سامانه مدیریت نشریات علمی دانشگاه یزد

صادقی, حسین, سهرابی وفا, حسین, نوری, فاطمه. (1393). ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی. کاوش‌نامه زبان و ادبیات فارسی, 6(11), 55-89.
حسین صادقی; حسین سهرابی وفا; فاطمه نوری. "ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی". کاوش‌نامه زبان و ادبیات فارسی, 6, 11, 1393, 55-89.
صادقی, حسین, سهرابی وفا, حسین, نوری, فاطمه. (1393). 'ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی', کاوش‌نامه زبان و ادبیات فارسی, 6(11), pp. 55-89.
صادقی, حسین, سهرابی وفا, حسین, نوری, فاطمه. ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی. کاوش‌نامه زبان و ادبیات فارسی, 1393; 6(11): 55-89.

ترکیب شبکه های عصبی و الگوریتم های تکاملی در پیش بینی تقاضای انرژی

سیاست گذاری اقتصادی
مقاله 3، دوره 6، شماره 11، اردیبهشت 1393، صفحه 55-89    اصل مقاله (863.55 K)
نوع مقاله: مقاله علمی
نویسندگان
حسین صادقی1؛ حسین سهرابی وفا* 2؛ فاطمه نوری3
1عضو هیأت علمی دانشکده مدیریت و اقتصاد دانشگاه تربیت مدرس
2کارشناس ارشد اقتصاد انرژی پردیس فنی مهندسی شهیدعباسپور
3کارشناس ارشد اقتصاد نظری دانشگاه مفید
چکیده
پیش­بینی روند تقاضای انرژی جهت اتخاذ سیاست­های مقتضی و مناسب اهمیت فراوانی دارد. به دلیل روند پرنوسان و غیر خطی تقاضای انرژی و متغیرهای موثر بر آن قابلیت روش­های هوشمند و غیر خطی به خصوص شبکه­های عصبی و الگوریتم­های تکاملی به منظور پیش­بینی تقاضای انرژی در مطالعات مختلف به اثبات رسیده است. با وجود نقاط قوت فراوان، این تکنیک­ها با مسائل مهمی همچون تحمیل فرم تبعی خاص- در الگوریتم­های تکاملی- یا نیاز به نمونه­های آموزشی فراوان- در شبکه­های عصبی- مواجه هستند. هدف این مطالعه ارائه یک الگوریتم ترکیبی جهت پیش­بینی هرچه دقیق­تر تقاضای انرژی می­باشد تا ضمن رفع معایب تکنیک­های فردی از مزایای آنان به­صورت همزمان استفاده شود. بدین منظور کارایی تکنیک­های مختلف در پیش­بینی تقاضای انرژی طی دوره 1346 تا 1390 مورد بررسی قرار گرفته است. یافته­های پژوهش نشان می­دهد استفاده از الگوریتم­های تکاملی در آموزش شبکه­های عصبی در شرایط محدودیت داده­ها، نتایج مطلوبی داشته و در این بین شبکه عصبی پیشنهادی مبتنی بر ترکیب الگوریتم ژنتیک و انبوه ذرات نتایج بسیار مناسبی ارائه می­کند. به­گونه­ای که مقایسه نتایج با سایر مطالعات در این حوزه علاوه بر تأیید قدرت توضیح دهندگی متغیرهای بکار رفته، توانایی بالاتر الگوریتم پیشنهادی را نشان می­دهد. همچنین نتایج پیش­بینی روند آتی تقاضای انرژی نشان می­دهد که میزان مصرف انرژی در سال 1404 بر اساس سه سناریو مختلف معادل 1817، 1643 و 1457 میلیون بشکه نفت خام خواهد بود.
کلیدواژه‌ها
شبکه های عصبی؛ الگوریتم ژنتیک؛ الگوریتم انبوه ذرات؛ پیش بینی؛ تقاضای انرژی
عنوان مقاله [English]
Combining Neural Networks and Evolutionary Algorithms on Energy Demand Prediction
نویسندگان [English]
Hossein Sadeghi1؛ Hossein SohrabiVafa2؛ Fatemeh Nouri3
1Assistant Professor in Economic, TarbiatModares University
2MS in Energy Economic, ShahidBeheshti University
3MS in Economics, Mofid University
چکیده [English]
Energy demand prediction is very important to adopt appropriate policies. The reliability of intelligence and non-linear methods, particularly neural networks and evolutionary algorithms on energy demand prediction, hasbeenproved in numerous studies.This is due to volatility and non-linearity of energy demand and the affecting variables. Despite their lot of strengths, these techniques are faced with important issues such as imposing specific forms in evolutionary algorithmor necessity of large samples in neural networks. The purpose of this study is to exhibit a combined algorithm for more accurate energy demand prediction to overcome the disadvantages of individual techniques and to use their benefits simultaneously. To this purpose,the performance of various techniques in energy demand prediction has been investigated during 1967-2011. The results indicate that the neural networks learned by evolutionary algorithms in terms data limitations have desired outcomes, and the neural network base on the combination of genetic and particle swarm algorithms combination provides very good results. Comparisonof the results of this study with those of other studies in this field indicates the higher ability ofthe proposed algorithm and further confirms the high explanatory power of the used variables.Moreover, future energy demand projection indicates that the energy demand is going to be 1817, 1643 and 1457 million barrelsof oil equivalent (BOE) in 2025 under three different scenarios.
کلیدواژه‌ها [English]
Neural networks, Genetic Algorithm, Particle swarm algorithm, prediction, Energy demand
مراجع

الف) منابع و مآخذ فارسی

  1. ابراهیمی، محسن. و آل­مراد جبدرقی، محمود (1390). "پیش بینی تقاضای انرژی برای بخش‌های اقتصاد ایران در افق زمانی 1404 با استفاده از مدل ARIMA". دومین کنفرانس مدیریت و بهینه سازی مصرف انرژی، 20 تا 21 شهریور، تهران، موسسه همایش صنعت.
  2. آرمن، سید عزیز. و زارع، روح­الله (1384). "بررسی رابطه علیت گرنجری بین مصرف انرژی و رشد اقتصادی در ایران طی سال­های 1346 -1381". فصلنامه پژوهش­های اقتصادی ایران 24: 117-143.
  3. بغزیان، آلبرت. و نصرآبادی، ابراهیم (1385). "پیش­بینی مصرف فرآورده­های نفتی: مقایسه سیستم معادلات اقتصاد سنجی و شبکه­های عصبی". فصل نامه مطالعات اقتصاد انرژی10: 47-67.
  4. بهبودی، داود. اصغرپور، حسین. و قزوینیان، محمدحسن (1387). "بررسی رابطه­ی مصرف کل برق و رشد اقتصادی ایران (1385- 1346)". فصلنامه­ی مطالعات اقتصاد انرژی 17: 72-57.
  5. پژویان، جمشید. و محمدی، تیمور (1379). "قیمت­گذاری بهینه رمزی برای صنعت برق ایران". پژهشهای اقتصادی ایران 6: 39-61.
  6. چگینی­آشتیانی، علی. و جلولی، مهدی (1391). "برآورد تابع تقاضای برق و پیش­بینی آن برای افق چشم­انداز 1404 ایران و نقش آن در توسعه کشور با توجه به هدفمند شدن یارانه‌های انرژی". پژوهش­های رشد و توسعه اقتصادی 2(7): 191-169.
  7. حیدری، ابراهیم (1384). "پیش بینی تقاضای انرژی در اقتصاد ایران بر اساس روش تجزیه". مجله تحقیقات اقتصادی 69: 56-27.
  8. خانکشی­زاده، محرم (1383). "پیش بینی بلند مدت تقاضای انرژی الکتریکی در منطقه آذربایجان با استفاده از شبکه عصبی". نوزدهمین کنفرانس بین المللی برق، 2 تا 4 آذر، تهران، شرکت توانیر.
  9. سهرابی­وفا، حسین (1391). پیش­بینی تقاضای انرژی در ایران با استفاده از تکنیک­های محاسبات نرم، پایان­نامه کارشناسی ارشد، تهران، دانشگاه صنعت آب و برق (شهید عباسپور).
  10. سهرابی­وفا، حسین. صادقی، حسین. افضلیان، علی­اکبر. و حقانی، محمود (1391). "مقایسه کارایی الگوی ARIMA و شبکه عصبی GMDH در پیش­بینی تقاضای بلندمدت برق". بیست­و هفتمین­کنفرانس بین­المللی برق،22تا24 آبان، تهران، پژوهشگاه نیرو.
  11. سوری، علی (1389). اقتصاد سنجی همراه با کاربرد نرم افزار Eviews7، تهران، نشر فرهنگ شناسی.
  12. صادقی حسین. ذوالفقاری، مهدی. و الهام­نژاد، مجتبی (1390). "مقایسه عملکرد شبکه­های عصبی و مدل ARIMA در مدلسازی و پیش­بینی کوتاه مدت قیمت سبد نفت خام اوپک (با تاکید بر انتظارات تطبیقی)". فصل­نامه­ی مطالعات اقتصاد انرژی 28: 25-47.
  13. صادقی، حسین. افضلیان، علی­اکبر. حقانی، محمود. و سهرابی­وفا، حسین (1391). "پیش‌بینی تقاضای بلندمدت انرژی الکتریکی با استفاده از الگوریتم ترکیبی عصبی فازی و انبوه ذرات". فصلنامه تحقیقات مدل‌سازی اقتصادی 10: 21 - 56.
  14. صادقی، حسین. ذوالفقاری، مهدی. و حیدرزاده، محمد (1388). "تخمین تابع تقاضای بنزین در بخش حمل و نقل با استفاده از الگوریتم ژنتیک". فصلنامه مطالعات اقتصاد انرژی 21: 1-27.
  15. صادقی، حسین. ذوالفقاری، مهدی. سهرابی­وفا، حسین. و سلمانی، یونس (1391). "کاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه­سازی و پیش­بینی تقاضای انرژی". نشریه انرژی ایران 15: 45-60.
  16. فرجام­نیا، ایمان. ناصری، محسن. و احمدی، سید محمد مهدی (1386). "پیش­بینی قیمت نفت با دو روش ARIMA و شبکه­های عصبی مصنوعی". فصلنامه پژوهش­های اقتصادی ایران 32: 161-183.
  17. فضل­زاده، علیرضا. و تجویدی، مینا (1387). "مدیریت انرژی در صنایع ایران: مطالعه موردی: رابطه علی بین مقدار برق مصرفی و ارزش افزوده صنایع کوچک (49-10 نفر کارکن)". فصلنامه مطالعات اقتصاد انرژی 19: 147- 162.
  18. قنبری، علی. خضری، محسن. و اعظمی، آرش (1387). "شبیه­سازی تابع تقاضای بنزین و نفت گاز در حمل و نقل زمینی ایران، با استفاده از روش الگوریتم ژنتیک". فصلنامه اقتصاد مقداری 19: 157-177.
  19. ملکی، رضا (1383). "بررسی رابطه علیت بین مصرف انرژی و تولید داخلی در ایران". مجله برنامه و بودجه 89: 81-121.
  20. مهرگان، نادر. حقانی، محمود. و کرامت­فر، مهدی (1391). "آیا افزایش قیمت انرژی تهدید جدی برای صادرات صنعتی در ایران محسوب می­شود". فصلنامه پژوهش­ها و سیاست­های اقتصادی 62: 72-94.
  21. مهرگان، نادر. محمدی، سارا. و حقانی، محمود (1388). "تجزیه و تحلیل تغییرات مصرف برق در بخش کشاورزی". ششمین کنفرانس اقتصاد کشاورزی ایران، 14 تا 15 بهمن، کرج، پردیس کشاورزی و منابع طبیعی دانشگاه تهران.
  22. مهناج، محمد باقر (1384). مبانی شبکه­های عصبی (هوش محاسباتی)، دانشگاه صنعتی امیرکبیر، تهران.
  23. مهناج، محمدباقر. کاظمی، عالیه. شکوری­گنجوی، حامد. مهرگان، محمدرضا. و تقی­زاده، محمد (1389). "پیش بینی تقاضای انرژی بخش حمل و نقل با استفاده از شبکه عصبی: مطالعه موردی در ایران". پژوهش های مدیریت در ایران 2: 203-220.
  24. موسوی، سید نعمت­اله. مختاری، زینب. و فرج­زاده، ذکریا (1389). "پیش­بینی مصرف حامل‌های انرژی در بخش کشاورزی ایران با الگوهای ARCH و ARIMA". فصل­نامه­ی مطالعات اقتصاد انرژی 27: 181-195.

 

ب) منابع و مآخذ لاتین

  1. Abdel-Kader, R.F. (2011). "Hybrid Discrete PSO with GA Operators for Efficient QoS-multicast Routing". Ain Shams Engineering Journal 2: 21-31.
  2. Amarawickrama, H. A. and L.C. Hunt (2007). "Electricity Demand for Sri Lanka: A Time Series Analysis". Surrey Energy Economics Centre (SEEC), School of Economics Discussion Papers (SEEDS) 118 University of Surrey.
  3. Amjadi MH, Nezamabadi-pour H, and MM. Farsangi (2010). "Estimation of Electricity Demand of Iran Using two Heuristic Algorithms". Energy Convers Manage 51: 493–7.
  4. Andonie R. (2010). "Extreme Data Mining: Inference from Small Datasets". International Journal of Computers Communications & Control 5: 280-291.
  5. Ang, B.W. (1988). "Electricity-output Relation and Sectoral Electricity Use, The case of East and South East Asian Developing Countries". Energy Policy 16: 115-121.
  6. Angeline, P. (1998). "Evolutionary Optimization Versus Particle Swarm Optimization". Philosophy And Performance Differences: 601-610.
  7. Assareh, E., Behrang, M.A., Assari, M.R., and A.Ghanbarzadeh (2010). "Application of PSO (Particle Swarm Optimization) and GA (Genetic Algorithm) Techniques on Demand Estimation of Oil in Iran". Energy 35: 5223- 5229.
  8. Azadeh A, Ghaderi SF, and S. Sohrabkhani (2008a). "Annual Electricity Consumption Forecasting by Neural Network in High Energy Consuming Industrial Sectors". Energy Convers Manage 49: 2272–8.
  9. Azadeh A, Ghaderi SF, and S. Sohrabkhani (2008b). "A Simulated-based Neural Network Algorithm for Forecasting Electrical Energy Consumption in Iran". Energy Policy 36: 2637–2644.
  10. Azadeh A, Saberi M, Gitiforouz A, and Z. Saberi (2009). "A Hybrid Simulation-adaptive Network Based Fuzzy Inference System for Improvement of Electricity Consumption Estimation". Expert Syst Appl 36: 11108–11117.
  11. Azadeh A, Saberio M, and O Seraj (2010). "An Integrated Fuzzy Regression Algorithm for Energy Consumption Estimation with Non-stationary Data: a Case Study of Iran". Energy 35: 2351–2366.
  12. Azadeh, A., Ghaderi, S.F., and Sohrabkhani, S. (2007). "Forecasting Electrical Consumption by Integration of Neural Network, Time Series and ANOVA". Applied Mathematics and Computation 186: 1753-1761.
  13. Azadeh, A., Saberi, M., Nadimi, I. and V.M.A Behrooznia (2010). "An Integrated Intelligent Neuro-Fuzzy Algorithm for Long-Term Electricity Consumption: Cases of Selected EU Countries". Acta Polytechnica Hungarica 7: 71-90.
  14. Barnes, D. and W. M. Floor (1996). "Rural Energy in Developing Countries: A Challenge for Economic Development". Annual Review of Energy and Environment 21: 497-530.
  15. Bhattacharyya, S. C. and G.R. Timilsina (2009). "Energy Demand Models for Policy Formulation". Policy ReseaRch WoRking, paper: 4866.
  16. Bianco, V., Manca, O. and S. Nardini (2009). "Electricity Consumption Forecasting in Italy Using Linear Regression Models". Energy 34: 1413-1421.
  17. Canyurt O. and H.K. Ozturk (2008). "Application of Genetic Algorithm (GA) Technique on Demand Estimation of Fossil Fuels in Turkey". Energy Policy 36: 2562–9.
  18. Canyurt, O., Ceylan, H., Ozturk, H. and A. Hepbasli (2004). "Energy Demand Estimation based on Two-different Genetic Algorithm Approaches". Energy Sources 26, 1313-1320.
  19. Ceylan H, and H.K.Ozturk (2004). "Estimating Energy Demand of Turkey Based on Economic Indicators Using Genetic Algorithm Approach". Energy Convers Manage 45: 2525–37.
  20. Dilaver, Z. and Hunt, L. C. (2011). "Turkish Aggregate Electricity Demand: An Outlook to 2020". Surrey Energy Economics Centre (SEEC), School of Economics Discussion Papers (SEEDS) 132, University of Surrey.
  21. Dye, L. D. (2002). "Using Scenario Planning as an Aid in Project Portfolio Management". Proceedings of the Project Management Institute Annual Seminars & Symposium, October 3–10, San Antonio, Texas, USA.
  22. Eberhart, R., and Y. Shi (1998). "Comparison between genetic algorithms and particle swarm optimization". In: Porto VW, Saravanan N, Waagen D & Eiben AE (eds.)
  23. Ferguson, R., Wilkinson, W. and R. Hill (2000). "Electricity Use and Economic Development".Energy Policy 28: 923–934.
  24. Forouzanfar, M., Doustmohammadi, A., Hasanzadeh, S., and G.H. Shakouri (2012). "Transport energy demand forecast using multi-level genetic programming". Applied Energy 91: 496-503.
  25. Geem, Z.W. (2011). "Transport energy demand modeling of South Korea using artificial neural network". Energy Policy 39: 4644-4650.
  26. Grimaldi, E.A., Grimacia, F., Mussetta, M., Pirinoli, P. and R.E. Zich (2004). "A New Hybrid Genetical—Swarm Algorithm for Electromagnetic Optimization". in Proceedings of International Conference on Computational Electromagnetics and its Applications: 157–160.
  27. Haldenbilen, S. and H. Ceylan (2005). "Genetic Algorithm Approach to Estimate Transport Energy Demand in Turkey". Energy Policy 33: 89-98.
  28. HECHT-NIELSEN, R. (1987). "Kolmogorov’s Mapping Neural Network Existence Theorem". In IEEE First Annual International Conference on Neural Networks, 3: 11–13.
  29. Houri Jafari, H., and A. Baratimalayeri (2008). "The Crisis of Gasoline Consumption in the Iran's Transportation Sector". Energy Policy 36: 2536-2543.
  30. Huang, C., and C. Moraga (2004). "A Diffusion-Neural-Network for Learning from Small Samples". International Journal of Approximate Reasoning 35: 137-161.
  31. Katsunari S. and I. Yusuke (2009). "Effect of Number of Hidden Neurons on Learning in Large-Scale Layered Neural Networks". ICCAS-SICE 18-21 Aug 2009, Fukuoka, 5008 – 5013.
  32. Kennedy, J., and R. Eberhart (1995). "Particle Swarm Optimization. In: Neural Networks". IEEE International Conference on Proceedings: 4: 1942-1948
  33. Kialashaki, A., and J.R Reisel (2013). "Modeling of the Energy Demand of the Residential Sector in the United States using Regression Models and Artificial Neural Networks". Applied Energy 108: 271-280.
  34. Kuan, C.M., and H. White (1994). "Artificial Neural Networks: An Econometric Perspective". Econometric Reviews 13: 1-91.
  35. Lee YS, and LL. Tong (2011). "Forecasting Energy Consumption Using a Grey Model Improved by Incorporating Genetic Programming". Energy Convers Manage 52:147–152.
  36. Li, D.C., C.W. Liu (2009). "A Neural Network Weight Determination Model Designed Uniquely for Small Data Set Learning". Expert Systems with Applications 36: 9853-9858.
  37. Lin, B. Q. (2003). "Electricity Demand in the People’s Republic of China". ERD Working Paper Series No.37. Economics and Research Department.
  38. Massarrat, M. (2004). "Iran’s Energy Policy Current Dilemmas and Perspective for a Sustainable Energy Policy". International Journal of Environmental Science & Technology 1: 233-245.
  39. Mehrara, M. (2007). "Energy Consumption and Economic Growth: The Case of Oil Exporting Countries". Energy Policy 35: 2939-2945.
  40. Mohamed, Z. and P. Bodger (2005). "Forecasting Electricity Consumption in New Zealand using Economic and Demographic Variables". Energy 30: 1833-1843.
  41. Mohammadi, A and M. Jazaeri (2007). "A Hybrid Particle Swarm Optimization-Genetic Algorithm for Optimal Location of SVC Devices in Power System Planning". In Proceedings of 42nd International Universities Power Engineering Conference pp: 1175–1181.
  42. Murat, Y.S., and H. Ceylan (2006). "Use of Artificial Neural Networks for Transport Energy Demand Modeling". Energy Policy 34: 3165-3172.
  43. Ozturk, H. K., Ceylan, H., Canyurt, O. E., and A. Hepbasli (2005). "Electricity Estimation Using Genetic Algorithm Approach: A Case Study of Turkey". Energy 30, 1003-1012.
  44. Pao, H.T. (2009). "Forecasting Energy Consumption in Taiwan using Hybrid Nonlinear Models". Energy 34: 1438-1446.
  45. Pascoli, S.D., Femia, A., Luzzati, T. (2001). "Natural Gas, Cars and the Environment. A (Relatively) ‘Clean’ and Cheap Fuel Looking for Users". Ecological Economics 38: 179-189.
  46. Pindyck, R.S. (1979). The structure of world energy demand, The MIT Press Cambridge, Massachusetts.
  47. Robinson, J., Sinton, S., and Y.R. Samii (2002). "Particle Swarm, Genetic Algorithm, and Their Hybrids: Optimization of a Profiled Corrugated Horn Antenna". in Proceedings of the IEEE International Symposium in Antennas and Propagation Society pp: 314–317.
  48. Rongfu Mao Haichao, Z., Linke, Z., and C. Aizhi (2006). "A New Method to Assist Small Data Set Neural Network Learning". In: Intelligent Systems Design and Applications, ISDA. Sixth International Conference on pp. 17-22.
  49. Rosenberg, N. (1998). "The Role of Electricity in Industrial Development". The Energy Journal 19: 7–24.
  50. Shuvra, M. A., Mostafijur R., Arshad A. and I.K. Shahidul (2011). "Modeling and Forecasting Demand for Electricity in Bangladesh Econometrics Model". International Conference on Economics, Trade and Development ipedr.7, iacsit press.
  51. Sözen, A., and E. Arcaklioğlu (2007). "Prospects for Future Projections of the Basic Energy Sources in Turkey". Energy Sources, Part B: Economics, Planning, and Policy 2, 183-201.
  52. Suganthia, L., Samuel and Anand A (2012). "Energy Models for Demand Forecasting—A Review". Renewable and Sustainable Energy Reviews 16: 1223-1240.
  53. Toksar MD. (2007). "Ant Colony Optimization Approach to Estimate Energy Demand of Turkey". Energy Policy 35: 3984–90.
  54. Tsai, T.I. and D.C. Li (2008). "Approximate Modeling for High Order Non-linear Functions using Small Sample Sets". Expert Systems with Applications 34: 564-569.
  55. Ünler, A. (2008). "Improvement of Energy Demand Forecasts using Swarm Intelligence: The Case of Turkey with Projections to 2025". Energy Policy 36: 1937-1944.
  56. Wirl, F. and E. Szirucsek (1990). "Energy Modelling – a Survey of Related Topics". OPEC Review Autumn: 361-78.
  57. Kao, Y.T. and Zahara, E.E. (2008). "A Hybrid Genetic Algorithm and Particle Swarm Optimization for Multimodal Functions". Applied Soft Computing 8: 849–857.
  58. Yu, S., Wei, Y.M., and K. Wang (2012a). "A PSO–GA Optimal Model to Estimate Primary Energy Demand of China". Energy Policy 42: 329-340.
  59. Yu, S., Zhu, K., and X. Zhang (2012b). "Energy demand Projection of China using a Path-coefficient Analysis and PSO–GA Approach". Energy Conversion and Management 53: 142-153.
  60. Zhang M, Mu H, Li G, and Y. Ning (2009). "Forecasting the Transport Energy Demand Based on PLSR Method in China". Energy 34:1396–400.
  61. Zhang, G., Patuwo, B.E., and M.Y. Hu (1998). "Forecasting with Artificial Neural Network: The State of Art". International Journal of Forecasting 14: 35-62.
 

آمار
تعداد مشاهده مقاله: 5,006
تعداد دریافت فایل اصل مقاله: 1,540