخصه های فیزیکی و روانی phenotype مبنای تولد مانند رنگ چشم ، هوش و غیره اشاره نمود.

Reproduction-2-1

ابتدا اتفاق می افتد ژنهای والدین با هم در طی تولید مثل ترکیب می شوند تا یک کروموزم جدید کامل تولید کنند. این فرزند جدید خلق شده سپس می تواند تا اندازه کمی تغییر می کنند. DNA تحت موتاسیون قرار گیرد. موتاسیون به این معنی است که این تغییرات به طور اساسی ناشی از خطا در کپی ژنهای والدین می باشد. یا تناسب یک ارگانیسم توسط موفقیت ارگانیسم در زندگی اش(بقا) اندازه گیری Fittness می شود.

اغلب اوقات فضای جستجو به خوبی باید تعریف شده باشد ولی اغلب تعداد کمی از نقاط در فضای ، فرآیند پیدا کردن راه حل ها، نقاط GA جستجو را می توانیم شناسایی کنیم در فرآیند استفاده از دیگری(راه حل های ممکن ) را به عنوان درآمدی از تکامل تدریجی تولید می کند.

مشکل اینجاست که جستجو می تواند خیلی پیچیده باشد. ممکن است که ندانیم فرضاَ برای حل مسئله در کجا به دنبال راه حل بگردیم یا اینکه از کجا شروع کنیم. روشهای زیادی برای پیدا کردن یک راه حل مناسب در فضای جستجو وجود دارد. ولی این متدها لزوماَ بهترین راه حل را تولید نمی کنند.

و الگوریتم simulated annealing، tabu search ، hill climbingبعضی از این متدها ژنتیک است. راه حل هایی که از طریق این متدها پیدا می گردد، اغلب راه حل های خوبی به حساب می آیند، اغلب نمی توان ثابت کرد بهترین راه حل چیست.

مسائل NP یک مثال از کلاس مسائل که از طریق سنتی نمی توان حل کرد مسائل زیادی وجود دارد که ما می توانیم از الگوریتمهای سریع یا (چند جمله ای) استفاده کنیم. همچنین بعضی از مسائل وجود دارد که به شکل الگورتمیک نمی توان حل کرد .

مسائل خیلی مهم بسیاری وجود دارد که خیلی سخت است که یک راه حل را برای آنها پیدا کنیم ولی اگر آنها را داشته باشیم به آسانی می توانیم راه حل را با آنها چک کرد. این منتج به مسائل یا چند جمله ای غیر قطعی Non deterministic polynomid مخفف NP می شود. NPکامل می باشد و به این معنی است که این امکان وجود دارد که راه حل (توسط بعضی از الگوریتمهای غیر قطعی) حدس زد و سپس آن را با مساله چک کرد.

اگر یک ماشین را در نظر بگیریم می توانیم یک راه حل را در زمان معقول پیدا کنیم.

به سادگی می تواند محدود شود به مسائلی که جواب آنها می تواند بله یا خیر NP مطالعه مسائل باشد.

- NPبه دلیل اینکه مسائل با خروجی های پیچیده وجود دارد یک کلاس از مسائل به نامNP معرفی می شود این کلاس به محدودیت کلاس مسائل کامل نمی باشد. Hard prolems این است که یک الگوریتم ساده شاید در ابتدا مشاهده شود که بتوان NP یک خصیصه از مسائل برای پیدا کردن راه حل های مناسب می تواند استفاده شود. ولی این دیدگاه به طور کلی راه حل های ممکن بسیاری را تولید می کند فقط تلاش برای پیدا کردن راه حل های ممکن یک فرآیند می باشد. برای حتی مثالهای نسبتاَ بزرگتر این نوع از مسائل این دیدگاه O(2^n) بسیار کند با زمان کل قابل استفاده نیست.

وجود NP امروزه هیچ کس نمی داند آیا الگوریتم سریعتری برای تولید کردن جواب دقیق مسائل داردیا خیر.

که کشف چنین الگوریتمهایی به شکل یک وظیفه بزرگ برای محققان باقی مانده است (شاید شما). امروزه بسیاری از مردم فکر می کنند این نوع الگوریتم ها وجود ندارند و بنابراین آنها به دنبال یک روش متناوب می باشند یک مثال از روش متناوب الگوریتم ژنتیک می باشد.

گزارش کار آزمایشگاه ژنتیک

اختصاصی از یارا فایل گزارش کار آزمایشگاه ژنتیک دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:25

فهرست مطالب:

مقدمه
مکانیسم غیرفعال شدن کرموزوم فعال X :
کم خونی داسی شکل چیست ؟
بیماری خونی گلبول‌های داسی شکل روی عملکرد ذهن تاثیر نامطلوب دارد
چرخه سلولی
اینترفاز
تقسیم یاخته‌ای
عوامل موثر در میتوز
سانتریولها
کروماتین
کروموزوم
مراحل میتوز
پروفاز
متافاز
آنافاز
تعیین جنسیت در مگس سرکه

مقدمه
در پستانداران ، نرها هتروگامتیک ( XY ) و ماده ها ، هوموگامتیک (XX) اند . برای جبران این تفاوت کروموزوم های جنسی ، به طور تصادفی یکی از کروموزوم های X در جنس ماده ، طی فرآیندی به نام لیونیزاسیون ( Lyonization ) غیر فعال می شود . این کروموزوم X غیر فعال به شدت هتروکروماتینه بوده و به شکل اجسام تیره رنگ به غشای هسته اتصال می یابد . این پدیده که در انسان نیز دیده می شود ، اولین بار توسط دکتر موری بار ، سیتوژنتیکدان کانادایی کشف شد و به همین علت به این اجسام کروماتینی جسم بار ( Barr bodies ) گفته می شود .
هتروکروماتینی بودن کروموزوم X ( جسم بار ) در بسیاری از مناطق باعث می شود که بسیاری از ژن ها از دسترس عوامل رونویسی دور شوند و در نتیجه ی خاموش شدن آن ها ، کروموزوم ها غیرفعال خواهند شد .
این فرایند به طور کامل در فرضیه ی لیون ( Lyon ) توصیف می شود . طبق این فرضیه در سلول هایی با بیش از یک کروموزوم X ، فقط یکی از کروموزوم ها فعال مانده و بقیه طی مراحل امبریوژنز غیرفعال می شوند و جسم بار را تشکیل می دهند . در اکثر پستانداران لیونیزاسیون در اوایل دوره ی تکوین رویان اتفاق می افتد و به طور تصادفی یک یا چند کروموزوم X به جسم بار تبدیل می شوند .
در جانوران کیسه دار ( Marsupials ) و بعضی از بافت های جنینی پستانداران دارای جفت ( Placenta ) این فرایند صورت نمی گیرد زیرا کروموزوم X پدری در آن ها به طور دائمی غیر فعال است .
در طول مرحله ی اینترفاز ، کروموزوم ها به وسیله ی میکروسکوپ نوری چندان قابل رؤیت نیستند اما جسم بار به علت ساختار متراکم و رنگ پذیر خود در هسته ی پستانداران ماده ( افراد مؤنث )
 کاملا قابل مشاهده است . ساختار فشرده ی آن کاملا نشانگر غیر فعال بودن آن است . به همین دلیل می توان گفت که افراد مؤنث ( ماده ها ) همانند افراد مذکر ( نرها ) دارای یک کروموزوم X   ( ژن های وابسته به X فعال ) می باشند.
مکانیسم غیرفعال شدن کرموزوم فعال X :
این فرایند به ژنی احتیاج دارد که XIST نامیده می شود و روی همان کروموزوم X قرار دارد .
1-                 XIST یک مولکول بزرگ RNA را کد می کند که این RNA با RNA هایی که در سنتز پروتئین دخالت دارد ، متفاوت است .
2-                XIST RNA ها در طول کروموزوم X جمع شده و ژن فعال XIST را در برمی گیرند و باعث می شوند تقریبا اکثر ژن های روی این کروموزوم را غیر فعال کنند .
3-             XIST RNA های یک کروموزوم X هیچ گاه روی کروموزوم X دیگری ( ماده ها و جنس مؤنث ) که در داخل هسته است اثر ندارد .
4-              در واقع جسم های بار همان کروموزوم های X غیر فعال اند که با XIST RNA ها پوشانده شده اند .
مراحل غیرفعال شدن کروموزوم X در طول دوره ی جنینی :
در طول اولین مراحل تقسیم زیگوت ماده ، ژن XIST روی کروموزوم X پدری طوری بیان می شود که بیش تر ژن های وابسته به X آن خاموش اند . تا زمانی که بلاستوسیت تشکیل نشده ، توده ی کروموزوم X پدری در تروفوبلاست خاموش است . اما در توده ی سلول های داخلی ( ICM ) رونویسی ژن XIST در کروموزوم X پدری متوقف شده و باعث می شود تا صدها ژن دیگر روی کروموزوم بیان شوند .
خاموش شدن ژن XIST در اثر متیلاسیون توالی این ژن صورت می گیرد . همچنین تغییرات هیستونی مانند متیلاسیون هیستون H3  ، یوبی کیتیناسیون هیستون H2 و همچنین تغییرات DNA از طریق متیلاسیون جایگاه های CpG، از جمله تغییراتی هستند که به بیان ژن ها روی کروموزوم Xکمک کرده و باعث غیرفعال شدن کروموزوم و به هم فشرده شدن آن می شود و بار بادی را ایجاد می کند. هم زمان که تکامل رویانی در حال انجام است ، غیر فعال شدن X دوباره آغاز می شود . اما این بار ، این پدیده کاملا تصادفی صورت می گیرد .
در عمل نمی توان پیش بینی کرد که کدام یک از کروموزوم X مادری یا پدری در سلول به جسم بار تبدیل می شود . البته همه ی ژن های کروموزوم X غیر فعال نمی شوند . در واقع 18 ژن فعال روی کروموزوم X غیر فعال افراد مؤنث وجود دارد که دقیقا معادل آن ها نیز در کروموزوم Y در افراد مذکر قرار دارد . این تشابه ژنی باعث می شود که افر اد مذکر و مؤنث در یک شرایط تعادلی قرار بگیرند .

مقاله بررسی علم ژنتیک

اختصاصی از یارا فایل مقاله بررسی علم ژنتیک دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:76

چکیده:

گوانین یک عامل اکسیدی و یک عامل آمینی دارد و به آن 6-اکسی 2-آمینوپورین گویند.
چون اوراسیل و تیمین در یک CH3 تفاوت دارد تیمن را 5-متیل اوراسیل نیز می‌گویند.
در مورد بنیان قند، قند (c5) دزوکسی ریبوز است شماره گذاری کربنهای قند را با نماد پرین  نمایش می دهند تا کربن های قند از کربنهای باز قابل تفکیک باشند. اگر در کربن   گرفته شده باشد. قند RNA ریبوز می شود. بنیان اسیدی، اسید فسفریک   است. ترکیب قند با هریک از بازهای آلی منجر به تشکیل نوکلوئوزیدها می‌گردد. قند را معمولاً با S نشان می دهند و اسید را با P نوکلوئوزید وقتی با بنیان اسید(p) ترکیب شوند.(با بازهای تری فسفات ترکیب می شود)منومرهای دارای انرژی تشکیل می دهند. آدنوزین تری فسفات(ATP) و... که منورمرهای اصلی وارد شده در رشته های پلی مر است.بدین صورت که وقتی وارد رشته های پلی مر می شوند ار سه بنیان دو بنیان را آزاد کرده به صورت (2P1) و تبدیل به منرمرهای موجود در رشته پلی‌مر AMP  تکرار می شوند هر AMP زا دزوکسی آدنیلیک اسید- GMP(دزوکسی گوانیلیک) GMP اسید دزوکسی سیتیلیک را می گویند.
نحوه انتقال این سه جزء در هر یک از چهار منومر فوق به این صورت است که بنیان فسفات همیشه به کربن   قند متصل می گردد(پیوند استری) این پیوند استر(اسید و الکل) خوانده می شود. و محصول آن   است و یک مولکول آب آزاد می شود. نحوه الحاق باز به قند چنین است که همیشه کربن 1 قند با از دست دادن یک مولکول آب به ازت شماره 9 کربن پورین ها و شماره یک پریمیدین ها متصل می گردد. پیوند بین باز آلی و قند نیز پیوند گلیکوزیدی گفته می شود. در محل بار آلی عوامل شیمیایی دارای پتانسیل پیوند کووالانسی دیده نمی شود. ولی از هر نوکلئوتید غیر از ناحیه   فسفات ناحیه دیگری دیده می شود که می تواند پیوند کووالانسی ایجاد بکند و آن (OH) موجود در کربن قند است. چنانچه خواهیم دید نحوه پلی مریزاسیون با مشارکت نوکلوئوتیدیتری فسفات و آن هم با استفاده از یک رشته الگوانجام پذیر است. رشته نوکلئوتید را تعیین می کند. ولی نحوه وارد شدن منومر در پلی مر همیشه از انتهای   پلی مر ممکن است و علت آن این است که منومرهای فسفات انرژی خود را در محل بنیان ذخیره شده بایستی در محل مصرف آزاد گردد.
محل مصرف همان ناحیه   از قند آخرین نوکلئوتید موجود در رشته پلی مری است به همین عل رشد یا توسعه رشته پلی مری همیشه از قاعده رشد پلی مراز انتهای   هم برای همانندسازی و هم رونوشت برداری صادق است به همین خاطر جهت پلی مریزاسیون را از   به   در نظر می گیرند. مسلم است که در رشته الگو   به   خواهد بود. هرگاه دو رشته دزوکسی ریبونوکلئوتیدی مقابل هم در مولکول DNA تولید گردد در مولکول DNA از نحوه آرایش قندها و همچنین انتهای رشته ها می‌توان پی به وارونه بودن دو رشته برد(موضع گیری تنها اکسیژن به طرف پایین) (معکوس بودن)
نحوه مکمل یابی:چنین است که بعد از پیدایش مارپیچ دو رشته ای فرم DNA به شکل ناودان تابیده شده(ناودان حلقوی) دیده می شود.
عتل تابیدن یا چرخش ناودان از انحرافی است که یک جفت نوکلئوتید از جفت نوکلئوتید دیگر دارد. که با زاویه انحراف  36 درجه به همدیگر قرار گرفته اگر همین انحراف را در طول DNA تصور کنیم مولکول DNA به صورت مارپیچ دیده خواهد شد.
از نظر جهت چرخش و فشردگی نوکلئوتید نسبت به همدیگر سه نوع DNA شناسایی شده است که اصطلاحاً به نام های A-DNA، B-DNA، Z-DNA و فرم فعال فیزیولوژیکی(مدل واتسون و کریک) B-DNA است. در این نوع طول در هر پیچش کامل 360 درجه که به طول A34 است. 10 جفت نوکلوئوتید قرار می گیرد. جهت چرخش راست گردان(در جهت عقربه ساعت) می باشد و فرم A-DNA فرم دهید راز B-DNA است که به هنگان استخراج بسته به قند بکار رفته ایجاد می گردد. فشردگی آن را بیشتر از B-DNA و راستگردان است. در هر چرخش کامل آن 11 جفت نوکلئوتید دیده می شود ولی مثل B-DNA راستگردان است. فرم Z-DNA بر خلاف دو نوع قبلی چپ گردان است. فشردگی آن بیشتر از دو نوع قبلی بوده و در هر چرخش 12 نوکلئوتید را بر می گیرد. از نظر طرز تزئین ژنتیکی بنظر می رسد این DNA نقش فعالی را بازی نمی کند چون Z-DNA قابل رونوشت برداری نیست چراکه آنزیم های پلی مراز نمی توانند روی آن حرکت کنند. از مثال های بارز
Z-DNA می توان نواحی بین بازویی در کروموزوم پلی تن را مثال زد که قابل زد رونوشت برداری نیستند لازم است بدانیم Z-DNA ممکن است از نظر فضایی تغییر یافته و به فرم B-DNA تبدیل گردد.
شکل ظاهری این سه نوع DNA را می توان از فرو رفتگی هایی که در محل پیچش ایجاد می‌گردد از همدیگر تشخصی داد.
فرورفتگی بزرگ پشت ناودان (major grrove) و کوچک جلو ناودان (minor groove) است در فرم A-DNA تفاوت minor و major کمتر است و در نوع Z-DNA به سختی می توان این فرورفتگی ها را تشخیص داد.

همانند سازی DNA:
1-همانند سازی حفاظتی
2-نیمه حفاظتی
3-غیر حفاظتی
4-انتشاری
مفاهیم این فرضیه ها در شکل زیر روشن است.
آزمایش های کامل(هم در گیاهان و هم در جانوران) انجام گرفته و ثابت شده که فرضیه نیمه حفاظتی صادق است.
در گیاه باقلا، تیلور در سال 1975 با استفاده از تیمیدین تریتیوم دار(ایزوتوپ هیدروژن) باکتری Ecoli تیمار کرد و در سال 1985 دو دانشمند به نامهای مزلسون و استال ماده نشاندار را از طریق تکنیک تعیین چگالی توسط شیب یا گرادیان یا غلظت کلرید آمونیوم ویا نمک های سنکین مثل کروسزیم توانستند DNA نشاندار و غیر نشاندار را از هم جدا کنند.
آزمایش تیلور:
این دانشمند اجازه داد ریشه باقلا چرخه سلولی در حضور تیمیدین تریتیوم دار قرار بگیرد. سپس از ریشه ها لامهای مربوط به متافازمیوزی را تهیه کرد و کشاندن صفحه فیلم عکاسی روی آنها اتورادیوتراپی انجام داده نتایج اتورادیوتراپی در شکل زیر نشان داده می شود سپس بخش دیگری از این ریشه ها را که جزء سلولی که نشاندار شده بودند اجازه داد تا یک چرخه سلولی دیگر در حضور نشاندار قرار گیرد. مجدداً لام مربوط به پلاک متافازی این ریشه ها را نیز تهیه کرد که نتایج آنها در شکل دیده می‌شود.
تیلور ثابت کرد که مولکول DNA که دارای دو رشته لی مر است هنگام همانند سازی از هم باز می شود و هر رضته قدیمی به عنوان الکویی برای رشته جدید مورد استفاده قرار می گیرد. به همین علت در مولکولهای DNA نسل جدید یک رشته قدیمی در رشته جدید وجود خواهد داشت و به خاطز وجود یک رشته جدید در مولکولهای DNA نسل جدید امکان مشارکت تریتیمی در هر دو رشته فراهم شده به همین علت در ولکول جدید سنتز شده در محیط نشاندار در اتورادیوگرافی ظاهر می شود. اگر چنین کروموزومی که در هر کروماتید نشاندار هست تقسیم میتوز را تمام بکند هر کروماتید درون یک سلول قرار گرفته و اگر چنین سلولهایی را در محیط غیر نشاندار اجازه یک چرخه کامل سلولی دیگر را بدهیم مجدداً در مولکول های DNA هماند سازی شده در محیط غیر نشاندار می توانیم تک رشته نشاندار را ردیابی کنیم که همین تک رشته دقیقاُتوسط آزمایشتیلور قابل ردیابی بود. منتهی در برخی موارد تبادل کروماتید خواهری نیز مشاهده می گردد که در اثر کراسینگ اوربین کروماتیدهای خواهری است. این نوع کراسینگ اور متفاوت از کرسینگ اورمیوزی است و اصطلاحاً بنام کراسینگ اورسوماتیکی گفته می شود. که با همین تکنیک این پدیده کشف گردیده است. این تکنیک (انورادیوگرافی) اساس وپایه تکنیک تشخیص کراسینگ اورسوماتیکی را فراهم آورده که بنام sister chromatic exchange technic معروف است.
آزمایش های مزلسون و استال:
این دانشمند از شیب غلظت برای جداسازی مولکولهای نشاندار غیر نشاندار استفاده کرد. اساس این کار بود که اگر محصول نمک را مثل کلروزسزیم سانتریفوژ بکنیم غلظت نمک بطور پیوسته از بالاترین سطح محلول تا ته لوله افزایش می یابد واگر ماده دیگری با .زن مولکولی نامشخص در شیب غلظت قرار داده و مجدداً سانتریفوژ بکنند آن مولکول مجهول جایی از شیب غلظت متوقف می گرد که جرم حجمی ناحیه توقف با جرم حجمی خود مولکول برابر باشد. این مسئله امکان میدهد که بتوانیم دو جسم با وزنهای مولکولی متفاوت را به راحتی از طریق شیب غلظت همدیگر تفکیک کنیم.
سه نوع مولکول مورد استفاده در آزمایش مزلسون و استال عبارتند از:
1)مولکولهای DNA که در هر دو رشته نشاندار بودند.
2)مولکولهای DNA که در یکی از رشته ها نشاندار بود و دیگری غیر نشاندار
3)مولکولهای DNA که در هر دو رشته غیر نشاندار هستند.
آزمایش مزلسون و استال و نتایج حاصل از آن در شکل زیر دیده می شود. ابتدا کشتی از E.coli دادند و بعد اجازه دادند نسل ها در حضور کلرور آمونیوم نشادار رشد بکنند و کلرید آمونیوم حتی منبع تغذیه ازتی بود. یعنی اگر ازت در ساختار DNA وارد شوند نشاندار خواهد بود. به طوری که کل مولوکول DNA باکتری نشاندار شده بود. بعد از ایجاد باکتری های نشاندار شده بود. بعد از ایجاد باکتری های نشاندار آنها را در محیط غیر نشادار وارد نمودند. از آنها نسل اول را گرفتند و وارد محیط غیر نشاندار کردند و بعد به نسل g2 اجازه دادند تا نسل سوم را ایجاد بکند. (g3) و پس DNA آنها را استخارج کرده و سپس در شیب غلظت کلرور سدیم قرار دادند.
نتایج را با همانند سازی نیمه حفاظتی مقایسه کردند. در همانند سازی نیمه حفاظتی طبق فرضیه نیمه حفاظتی دو رشته از هم باز می شود.
نکته:اگر حفاظتی بود در S دو تا باند تشکیل می شد و در غیر حفاظتی یک باند.
مکانیسم همانند سازی نیمه حفاظتی:
اولین تحقیق در مکانیسم مولکولی همانند سازی مولکول DNA توسط کورنبرگ در باکتری ایکولای انجام گرفت. او توانست از باکتری Ecoli آنزیمی استخراج کند که این آنزیم قادر بود با استفاده از یک رشته الگو نوکلئوتیدهای تری فسافت (GTP...TTP) در حضور نمک های کلسیم و منیزیم درون لوله آزمایش عمل پلی مریزاسیون DNA را انجام دهد. وجود هر یک از این اجزاء برای پلی مریزاسیون ضروری بود با این حال در صورت عدم وجود DNA الگو باز هم DNA سنتز می‌شود ولی مقدار آن بسیار کم و سرعت سنتز بسیاربطئی بود. کورنبرگ برای دفاع از دقت بکار گرفته شده در سنتز DNA نتوانستمدرکی ارائه دهد و تنها توانست ثابت کند که درصد چهار نوع نوکلئوتید در DNA سنتر شده می توانست مثل DNA اصلی فعالیت بیولوژیکی را ادراه بکند که دلالت بر دقت همانند سازیDNA می گردد. این کار توسطمهران گوریان در فاژ   اثبات گردید. این فرد DNA فاژ را مصنوعاً سنتز کرده و در باکتری ها وارد کرد و شاهد فعالیت فاژی سنتز شده بود.