DSA Faculty
API
← к списку преподавателей

Сохраби Маджид

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: 27245
Публикаций
5
Языков
3
Наград
3
Конференций
0
Профиль Публикации (5) Курсы (20)

Профессиональные интересы

машинное обучениеинтерпретируемое машинное обучениеглубокое обучениеИнтеллектуальный анализ данных (Data Mining)обработка естественного языкагенетический алгоритм

Должности

  • Старший преподаватель — Факультет компьютерных наук, Департамент анализа данных и искусственного интеллекта
  • аспирант — Факультет компьютерных наук, Департамент анализа данных и искусственного интеллекта
  • Преподаватель — Международный институт экономики и финансов

Био

  • · Начал работать в НИУ ВШЭ в 2022 году.

Образование

  • 2022 · Магистратура: Национальный исследовательский университет "Высшая школа экономики", специальность «Прикладная математика и информатика», квалификация «Магистр»
  • 2017 · Бакалавриат: Мазандаранский университет науки и технологии, специальность «Компьютерные науки», квалификация «Бакалавр»

Опыт работы

  • · Lecturer
  • · School of Data Analysis and Artificial Intelligence, HSE University
  • · 2022: Sep Mar
  • · Research Assistant
  • · Laboratory of Models and Methods of Computational Pragmatics, HSE University
  • · 2022: Mar Dec
  • · Research Assistant
  • · University of Science and Technology of Mazandaran
  • · 2015: Oct Aug
  • · Teaching Assistant
  • · University of Science and Technology of Mazandaran
  • · 2014: Jan Dec

Награды и поощрения

  • · Стипендия «Покровская перспектива (2023-2024; 2024-2025)» Надбавка для молодых преподавателей ФКН из числа выпускников (2022-2023)
  • · Надбавка за публикацию в журнале из Списка B (2025–2026)
  • · Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)Категория "Новые преподаватели" (2023–2024)

Гранты и проекты

  • 2026 · Российско-китайский математический центр «Многоканальный алгоритм совместного распределения ресурсов на основе математического программирования» - (апрель 2025 г. - апрель 2026 г.).
  • 2025 · Аспирантура, финансируемая стипендией Российской Федерации (ноябрь 2022 г. - октябрь 2025 г.).
  • 2022 · Магистерская программа, финансируемая за счет стипендии Российской Федерации (сентябрь 2020 г. - август 2022 г.).

Идентификаторы исследователя

Публикации (5)

A genetic engineering algorithm for the generalized quadratic assignment problem

2025 · ARTICLE · en

The generalized quadratic assignment problem (GQAP) poses a significant challenge in optimization, known for its NP-hard complexity and wide-ranging applications in supply chain and manufacturing contexts. While various metaheuristic algorithms have addressed the GQAP, this paper introduces a novel modification of the genetic algorithm (GA), namely the genetic engineering algorithm (GEA). A traditional GA initializes the population of solutions randomly and refines these solutions iteratively through crossover and mutation operators. However, its reliance on randomness often leads to premature convergence, susceptibility to local optima, and suboptimal solutions at termination of the algorithmic run. To address these drawbacks, our research presents a modified GA framework inspired by genetic engineering principles. This framework introduces novel search mechanisms mimicking gene mining processes, targeting population enhancement through insertion, purification, and genetic material exchange from elite solutions. The GEA adds three search scenarios to the traditional GA framework to exhibit desired characteristics from chromosomes, enhancing solution quality and convergence speed. This GEA demonstrates a superior performance across various search scenarios against state-of-the-art algorithms and exact solutions for the benchmark instances of the GQAP. Additionally, this study conducts comprehensive sensitivity analyzes on the search scenarios of the GEA. By employing gene mining strategies, the proposed GEA offers promising solutions for effectively addressing the NP-hard optimization challenges of the GQAP on large-scale datasets.

DOI ↗ PDF ↗

Addressing Operating Room Planning and Scheduling Problem by Genetic Engineering Algorithm

2025 · ARTICLE · en

Operating room (OR) planning and scheduling is a highly complex combinatorial optimization problem that involves patient assignment, OR allocation, and surgical sequencing within a constrained planning horizon. This study addresses the OR scheduling problem by incorporating downstream bed availability in both hospital wards and intensive care units (ICUs), aiming to improve operational efficiency and patient outcomes. A mixed-integer programming (MIP) model is developed to minimize the total completion time across all operating rooms during the planning period. Given the NP-hard nature of the problem, a novel Genetic Engineering Algorithm (GEA) is proposed as an advanced extension of the traditional Genetic Algorithm (GA). The GEA incorporates three innovative search strategies inspired by genetic engineering principles, refining the crossover and mutation operators to improve solution quality and convergence speed. To evaluate the effectiveness of the proposed algorithm, GEA and its variants are tested on 18 benchmark instances of varying problem sizes for the proposed OR planning and scheduling problem. A real-world case study from a hospital in Pakistan illustrates the practical applicability of the proposed approach using different real-world criteria. The results demonstrate that GEA consistently outperforms state-of-the-art metaheuristic algorithms. Its robustness and accuracy are further validated using 10 standard mathematical benchmark functions. The results confirm the GEA’s effectiveness and efficiency in addressing complex OR planning and scheduling problems and underscore its potential for advancing metaheuristic algorithm design in combinatorial optimization.

DOI ↗ PDF ↗

Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems

2024 · ARTICLE · en

Genetic Algorithms (GAs) are known for their efficiency in solving combinatorial optimization problems, thanks to their ability to explore diverse solution spaces, handle various representations, exploit parallelism, preserve good solutions, adapt to changing dynamics, handle combinatorial diversity, and provide heuristic search. However, limitations such as premature convergence, lack of problem-specific knowledge, and randomness of crossover and mutation operators make GAs generally inefficient in finding an optimal solution. To address these limitations, this paper proposes a new metaheuristic algorithm called the Genetic Engineering Algorithm (GEA) that draws inspiration from genetic engineering concepts. GEA redesigns the traditional GA while incorporating new search methods to isolate, purify, insert, and express new genes based on existing ones, leading to the emergence of desired traits and the production of specific chromosomes based on the selected genes. Comparative evaluations against state-of-the-art algorithms on benchmark instances demonstrate the superior performance of GEA, showcasing its potential as an innovative and efficient solution for combinatorial optimization problems.

DOI ↗ PDF ↗

АЛГОРИТМ ГЕНЕТИЧЕСКОЙ ИНЖЕНЕРИИ (GEA): ЭФФЕКТИВНЫЙ МЕТАЭВРИСТИЧЕСКИЙ АЛГОРИТМ ДЛЯ РЕШЕНИЯ ЗАДАЧ КОМБИНАТОРНОЙ ОПТИМИЗАЦИИ

2024 · ARTICLE · ru

Генетические алгоритмы (ГА) известны своей эффективностью в решении задач комбинаторной оптимизации благодаря их способности исследовать разнообразные пространства решений, обрабатывать различные представления, использовать параллелизм, сохранять хорошие решения, адаптироваться к изменяющимся условиям, управлять комбинаторным разнообразием и проводить эвристический поиск. Тем не менее такие ограничения, как преждевременная сходимость, неспецифичность и стохастичность операторов кроссовера и мутации, делают ГА не всегда эффективными при нахождении глобального оптимума. Чтобы преодолеть эти недостатки, в данной статье предлагается новый метаэвристический алгоритм, названный алгоритмом генетической инженерии (GEA), вдохновленный концепциями генной инженерии. GEA модифицирует традиционный ГА, включая новые методы поиска для выделения, коррекции, вставки и экспрессии новых генов на основе существующих, что способствует появлению желаемых признаков и производству хромосом на основе выбранных генов. Сравнение с результатами работы других алгоритмов на стандартных примерах демонстрирует эффективность GEA.

DOI ↗ PDF ↗

Date-Driven Approach for Identifying State of Hemodialysis Fistulas: Entropy-Complexity and Formal Concept Analysis

2024 · CHAPTER · en

The paper explores mathematical methods that differentiate regular and chaotic time series, specifically for identifying pathological fistulas. It proposes a noise-resistant method for classifying responding rows of normally and pathologically functioning fistulas. This approach is grounded in the hypothesis that laminar blood flow signifies normal function, while turbulent flow indicates pathology. The study explores two distinct methods for distinguishing chaotic from regular time series. The first method involves mapping the time series onto the entropy-complexity plane and subsequently comparing it to established clusters. The second method, introduced by the authors, constructs a concepts-objects graph using formal concept analysis. Both of these methods exhibit high efficiency in determining the state of the fistula.

DOI ↗ PDF ↗

Курсы (20)