مربوط به شرکت برق منطه ای فارس
1 صفحه نمودار فرآیندی وظیفه ای بازنگری مدیریت و 2 صفحه شرح فعالیت ها
مناسب جهت کار عملی درس تجزیه و تحلیل سیستم در تمام رشته ها
نمودار فرآیندی وظیفه ای-فرآیند بازنگری مدیریت
مربوط به شرکت برق منطه ای فارس
1 صفحه نمودار فرآیندی وظیفه ای بازنگری مدیریت و 2 صفحه شرح فعالیت ها
مناسب جهت کار عملی درس تجزیه و تحلیل سیستم در تمام رشته ها
فرمت فایل : word(قابل ویرایش)تعداد صفحات27
یادگیری ذهنی - حر کتی : نقش رابطه شدت وظیفه
خلاصه- اهداف مدل تنبام (2001)]مدل یک بعد اجتماعی- شناختنی اعمال قوه مشاهده شده و حد تحمل اعمال قوه ، کتابچه روانشناسی ورزش( صفحات 820-810 نیویورک )[ مدل ار تباط شدت تمرین - ذهن استفاده شده تا دو بررسی را طراحی وصورت دهد تا استراتژی های ذهنی افراد را در طی در گیری در دو وظیفه پرمتقاضی حرکتی وتاثیر رابطه به شدت وظیفه برکانون ذهنی ( یادگیری ذهنی – حر کتی)را بررسی نماید .
طراحی : یک طر ح آزمایشی به کار گر فته شده ، در صور تیکه طبقه بندیهای فکر ( مر تبط در مقابل غیر مرتبط) در طی سه مر حله یک وظیفه دست گیر( مطالعه 1)و در طی50% ،70%،90% حداکثر اکسیژن به کار گرفته در یک وظیفه دوچر خه سواری ( مطالعه 2 ) مر تبط با بررسی مر بع - چی غیر پارامتری شدند .
روشها – شرکت کنندگان مرد و زن در معرض حس افزاینده تلاش حرکت از طریق دو وظیفه خسته کننده قرار گرفتند : یک وظیفه دست گیر ایزومتری (تعداد = 35) و یک وظیفه دوچرخه سواری ثابت (تعداد = 13) . در طی هر وظیفه به شرکت کنندگانآموزش داده شد تا به صورت کلامی افکار فعلی خودشان را به صورت جملاتی، عباراتی یا کلماتی به طور مستمر در سرتاسر فرآیند آزمون بیان کنند. افکار گزارش شخصی شرکت کنندگان، در طی وظایف ثبت شدند و مدتی بعد طبقه بندی شدند تا الگوهای کانون ذهنی مرتبط و غیر مرتبط را نشان دهند.
نتایج : کانون ذهن، به صورت مسلطی، مرتبط بود، هنگامیکه شدت وظیفه، بالا بود. این یافته ها با مدل (2001) تینام ثابت هستند که ] مدل یک بعد اجتماعی – شناختنی اعمال قوه مشاهده شده و حد تحمل اعمال قوه است[ . کتابچه مدل روانشناسی ورزش رابطه بین شدت تمرین و تخصیص ذهن (یادگیری ذهنی - حرکتی) را مطرح می سازد که ذکر می کند که کلیدهای فیزیولوژیکی آستانه تلاش بر یادگیری ذهنی مسلط هستند.
نتیجه گیریها : در طی شرایط بار کار بالا و طول مدت طولانی، ذهن بر حسهای فیزیولوژیکی سختی متمرکز می شود که بر آگاهی مرکزی مسلط هستند. در این نکته، یک یادگیری ذهنی مرتبط تقریباً قطعی است.
در دهه های اخیر یکی از مباحث مهم در تئوری های حسابداری شرکتها، داراییهای نامشهود بوده است.چیزی که مشهود است، این است که داراییهای نامشهود دارای ارزش بالایی می باشند ولیکن این ارزش به دلیل ماهیت خاص و مشکل بودن ارزشیابی معمولا در صورتهای مالی قابل مشاهده نیست.به هر حال، بر اساس ارتباط آن با مقاصد تجاری خاص، اهمیت آن برای سهامداران انکار ناپذیر است. به نظر میرسدگزارش های مالی سنتی که بر مبنای قواعد سنتی حسابداری، بازده های بالقوه را مستثنی می کند، جهت مقاصد تصمیم گیری نا مربوط باشد.
بنابر این، رویکردهای شناسایی و ارزیابی داراییهای نامشهود می تواند برای کمک به تصمیم گیری بهتر، سودمند باشد. در طی دو دهه انتهایی قرن بیستم تغییرات اساسی رخ داده است. بر این اساس شرکت ها نیاز دارند تا محرک هایی که به سطوح ارزش بیشتر منجر می شوند، شناسایی نمایند.سرمایه گذاری در داراییهای نامشهود و سرمایه های فکری احتمالا اولین گام برای نوآوری و در نتیجه جهت خلق ارزش است.مدیریت و گزارشگری سرمایه فکری می تواند، بر اساس یک مبنای منطقی، شکاف درک میان حسابداری و ارزش بازار را بر طرف نماید. هدف این مقاله تمرکز بر اهمیت داراییهای نامشهود در تمامی فرایند خلق ارزش می باشد.در واقع شاید بتوان گفت هیچ اجماعی بر سر تعریف " نامشهود "وجود ندارد.همچنین یک دارایی نامشهود نمی تواند در یک بازار منسجم به راحتی خریداری شده و یا فروخته شود،تایید وجود آن ممکن است غیر ممکن باشد، ممکن است دارای یک عمر معین نباشد، ارزشش دارای نوسان باشد و گاهی اوقات با یک فعالیت، محصول، خدمت یا واحد تجاری مرتبط باشد.
مقاله به صورت ورد قابل ویرایش می باشد
تعداد صفحات مقاله 10 صفحه می باشد
فایل مقاله بعد از خرید قابل دانلود می باشد
موضوع فارسی : الگوریتم موازی چند وظیفه برای DSRC
موضوع انگلیسی : Multi-task Parallel Algorithm for DSRC
تعداد صفحه : 7
فرمت فایل :pdf
سال انتشار : 2014
زبان مقاله : انگلیسی
چکیده
چکیده
کارایی زمانبندی وظیفه در محاسبات ابری، بیشتر شامل کل زمان تکمیل، متوسط زمان تکمیل و موازنهی بارِ منبع است. اگرچه این تحقیق نتوانسته که این سه تابع هدف را به صورت ترکیبی در نظر بگیرد. در این مقاله، برای حل مسئلهی زمانبندی وظیفه در محاسبات ابری، یک الگوریتم ژنتیک چند-هدفه پیشنهاد شده است. یک مجموعهی بزرگ وظیفه، به چندین وظیفهی کوچک تقسیم شده و در نتیجه اجازهی جور شدنِ این وظایف کوچک با منابع موجود و همچنین کدگذاری کروموزومها را میدهد. در فاز انتخاب، از وزنهای این سه تابع هدف استفاده شده تا مشخص شود که کدامیک از توابع برازش باید به کار گرفته شود. احتمال ترکیب و جهش، به گونهای تعیین شده که از تنوع جمعیت و سرعت بخشیدن به سرعتِ همگرایی اطمینان حاصل شود. در پایان، نتایجِ شبیهسازی انجامگرفته، بر کارایی الگوریتم پیشنهادی صحه میگذارد.
کلیدواژهها: محاسبات ابری، زمانبندی وظیفه، الگوریتم ژنتیک، چند-هدفه
فایل ترجمه: WORD فایل مقاله: PDF