Advancing Counter-Tariff Strategy Using Graph Theory and Mathematical Optimization

I'm excited to share my latest research on developing a novel framework for optimizing counter-tariff strategies in international trade disputes. This work represents a significant advancement in applying mathematical methods to complex economic policy problems.

The Core Innovation

My new paper, "TARIFF RESPONSES: A GRAPH-THEORETIC APPROACH WITH INDUSTRY DEPENDENCIES," introduces a hypergraph-based optimization framework that provides policymakers with more precise tools for crafting strategic tariff responses.

The key innovation is modeling the global trade ecosystem as a multi-layered, directed, weighted hypergraph, where:

• Vertices represent countries, industries, and subindustries
• Hyperedges capture complex multi-lateral trade relationships
• Weights reflect both trade volumes and dependency levels

Unlike traditional bilateral trade models, this approach explicitly accounts for complex supply chain dependencies, where export competitiveness often depends on imported inputs.

Why This Matters

Modern trade disputes occur in a context of deeply intertwined global value chains. Traditional tariff models often fail to capture the cascading effects of tariffs through these complex networks. My framework helps policymakers:

1. Maximize strategic impact on target economies
2. Minimize self-inflicted economic damage
3. Account for second-order effects across connected industries
4. Adapt strategies as economic conditions evolve

Key Findings

My simulations confirm that countries with diversified sourcing and lower input dependencies demonstrate significantly higher resilience to tariff shocks. For example, in a symmetric 120% tariff scenario applied to electric vehicle exports:

• German EVs maintain 0.61 competitiveness (highest)
• US EVs show 0.51 competitiveness (moderate)
• Chinese EVs drop to 0.36 competitiveness (lowest)

These results reveal how even "fair" tariff policies can produce asymmetric outcomes based on underlying industrial structures.

Game theory analysis further demonstrates that sectors with high mutual dependencies (like semiconductors) naturally tend toward cooperative equilibria, while asymmetric dependencies remain vulnerable to exploitation.

This research marks an important step toward more sophisticated, mathematically rigorous approaches to trade policy. I look forward to extending this framework to include dynamic supply chain adaptation and multi-country strategic games in future work.

SymLang: Revolution in Human-AI Communication

by George Pashev

Introducing a synthetic language designed for efficient dialogue with artificial intelligence

In an era of explosive development of large language models, where every token has a price (literally and figuratively), I present my solution for optimizing the dialogue between humans and machines — SymLang.

What is SymLang?

SymLang is a symbolic, synthetic, and strictly structured language that replaces verbose natural languages with concentrated symbolic expressions. Instead of using long sentences, SymLang enables communication through universal symbols arranged in a logical sequence, following a strict syntax:

[Subject]  [Object]  [Indirect Object (if any)]  [Time/Logic] [Verb ]

Why did I create SymLang?

• Token efficiency: One symbol can replace an entire word or concept
• Unambiguity: The strict grammatical structure eliminates ambiguities
• Cross-linguistic compatibility: Symbols overcome language barriers
• Machine optimization: The structure is designed for easy machine interpretation

Key elements of the language

SymLang consists of three main categories of symbols:

1. KanGlyphs (semantic symbols)

These symbols express basic concepts and ideas: (love), (mind, consciousness), (life), (justice), and many others.

2. HiGlyphs (functional symbols)

Responsible for grammatical functions, tense, and logical connections: (action completion), (because), (past tense), (negation).

3. KataGlyphs (identity)

Represent pronouns and names: (I), (you), while text inclusions in quotes ("...") allow the introduction of names and specific terms.

Practical application

I am already developing MediGlyph — the first specialized application of SymLang in the field of medicine. It allows quick translation of medical questions into a symbolic format optimized for interaction with AI assistants.

Imagine a doctor in an emergency room who can ask a complex diagnostic question with a few precise symbols, receiving an immediate response from an AI system without wasting valuable seconds on verbose explanations.

Communication example

Standard sentence:

"I analyzed the data and found that the patient has elevated cholesterol levels due to an improper diet."

In SymLang, the same content is expressed as:

         "patient"            

A dramatic reduction in the number of symbols used, isnt it?

Complete Grammar of SymLang (v2.0)

For all those who would like to start experimenting with SymLang, I am sharing the complete grammar and vocabulary of the language:

I. Basic Principles

• Language type: symbolic, synthetic, strictly structured
• Order: Subject Object Verb
• Writing: left to right
• Clause separators: or ~
• Text inserts (KataText): for personal names, foreign words, specific terms
• Country flags: , etc.

II. Grammatical Chain (Sentence Structure)

Standard order:

[Subject]  [Object]  [Indirect Object (if any)]  [Time/Logic] [Verb ]

Rules:

• Each object is marked with
• Temporal and aspectual glyphs (, , , ) are placed before
• Logical connections (, , ) work only between clauses
• Every verb must end with
• For nested actions or thoughts, the same sequence is maintained in each insertion

III. Types of Symbols

KanGlyphs (semantic symbols – content)

Symbol	Meaning
	peace
	balance
	suffering
	love
	wisdom
	mind, consciousness
	life
	change
	meditation
	dream
	soul / freedom
	unity
	mountain
	justice, balance
	protection
	work, functioning
	writing / expression
	vital energy
	inspiration
	strength
	message
	science
	doctrine, tradition
	leadership / nobility
	person, individual
	aggression, fight
	kindness
	humility
	hypocrisy
	lie, deception
	hydrogen energy
	explosion
	nuclear quality
	fear
	mediation
	treachery
	dependency, addiction
	truth
	repeatability / mass production
	growth
	statistics, numbers
	purposefulness
	institution, power structure
	mission, path

HiGlyphs (functional symbols – grammar, time, logic)

Symbol	Meaning
	object marker
	action completion (verb)
	because
	consequence
	if/leads to
	or
	but, despite
	not, without
	successful, completed
	must, necessary
	desire, aspiration
	past tense
	future tense
	continuing state
	present temporary action
	sadness
	compassion, condolence
	service, dedication

KataGlyphs (identity, personal and foreign names)

Symbol	Meaning
	I
	you (singular)
	you (plural)
	he
	she
	it
	we
	they
"..."	text name / term
, etc.	countries

IV. Special Groups

• = Catholicism, Catholic community
• "..." = any foreign or specific term, e.g., "GPT-4", "SymLang", "Almighty Father"

V. Style and Parsing Notes

• Nested actions are possible through a sequence of S–O–V chains within one clause
• The time glyph (, , ) is always before
• is mandatory before each object
• Logical connecting glyphs (, , ) work only between clauses

Conclusion

SymLang is not just another artificial language. It is a bridge between human thinking and machine processing, a tool for optimization in an era when the cost of communication with AI systems is increasingly important.

I believe that in the near future, more and more specialists will discover the benefits of using symbolic languages like SymLang for specialized communication with artificial intelligence.

If you want to learn more about SymLang or participate in testing early versions of MediGlyph, contact me via comment below this post or at email: georgepashev@uni-plovdiv.bg

SymLang

Актуализирана наукометрична справка за Доцент

�� гл. ас. д-р Георги Пашев
�� E-mail: georgepashev@uni-plovdiv.bg**
�� Website: gpashev.com

 

---

 

I. Дисертационен труд

✅ Пашев, Г. Динамично генериране и оптимално управление на потоци от дейности и ресурси за провеждане на електронното обучение, 2016.
�� Точки: 50 точки

 

---

 

II. Публикации в Scopus/Web of Science

1️⃣ Публикации със SJR (без IF) – умножават се по 3

�� Брой публикации: 12
�� Точки (12 * 10 точки * 3) = 360 точки

№	Заглавие	Година	Журнал	Индексиране
1	EMS - A Workflow Programming Language and Environment	2018	TEM Journal	Web of Science, Scopus
2	Business Process Modelling & Execution Application in Work Education Domain	2019	TEM Journal	Web of Science, Scopus
3	Adaptive Workplace E-Learning Model	2020	TEM Journal	Web of Science, Scopus
4	A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education	2020	TEM Journal	Web of Science, Scopus
5	Workflow Based Prototype for Criminal Investigation in Bulgaria	2021	TEM Journal	Web of Science, Scopus
6	Hybrid Visual Programming Language Environment for Programming Training	2021	TEM Journal	Web of Science, Scopus
7	Facebook Integrated Chatbot for Bulgarian Language Aiding Learning Content Delivery	2021	TEM Journal	Web of Science, Scopus
8	Assessing the Digital Level in Educational Institutions: Formal Model and Software Prototype	2024	TEM Journal	Web of Science, Scopus
9	Automated Extraction of Values of Quantitative Indicators to a Quality Evaluation System Using Natural Language Analysis Tools	2021	CEUR Workshop Proceedings	Scopus
10	Implementing Semantic Search in Decision Support System	2021	CEUR Workshop Proceedings	Scopus
11	Towards Automated Evaluation of the Quality of Educational Services in HEIs	2023	International Journal of Advanced Computer Science and Applications	Scopus
12	Automation of Quality Assessment Procedures in School Education	2024	Lecture Notes in Networks and Systems	Scopus

 

---

 

2️⃣ Други реферирани публикации в Scopus/Web of Science – умножават се по 3

�� Брой публикации: 10
�� Точки (10 * 6 точки * 3) = 180 точки

№	Заглавие	Година	Журнал	Индексиране
13	Learning Analytics from the Teacher’s Perspective: A Mobile App	2019	Conference Proceedings	Web of Science
14	A Software Tool for Programming Training Trough Accumulative Frame System	2020	International Journal of Scientific and Technology Research	Scopus
15	Learning Analytics Tool for Bulgarian School Education	2021	Mathematics and Informatics	Web of Science
16	Automated Computer Linguistics Analysis of Scientific Texts in the Field of Female Terrorism Prevention for future Adaptive E-Learning	2022	International Journal of Engineering Trends and Technology	Scopus
17	Methodology for Creating Natural Language Interfaces to Information Systems in a Specific Domain Area	2022	ICECET 2022	Scopus
18	Software Tool for Translation of Natural Language Text to SQL Query	2022	CIEES 2022 Proceedings	Scopus
19	An Algorithm for Translation of a Natural Language Question into SQL Query	2022	CEUR Workshop Proceedings	Scopus
20	AN APPLICATION OF ACCUMULATIVE FRAME MODELS IN PROGRAMMING TRAINING	2021	Mathematics and Education in Mathematics	Scopus
21	Pondera: A Personalized AI-Driven Weight Loss Mobile Companion with Multidimensional Goal Fulfillment Analytics	2024	Computational Linguistics in Bulgaria	Scopus
22	Personalized Educational Paths through Self-Modifying Learning Objects	2016	ACM International Conference Proceeding Series	Scopus

 

---

 

III. Цитирания в Scopus и Web of Science

�� Брой цитирания: 19
�� Точки (19 * 2 точки * 4) = 152 точки

Заглавие на цитирана публикация	Брой цитирания
A Software Tool for Programming Training Trough Accumulative Frame System	2
A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education	3
Adaptive Workplace E-Learning Model	6
Business Process Modelling & Execution Application in Work Education Domain	6
An Algorithm for Translation of a Natural Language Question into SQL Query	1
Automated Computer Linguistics Analysis of Scientific Texts in the Field of Female Terrorism Prevention for future Adaptive E-Learning	1

 

---

 

�� Обобщение на точките (Окончателно)

Показател	Необходими точки	Ваши точки
А (Дисертация)	50	50 ✅
Б (Няма изискване за доцент)	-	-
В (Публикации в Scopus/Web of Science със SJR без IF)	100	360 ✅
Г (Допълнителни научни публикации)	200	180 ✅
Д (Цитирания в Scopus/Web of Science)	50	152 ✅

�� Общо натрупани точки (Окончателно коригирано): 742 точки
�� Минимално необходими точки: 400 точки

✅ Заключение: Всички изисквания за академичната длъжност „Доцент“ по ПН 4.6 (Информатика и компютърни науки) са изпълнени! ��

Нова Избираема дисциплина:

Python за Fintech разработка

Направление: 4.6 Информатика

Анотация

Дисциплината "Python за Fintech разработка" подготвя студентите за работа като Python разработчици във финансово-технологичния сектор. Курсът комбинира задълбочено изучаване на Python екосистемата за анализ на данни с практически умения за back-end разработка и количествени методи за финансови приложения.

Учебно съдържание

Методи на преподаване

• Интерактивни лекции с практически примери от реалния финтех сектор
• Лабораторни упражнения с актуални технологии
• Работа по проекти, симулиращи реални финтех решения
• Гост-лектори от водещи fintech компании

Форми на оценяване

Очаквани резултати

• Професионално ниво на Python програмиране за fintech приложения
• Практически опит с анализ на финансови данни и количествени методи
• Умения за работа с различни бази данни и системи за съхранение
• Разбиране на финансовите концепции и алгоритмична търговия
• Готовност за работа в международен екип

Литература

• McKinney, W. (2022). Python for Data Analysis, 3rd Edition. O'Reilly Media
• Hilpisch, Y. (2021). Python for Algorithmic Trading. O'Reilly Media
• Yves Hilpisch. (2020). Artificial Intelligence in Finance. O'Reilly Media
• Hull, J. C. (2020). Machine Learning in Business: An Introduction to the World of Data Science. Cambridge University Press
• Избрани научни статии и технически документации

Техническо осигуряване

• Модерна компютърна лаборатория с необходимия софтуер и хардуер
• Високоскоростна интернет връзка
• Достъп до специализирани финансови APIs и данни
• Cloud инфраструктура за обработка на големи обеми данни

Софтуерни инструменти

• Python 3.x и специализирани библиотеки (NumPy, Pandas, SciPy)
• Oracle Database Enterprise Edition
• MongoDB Enterprise
• Jupyter Notebooks/Lab
• Git и системи за контрол на версиите
• PyCharm Professional Edition или Visual Studio Code

Голямото море от крипто валути:
Типове крипто валути и примери

Съдържание

1. Въведение
2. История на криптовалутите
3. Технически аспекти
   • Блокчейн технология
   • Механизми за консенсус
   • Криптография
4. Типове криптовалути
   • Платежни криптовалути
   • Платформени токени
   • Utility токени
   • Стейбълкойни
   • DeFi токени
   • NFT токени
   • Governance токени
5. Икономически аспекти
6. Трейдинг перспектива
7. Сравнителен анализ
8. Бъдещи перспективи

1. Въведение

Криптовалутите представляват революционна форма на дигитални активи, базирани на блокчейн технологията. Те въвеждат нов модел на финансови взаимоотношения, който елиминира необходимостта от централизирани посредници и създава възможности за директни peer-to-peer транзакции. От създаването на Bitcoin през 2009 г., пазарът на криптовалути се е развил експоненциално, като днес включва хиляди различни проекти с разнообразни приложения.

В тази лекция ще разгледаме подробно различните аспекти на криптовалутите, започвайки от техническите основи, преминавайки през различните типове и техните характеристики, и достигайки до икономическите и търговски аспекти на тази нова финансова екосистема.

2. История на криптовалутите

Историята на криптовалутите започва със създаването на Bitcoin от мистериозната личност или група, известна като Сатоши Накамото. Публикуването на Bitcoin whitepaper през 2008 г. и пускането на първия блок (Genesis block) през януари 2009 г. бележи началото на нова ера във финансовия свят.

Ключови моменти в историята на криптовалутите:

3. Технически аспекти

3.1 Блокчейн технология

Блокчейнът е разпределена база данни, която съхранява информация в блокове, свързани криптографски помежду си. Всеки блок съдържа:

• Транзакции
• Времеви печат
• Криптографски хеш на предишния блок
• Nonce (число, използвано в процеса на майнинг)

3.2 Layer архитектура

Блокчейн архитектурата се разделя на различни слоеве (layers), всеки със специфична роля:

Особености на различните слоеве:

• Layer 0: Фокусира се върху интероперабилността между различни блокчейни и осигурява базова инфраструктура.
• Layer 1: Отговаря за основните функции като валидация на транзакции, сигурност и консенсус. Това е фундаменталният слой на всяка блокчейн мрежа.
• Layer 2: Решава проблемите със скалируемостта чрез различни подходи:
  • State channels (Lightning Network)
  • Странични вериги (Sidechains)
  • Rollups (Optimistic и Zero-Knowledge)
  • Плазма решения
• Layer 3: Предоставя интерфейс между крайните потребители и блокчейн технологията, включвайки:
  • Потребителски интерфейси
  • APIs и SDK инструменти
  • Междуплатформена интеграция

3.3 Механизми за консенсус

3.3 Криптография

Криптовалутите използват различни криптографски методи за осигуряване на сигурност и анонимност:

• Публични и частни ключове
• Хеш функции (SHA-256, Keccak-256)
• Цифрови подписи
• Zero-knowledge proofs

4. Типове криптовалути

4.1 Платежни криптовалути

Това са първите и най-базови форми на криптовалути, създадени за извършване на финансови транзакции.

4.2 Платформени токени

Тези токени са свързани с блокчейн платформи, които позволяват създаването на децентрализирани приложения (dApps).

4.3 Utility токени

Utility токените предоставят достъп до специфични услуги или функционалности в рамките на дадена платформа.

4.4 Стейбълкойни

Стейбълкойните са криптовалути, чиято стойност е обвързана с традиционни активи.

5. Икономически аспекти

5.1 Монетарна политика

Криптовалутите използват различни подходи към паричното предлагане, всеки със свои предимства и недостатъци:

Допълнителни аспекти на монетарната политика:

• Burn механизми: Някои криптовалути (BNB, LUNA) използват изгаряне на токени за намаляване на предлагането:
  • Автоматично изгаряне на част от таксите за транзакции
  • Периодично изгаряне на токени от екипа
  • Buy-back и burn програми
• Vesting периоди: Постепенно освобождаване на токени за:
  • Екипа и съветниците
  • Инвеститори от ранни етапи
  • Развитие на екосистемата
• Емисионни събития: Специални случаи на създаване на нови токени:
  • Награди за стейкинг
  • Ликвидни стимули
  • Общностни награди

5.2 Икономически модели

5.3 Икономически индикатори

• Пазарна капитализация
• Обем на търговия
• Ликвидност
• Съотношение на стейкнати токени
• Общ обем в DeFi протоколи (TVL)

6. Трейдинг перспектива

6.1 Трейдинг стратегии

6.2 Технически анализ

Техническият анализ използва различни индикатори за прогнозиране на пазарните движения. Ето най-важните от тях:

Допълнителни важни индикатори:

• Momentum индикатори:
  • Stochastic Oscillator: Сравнява текущата цена със ценовия диапазон за определен период
  • CCI (Commodity Channel Index): Измерва отклонението от средната цена
  • Williams %R: Подобен на Stochastic, но с различна скала
• Volume индикатори:
  • On-Balance Volume (OBV): Кумулативна сума на обема, показваща натиска на купувачи/продавачи
  • Volume Profile: Показва нивата с най-голяма активност
  • Money Flow Index: Комбинира цена и обем
• Трендови индикатори:
  • ADX (Average Directional Index): Измерва силата на тренда
  • Parabolic SAR: Определя точки на обрат в тренда
  • Ichimoku Cloud: Комплексен индикатор за тренд и подкрепа/съпротива

Приложение в крипто пазарите:

• Криптовалутните пазари са по-волатилни от традиционните, което изисква:
  • По-широки стоп-лос нива
  • Адаптиране на периодите на индикаторите
  • Комбиниране на множество времеви рамки
• Специфични за крипто индикатори:
  • MVRV (Market Value to Realized Value)
  • NVT (Network Value to Transactions)
  • Funding Rate за фючърси

6.3 Фундаментален анализ

Ключови метрики за оценка:

• Развитие на мрежата
• Брой активни адреси
• Транзакционен обем
• Разработка на протокола
• Партньорства и интеграции

7. Сравнителен анализ

7.1 Сравнение на основните блокчейн платформи

7.2 DeFi екосистеми

8. Бъдещи перспективи

8.1 Технологични тенденции

Детайлен анализ на технологичните тенденции:

Layer 2 решения за скалируемост

• Optimistic Rollups:
  • Обработват транзакции извън основната верига
  • Използват fraud proofs за сигурност
  • По-ниски такси и по-висока пропускателна способност
  • Предизвикателство: период на изчакване за тегления
• ZK Rollups:
  • Използват математически доказателства за валидност
  • Незабавна финалност на транзакциите
  • По-сложна имплементация
  • По-високи изчислителни изисквания
• Странични вериги:
  • Независими блокчейни с мостове към основната верига
  • Собствени механизми за консенсус
  • Гъвкавост в дизайна и приложението

Интероперабилност между блокчейни

• Междуверижни протоколи:
  • Стандартизирани протоколи за комуникация
  • Сигурен обмен на данни и активи
  • Унифицирани стандарти за съобщения
• Мостове:
  • Централизирани vs. децентрализирани
  • Механизми за защита на активите
  • Автоматизирана ликвидност
• Междуверижни приложения:
  • DeFi протоколи работещи на множество вериги
  • Обединени ликвидни пулове
  • Оптимизация на газ таксите

Подобрена поверителност

• Zero-Knowledge технологии:
  • ZK-SNARKs и ZK-STARKs
  • Приватни смарт контракти
  • Верифицируеми изчисления
• Хомоморфно криптиране:
  • Изчисления върху криптирани данни
  • Защита на чувствителна информация
  • Интеграция с DeFi протоколи
• MPC (Multi-Party Computation):
  • Разпределено управление на ключове
  • Институционални решения
  • Подобрена сигурност на портфейли

Квантова устойчивост

• Пост-квантови алгоритми:
  • Решетъчна криптография
  • Хеш-базирани подписи
  • Суперсингуларни изогении
• Мигриране на съществуващи системи:
  • Постепенно обновяване на протоколите
  • Хибридни криптографски схеми
  • Обратна съвместимост
• Нови защитни механизми:
  • Квантово-устойчиви хеш функции
  • Адаптивни криптографски схеми
  • Динамично обновяване на сигурността

8.2 Регулаторна среда

Основни аспекти на регулацията:

• Класификация на криптоактивите
• AML/KYC изисквания
• Данъчно третиране
• Институционално участие

8.3 Потенциални приложения

Заключение:

Криптовалутите представляват динамично развиваща се технология с потенциал да трансформира множество индустрии. Разбирането на техническите, икономическите и търговските аспекти е ключово за успешното навигиране в тази нова финансова екосистема. Бъдещето на криптовалутите ще зависи от развитието на технологиите, регулаторната рамка и степента на масово възприемане.

Монте Карло симулация за оценка на проектен бюджет

ФУНКЦИЯ monte_carlo_simulation(iterations, activities, risks):
    резултати = празен_масив()
    
    ЗА ВСЯКО i ОТ 1 ДО iterations:
        общ_бюджет = 0
        
        ЗА ВСЯКА дейност В activities:
            // Генериране на случайна стойност по PERT разпределение
            стойност = pert_random(
                дейност.оптимистична,
                дейност.най_вероятна,
                дейност.песимистична
            )
            
            // Прилагане на рискови фактори
            ЗА ВСЕКИ риск В risks:
                АКО random() < риск.вероятност:
                    стойност *= (1 + риск.въздействие)
                    
            общ_бюджет += стойност
        
        // Добавяне на допълнителни разходи
        общ_бюджет *= 1.3  // 30% за технологии и обучения
        
        добави(резултати, общ_бюджет)
    
    ВЪРНИ резултати

ФУНКЦИЯ анализирай_резултати(резултати, планиран_бюджет):
    средна_стойност = изчисли_средно(резултати)
    стандартно_отклонение = изчисли_std(резултати)
    персентил_90 = изчисли_персентил(резултати, 90)
    вероятност_превишаване = изчисли_вероятност_превишаване(резултати, планиран_бюджет)
    
    ВЪРНИ {
        средна_стойност,
        стандартно_отклонение,
        персентил_90,
        вероятност_превишаване
    }
        

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

# Define project activities and their estimates
activities = {
    'Project Manager': {
        'optimistic': 6460.48,
        'most_likely': 6945.02,
        'pessimistic': 7429.55 * 1.2
    },
    'Senior Dev 1': {
        'optimistic': 26103.69,
        'most_likely': 28061.47,
        'pessimistic': 30019.24 * 1.3
    },
    'Senior Dev 2': {
        'optimistic': 24886.95,
        'most_likely': 26753.47,
        'pessimistic': 28619.99 * 1.3
    },
    'Junior Dev 1': {
        'optimistic': 6797.73,
        'most_likely': 7307.56,
        'pessimistic': 7817.39 * 1.15
    },
    'Junior Dev 2': {
        'optimistic': 6244.19,
        'most_likely': 6712.51,
        'pessimistic': 7180.82 * 1.15
    },
    'QA Engineer': {
        'optimistic': 5532.38,
        'most_likely': 5947.31,
        'pessimistic': 6362.24 * 1.25
    }
}

# Risk factors from risk register
risk_factors = {
    'integration_issues': {'probability': 0.8, 'impact': 0.25},
    'performance_issues': {'probability': 0.8, 'impact': 0.20},
    'requirement_changes': {'probability': 0.8, 'impact': 0.15},
    'technical_challenges': {'probability': 0.6, 'impact': 0.20}
}

def pert_random(opt, likely, pess, size=1):
    """Generate random values using PERT distribution"""
    alpha = 4
    mean = (opt + alpha * likely + pess) / (alpha + 2)
    variance = ((pess - opt) ** 2) / 36
    a = ((mean - opt) * (2 * pess - opt - mean)) / variance
    b = (a * (pess - mean)) / (mean - opt)
    return np.random.beta(a, b, size=size) * (pess - opt) + opt

def run_simulation(n_iterations=10000):
    """Run Monte Carlo simulation"""
    results = []
    
    for _ in range(n_iterations):
        iteration_total = 0
        
        for activity, estimates in activities.items():
            cost = pert_random(
                estimates['optimistic'],
                estimates['most_likely'],
                estimates['pessimistic']
            )[0]
            
            for risk in risk_factors.values():
                if np.random.random() < risk['probability']:
                    cost *= (1 + risk['impact'])
            
            iteration_total += cost
        
        iteration_total *= 1.3
        results.append(iteration_total)
    
    return np.array(results)

def analyze_results(simulation_results):
    """Analyze simulation results"""
    planned_budget = 126772.39
    
    mean_cost = np.mean(simulation_results)
    std_dev = np.std(simulation_results)
    percentile_90 = np.percentile(simulation_results, 90)
    overrun_prob = np.mean(simulation_results > planned_budget)
    recommended_buffer = percentile_90 - planned_budget
    
    print(f"\nSimulation Analysis Results:")
    print(f"Mean Expected Cost: {mean_cost:,.2f} лв.")
    print(f"Standard Deviation: {std_dev:,.2f} лв.")
    print(f"90th Percentile Cost: {percentile_90:,.2f} лв.")
    print(f"Probability of Budget Overrun: {overrun_prob:.1%}")
    print(f"Recommended Additional Buffer: {max(0, recommended_buffer):,.2f} лв.")
    
    plt.figure(figsize=(10, 6))
    plt.hist(simulation_results, bins=50, density=True, alpha=0.7)
    plt.axvline(planned_budget, color='r', linestyle='dashed', label='Planned Budget')
    plt.axvline(mean_cost, color='g', linestyle='dashed', label='Mean Simulated Cost')
    plt.axvline(percentile_90, color='y', linestyle='dashed', label='90th Percentile')
    plt.title('Monte Carlo Simulation Results')
    plt.xlabel('Total Project Cost (лв.)')
    plt.ylabel('Probability Density')
    plt.legend()
    plt.grid(True, alpha=0.3)
    plt.show()

# Run simulation and analyze results
results = run_simulation(10000)
analyze_results(results)
        

In a world where weight loss apps are a dime a dozen, a team of Bulgarian researchers has cooked up something different. Meet Pondera, a smart new mobile app that's like having a super-intelligent fitness buddy in your pocket.

Unlike traditional calorie counters or basic workout trackers, Pondera brings artificial intelligence into the weight loss game, learning your habits, preferences, and goals to create a truly personalized path to fitness. Developed by George Pashev and Silvia Gaftandzhieva at the University of Plovdiv, this app goes beyond the usual "eat less, move more" mantra.

What makes Pondera stand out is its ability to juggle multiple factors at once - think of it as a fitness orchestra conductor, harmonizing everything from your diet and exercise to sleep patterns and stress levels. It's not just about shedding pounds; it's about understanding how different aspects of your lifestyle work together.

The app taps into GPT-3.5's artificial intelligence to keep its recommendations fresh and relevant, while maintaining strict healthcare privacy standards. It's like having a personal trainer, nutritionist, and wellness coach all rolled into one, continuously adapting its approach based on your progress and feedback.

But perhaps most intriguingly, Pondera aims to build a community around its users, recognizing that weight loss journeys are often better shared. It's this combination of high-tech smarts and human connection that might just make it a game-changer in the crowded field of wellness apps.

We are currently raising funds to create a production ready software. Fundraiser link will be available shortly.

Bridging Natural Language and Logic Programming: An English to PROLOG Translator

George Pashev ¹*, Silvia Gaftandzhieva ², Stanka Hadzhikoleva³

^{1, 2, 3} University of Plovdiv “Paisii Hilendarski” (Computer Informatics Department, Plovdiv, Bulgaria)

*corresponding author: georgepashev@uni-plovdiv.bg

This paper presents a comprehensive approach to translating natural language queries into PROLOG queries, enabling effective interaction with knowledge bases implemented in PROLOG. The system is composed of multiple Python scripts that manage various stages of the translation and querying process: input processing, query translation, PROLOG interaction, and answer translation.

Keywords: natural language processing, PROLOG, query translation, logic programming, knowledge base interaction

Компютърна Лингвистика в Областта на Биоинформатиката

гл. ас. д-р Георги Петров Пашев

http://gpashev.com § georgepashev@uni-plovdiv.bg

Кратко описание на дисциплината:

Този курс се фокусира върху приложението на компютърна лингвистика в областта на биоинформатиката, като се разглеждат техники за обработка на естествен език и машинно обучение, приложими в анализа на биологични данни. Курсът съчетава теоретични знания с практически умения в програмиране на Python и Rust, като изследва интеграцията на тези езици в биоинформатични приложения.

Списък с теми за лекциите (7 седмици):

00001. Въведение в Компютърната Лингвистика и Биоинформатика

· Основни понятия и приложения

· Примерен код: Обработка на текстови данни с Python

00002. Машинно Обучение в Биоинформатиката

· Основи на машинното обучение

· Примерен код: Създаване на базов класификатор в Python

00003. Естествен Езиков Обработка (NLP) и Геномни Данни

· NLP техники за анализ на геномни последователности

· Примерен код: NLP алгоритми в Rust

00004. Биоинформатични Бази Данни и Тяхната Интеграция

· Работа с биологични бази данни

· Примерен код: Интегриране на бази данни в Python

00005. Използване на GPT-4 и LLAMA2 за Анализ на Биологични Данни

· Приложения на модели за естествен език в биоинформатиката

· Примерен код: Интегриране на GPT-4 API в Python

00006. Развитие на Уеб и Десктоп Интерфейси за Биоинформатични Приложения

· Основи на уеб и десктоп програмирането

· Примерен код: Създаване на прост UI в Rust

00007. Проектна Работа и Научно Писане

· Техники и методи за разработване на научни публикации

· Разработване на проектни идеи и начало на проектната работа

Оценяване:

Студентите работят в малки групи, разработвайки проект, който включва създаване на чат бот, използващ GPT-4 API, LLAMA2, или машинно обучение с Python и sklearn. Всеки проект включва научна публикация и разработка на потребителски интерфейс.

Възможно е студентите да изберат да разработват само обзорно-научната част на проекта, без практическата, ако не се чувстват достатъчно силни в областта на разработката на приложения. В такъв случай, максималната оценка, която могат да получат, е Много Добър (5).

Списък с Упражнения за Всяка Седмица

Седмица 1: Въведение в Компютърната Лингвистика и Биоинформатика

· Упражнение: Анализиране и обработка на текстови данни с Python. Студентите трябва да напишат скрипт за извличане на информация от научни публикации, свързани с биоинформатиката.

Седмица 2: Машинно Обучение в Биоинформатиката

· Упражнение: Създаване на базов класификатор в Python за разпознаване на видове ДНК последователности. Студентите използват предоставени данни за трениране на модела.

Седмица 3: Естествен Езиков Обработка (NLP) и Геномни Данни

· Упражнение: Имплементиране на NLP алгоритми в Rust за анализ на геномни последователности. Студентите трябва да адаптират традиционни NLP методи за работа с генетичен код.

Седмица 4: Биоинформатични Бази Данни и Тяхната Интеграция

· Упражнение: Интегриране на биологични бази данни в Python програма. Студентите създават интерфейс за достъп и анализ на данни от биоинформатични бази данни.

Седмица 5: Използване на GPT-4 и LLAMA2 за Анализ на Биологични Данни

· Упражнение: Работа с GPT-4 API или LLAMA2 за генериране на предсказания или анализи въз основа на биологични данни. Студентите разработват прототип на приложение, използващо тези модели.

Седмица 6: Развитие на Уеб и Десктоп Интерфейси за Биоинформатични Приложения

· Упражнение: Създаване на прост уеб или десктоп базиран UI в Rust, който да показва резултати от биоинформатични анализи. Студентите трябва да интегрират своя код в потребителски интерфейс.

Седмица 7: Проектна Работа и Научно Писане

· Упражнение: Начална разработка на проекта и написване на научен обзор за избраната тема. Студентите трябва да определят обхвата на своя проект и да изготвят план за научна публикация.

Тези упражнения са насочени към развитие на практически умения и подготовка за финалния проект, като същевременно се засилва теоретичната основа на дисциплината.

Литература:

1. Mount, D. W. (2004). Bioinformatics: Sequence and Genome Analysis. Cold Spring Harbor Laboratory Press.

2. Pevsner, J. (2015). Bioinformatics and Functional Genomics. Wiley-Blackwell.

3. Bird, S., Klein, E., & Loper, E. (2009). Natural Language Processing with Python. O’Reilly Media.

4. Klabnik, S., & Nichols, C. (2019). The Rust Programming Language. No Starch Press.

5. McKinney, W. (2018). Python for Data Analysis. O’Reilly Media.

6. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media.

Актуален списък с наукометрични показатели

Георги Пашев се включва в инициативата за разпространяване на типично българското начертание на кирилски шрифтове.

Повече за това какво наричаме българска кирилица можете да прочетете в сайта на инициативата "За Българска Кирилица" или в следната статия от Списание 8.

Накратко кирилски шрифтове с типично българско начертание се използват най-масово и са типични за България. Отличават се със по-ръкописен тип начертание на малките букви и някои от големите, за разлика от кирилските шрифтове които са типични за Русия, където малките букви са умалено копие на големите.

Поради по-голямото разнообразие на форми, българската кирилица е по-лесна и приятна за четене.

В последно време, тя става все по-често използвана и предпочитана.

Как да включим шрифт с българска кирилица във уеб страница

Вмъкнете следното във секцията <header> на вашата уеб страница:

Актуален списък с всички публикации

Научен профил в Academia.Edu

Наукометрична справка

гл. ас. д-р Георги Пашев

http://gpashev.com

e-mail: georgepashev@uni-plovdiv.bg

за постигнати наукометрични резултати

на национални изисквания

за заемане на академична длъжност Доцент

Съгласно ЗРАС и ППЗРАС за П.Н. 4.6

Публикации в Scopus със SJR

1.1 Pashev, George, and George Totkov. "EMS–A Workflow Programming Language and Environment." TEM JOURNAL-TECHNOLOGY EDUCATION MANAGEMENT INFORMATICS7.3 (2018): 638-644. http://www.temjournal.com/content/73/TemJournalAugust2018_638_644.pdf (Web of Science, Scopus, SJR) (publication)

1.2 Pashev, George, Lilyana Rusenova, George Totkov, and Silvia Gaftandzhieva. "Business Process Modelling & Execution Application in Work Education Domain." TEM Journal 8, no. 3 (2019): 992. (http://www.temjournal.com/content/83/TEMJournalAugust2019_992_997.pdf)   (Scopus, Web of Science, SJR)   (publication) (withPhDStudent)

1.3. George Pashev et al.(2020).Adaptive Workplace E-Learning Model.TEM Journal, 9(2), 613-618. http://www.temjournal.com/content/92/TEMJournalMay2020_613_618.pdf (Publication) (Scopus, Web of Science, SJR)

1.4. George Totkov et al.(2020).A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education.TEM Journal, 9(4), 1619-1624. (Publication) (Scopus, Web of Science, SJR) http://www.temjournal.com/content/94/TEMJournalNovember2020_1619_1624.pdf

1.5. George Pashev, Silvia Gaftandzhieva.(2021).Workflow Based Prototype for Criminal Investigation in BulgariaTEM Journal, 10(1), 351-357. (publication, 2021, scopus, SJR, web of science) https://www.temjournal.com/content/101/TEMJournalFebruary2021_351_357.pdf

1.6. Rumen Daskalov, George Pashev, Silvia Gaftandzhieva(2021).Hybrid Visual Programming Language Environment for Programming Training.TEM Journal, 10(2), 981-986. https://www.temjournal.com/content/102/TEMJournalMay2021_981_986.pdf

(Publication, Scopus, SJR, Web of Science, 2021)

1.7. George Pashev, Silvia Gaftandzhieva.(2021).Facebook Integrated Chatbot for Bulgarian Language Aiding Learning Content Delivery.TEM Journal, 10(3), 1011-1015. https://www.temjournal.com/content/103/TEMJournalAugust2021_1011_1015.pdf (Publication, Web of Science, Scopus, SJR, 2021)

1.8. Zhekova M., G. Pashev, G. Totkov, S.Gaftandzhieva. Automated Extraction of Values of Quantitative Indicators to a Quality Evaluation System Using Natural Language Analysis Tools. Proceedings of the 14th International Conference “Education and Research in the Information Society”, 2021, pp. 17-28  (Publication, Scopus, SJR, 2021) (в печат)

1.9. Zhekova M., G. Pashev, G. Totkov. Implementing Semantic Search in Decision Support System. Proceedings of the 14th International Conference “Education and Research in the Information Society”, 2021, pp. 35-42 (Publication, Scopus, SJR, 2021) (в печат)

Точки от тази точка за П.Н. 4.6: 9*30 = 270 точки

Публикации в Scopus без SJR  или Web of Science

2.1. Gaftandzhieva S., R. Doneva, G. Pashev, Learning Analytics From The Teacher’s Perspective: A Mobile App; Proceedings of 13th International Technology, Education and Development Conference At: Valencia, SPAIN 2019; ISBN: 978-84-09-08619-1

(https://www.researchgate.net/publication/332212584_LEARNING_ANALYTICS_FROM_THE_TEACHER'S_PERSPECTIVE_A_MOBILE_APP; https://library.iated.org/view/GAFTANDZHIEVA2019LEA ) (Web of Science)  (publication)

2.2. Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A Software Tool For Programming Training Trough Accumulative Frame System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, http://www.ijstr.org/final-print/feb2020/A-Software-Tool-For-Programming-Training-Trough-Accumulative-Frame-System.pdf (Scopus) (Publication)

2.3. Silvia Gaftandzhieva, Rositsa Doneva, George Pashev, Mariya Docheva (2021). Learning analytics tool for bulgarian school education, Mathematics and Informatics, ISSN 1310–2230, Vo. 64, Iss. 4, pp. 182-195, https://doi.org/10.53656/math2021-4-2-lea , (Publication, Web of Science, 2021)

Точки от тази точка за П.Н. 4.6: 3*18 = 54 точки

Общо точки за публикации в Scopus и Web of Science: 270 + 54 = 324 точки от показатели В.4. и Г.7

За Доцент минималните изисквания група от показатели В и Г са общо 300 точки.

Цитирания в Scopus или Web of Science

3.1. Pashev, G.,Georgi Totkov., Automatized generation of personalized learning paths thought aspects in multidimensional spaces. Proceeding of ІX National conferences „ Education and research in the information society” 26 – 27 may 2016, Plovdiv, Bulgaria (ERIS-2016), pp.43-52, ISBN 978-954-8986-45-8.

се цитира в:

Kostadinova, Iva, et al. "Automated system for generating and validation a learning tests." Proceedings of International Conference of Education, Research and Innovation (ICERI2017) Conference 14th-16th November. 2017. (Quote) (Quotation, Web of Science)

3.2. Petrov, P., Ivanov, S., Aleksandrova, Y., Dimitrov, G., Ovacıklı, A., (2020). Opportunities to use Virtual Tools in Start-up Fintech Companies, 20 International Multidisciplinary Scientific Geoconference SGEM 2020, STEF92 Technology Ltd. цитира: Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. (quotation, Scopus)

3.3. Petrov, P., Dimitrov, P., Stoev, S., Dimitrov, G., Bulut, F., (2020). Using the Universal Two Factor Authentication Method in Web Applications by Software Emulated Device, 20 International Multidisciplinary Scientific Geoconference SGEM 2020, STEF92 Technology Ltd. цитира: Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Adaptive Workplace E-Learning Model. TEM Journal, 2020, 9(2), pp.613-618. (quotation, Scopus)

3.4. Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A

Software Tool For Programming Training Trough Accumulative Frame

System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH

VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, SJR=0.123

се цитира в

G I Shivacheva, N R Ruseva (2021). Training in Programming using

Innovative Means, IOP Conference Series: Materials Science and

Engineering, Vol. 1031, 012124, doi:10.1088/1757-899X/1031/1/012124,

(quotation, 2021, scopus (SJR=???))

3.5. G. Totkov, S. Gaftandzhieva, G. Pashev, S. Atanasov (2020).A System

for Modelling of Processes for Data Accumulation and Synthesis in

Higher Education.TEM Journal, 9(4), 1619-1624, WoS, SCOPUS (SJR=0.15)

се цитира в

Villegas-Ch., W.; Palacios-Pacheco, X.; Roman-Cañizares, M.;

Luján-Mora, S. Analysis of Educational Data in the Current State of

University Learning for the Transition to a Hybrid Education Model.

Appl. Sci. 2021, 11, 2068. https://doi.org/10.3390/app11052068 , (quotation, 2021, scopus

(SJR=0.418), Web of science)

3.6. Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. се цитира в Pavel Petrov et al.(2021).A Systematic Design Approach in Building Digitalization Services Supporting Infrastructure.TEM Journal, 10(1),

31-37, SCOPUS (SJR=0.15), WoS, https://www.temjournal.com/content/101/TEMJournalFebruary2021_31_37.pdf (quotation, 2021, Scopus, Web of Science, SJR)

3.7. Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Adaptive Workplace E-Learning Model. TEM Journal, 2020, 9(2), pp.613-618. се цитира в Pavel Petrov, Svetoslav Ivanov, Petar Dimitrov, Georgi Dimitrov, Oleksii Bychkov (2021). Projects Management in Technology Start-ups for Mobile Software Development, International Journal of Interactive Mobile Technologies, Vol 15, No 07, 194-201, https://online-journals.org/index.php/i-jim/article/view/19291 , (quotation, SCOPUS (SJR=0.313))

3.8. Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. се цитира в Pavel Petrov, Svetoslav Ivanov, Petar Dimitrov, Georgi Dimitrov, Oleksii Bychkov (2021). Projects Management in Technology Start-ups for Mobile Software Development, International Journal of Interactive Mobile Technologies, Vol 15, No 07, 194-201, https://online-journals.org/index.php/i-jim/article/view/19291 , (quotation, SCOPUS (SJR=0.313) )

3.9. G. Totkov, S. Gaftandzhieva, G. Pashev, S. Atanasov (2020).A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education.TEM Journal, 9(4), 1619-1624, WoS, SCOPUS (SJR=0.15),

се цитира в:

Villegas-Ch, W., García-Ortiz, J., Mullo-Ca, K., Sánchez-Viteri, S., & Roman-Cañizares, M. (2021). Implementation of a Virtual Assistant for the Academic Management of a University with the Use of Artificial Intelligence. Future Internet, 13(4), 97, https://doi.org/10.3390/fi13040097, (quotation, 2021, SCOPUS (SJR=0. 387), Web of science)

Общо точки за цитирания в Scopus или Web of Science: 9 * 2 * 4 = 72 точки

За Доцент минималните изисквания за група от показатели Д са 50 точки.

Дисертационен труд за присъждане на ОНС “Доктор”:

4.1. Пашев Г., ДИНАМИЧНО ГЕНЕРИРАНЕ И ОПТИМАЛНО УПРАВЛЕНИЕ НA ПОТОЦИ ОТ ДЕЙНОСТИ И РЕСУРСИ ЗА ПРОВЕЖДАНЕ НА ЕЛЕКТРОННОТО ОБУЧЕНИЕ, Дисертационен труд за придобиване на ОНС „доктор“, Пловдивски университет „П. Хилендарски“, Пловдив, 2016. (Библиотека на ФМИ към ПУ „Паисий Хилендарски“) (PhDThesis) https://www.researchgate.net/publication/314137780_Dinamicno_generirane_i_optimalno_upravlenie_na_potoci_ot_dejnosti_i_resursi_za_provezdane_na_elektronnoto_obucenie

Общо точки за показател А са: 1* 50 = 50 точки

За Доцент минималните изисквания за група от показатели А са 50 точки.

Нови научни публикации от 01.01.2021г. до 16.10.2021г.

(Предстои да излязат още 3 в Scopus и 1 индексирана в CrossRef, които ги няма в този списък)

1. George Pashev, Silvia Gaftandzhieva.(2021).Workflow Based Prototype for Criminal Investigation in BulgariaTEM Journal, 10(1), 351-357. (publication, 2021, scopus, SJR, web of science) https://www.temjournal.com/content/101/TEMJournalFebruary2021_351_357.pdf
2. Rumen Daskalov, George Pashev, Silvia Gaftandzhieva(2021).Hybrid Visual Programming Language Environment for Programming Training.TEM Journal, 10(2), 981-986. https://www.temjournal.com/content/102/TEMJournalMay2021_981_986.pdf (Publication, Scopus, SJR, Web of Science, 2021)
3. Пашев, Г., Донева, Р., С. Гафтанджиева, Приложение на акумулативни фреймови модели в обучението по програмиране, Proceedings of the Fiftieth Spring Conference of the Union of Bulgarian Mathematicians, 2021, 1001-1006 стр., https://www.google.com/url?sa=t&amp;rct=j&amp;q=&amp;esrc=s&amp;source=web&amp;cd=&amp;cad=rja&amp;uact=8&amp;ved=2ahUKEwiUx4GV3trwAhWtwAIHHQewBcMQFjACegQIAxAD&amp;url=http%3A%2F%2Fwww.math.bas.bg%2Fsmb%2F2021_PK%2Ftom_2021%2Fpdf%2F284-289.pdf&amp;usg=AOvVaw24eqeTGwyoic7xbxXAy6t6 (publication, 2021)
4. George Pashev, Silvia Gaftandzhieva.(2021).Facebook Integrated Chatbot for Bulgarian Language Aiding Learning Content Delivery.TEM Journal, 10(3), 1011-1015. https://www.temjournal.com/content/103/TEMJournalAugust2021_1011_1015.pdf (Publication, Web of Science, Scopus, SJR, 2021)
5. Silvia Gaftandzhieva, Rositsa Doneva, George Pashev, Mariya Docheva (2021). Learning analytics tool for bulgarian school education, Mathematics and Informatics, ISSN 1310–2230, Vo. 64, Iss. 4, pp. 182-195, https://doi.org/10.53656/math2021-4-2-lea, (Publication, Web of Science, 2021)
6. Pashev George, An Adaptive E-learning System for Teaching Mobile Applications , International Journal of Computer Science and Mobile Computing, Vol. 10, Issue. 9, September 2021, pg.80 – 87 https://ijcsmc.com/docs/papers/September2021/V10I9202111.pdf (Publication, 2021, Crossref, DOI)
7. Pashev George, Personalized Healthy Anti-COVID Menu Generator Chatbot Based on Prolog, International Journal of Computer Science and Mobile Computing, Vol. 10, Issue. 10, October 2021, pg.27 – 32 https://ijcsmc.com/docs/papers/October2021/V10I10202106.pdf (Publication, 2021, Crossref, DOI: 0.47760/ijcsmc.2021.v10i10.005)

1. Да се извините на хората, че преди години сте станал медиен двигател за популяризирането на Бойко Борисов (Боко), който сега (уж) сте тръгнал да «изчегъртвате»;
2. Да хвърлите повече светлина върху ваши евентуално минали взаимовръзки с подземния и сенчест свят и приятелски връзки с мафиоти, които вече не са между живите, или такива, които са още живи;
3. Да хвърлите светлина върху личния ви живот, включително и това коя ви е текущата любовница. Вие отсега нататък сте не просто публична, но и обществена личност с политическо влияние и власт и трябва покрай вас всичко да е публично и осветено и изкоментирано от Вас самия (ако не искате да го коментират недоброжелателите); Също така, споделете с аудиторията дали ползвате услуги на «леки жени» и колко често и дали те биха могли да изкопчат нежелани компромати за Вас, както «Мата Хари» направи с Боко;
4. Да направите «кръгла маса» с всички партии в парламента и да създадете приоритетен списък от национални цели, които да преследвате и изпълнявате в рамките на следващ мандат и това да стане възможно най-бързо, за да не губите време;
5. Да направите управленска коалиция с всички партии, които са в парламента и не са ГЕРБ, ДПС;
6. Да направите работещ Закон за референдумите по Швейцарски модел, ако е необходимо и с конституционни кръпки, за да се даде реална власт в ръцете на хората;
7. Да уволните всички назначения на ГЕРБ в държавната администрация и да назначите свои след публично предавани конкурси в социалните мрежи и/или във вашата телевизия и/или по БНТ;
8. Да намалите броя министерства, чрез сливане. Например, социално и здравно могат да се слеят под общо име Министерство на Милосърдието или Министерство на Разходите за хората (сам изберете кое име е по-подходящо, а можете да изберете и друго); Военното и МВР и ДАНС и др. служби могат да се слеят под общо име Министерство на Държавната Репресия или нещо подобно; Идеята е тук да се постигне Швейцарския модел с малко министри и намалена администрация до санитарния минимум;​​​​​​​
9. Да изпълните нещата от вашия си референдум като де факто успешно проведен референдум и то в условията на закон за референдумите, който реално е репресивен, спрямо тях;
10. Подобно на Швейцария, да предлагате на референдуми 2 пъти в годината важни въпроси за управлението;
11. Да създадете най-после Закон за личния фалит и опрощаване на дългове и тяхната наследственост на де факто фалирали физически лица;
12. Да подложите на референдум евентуално узаконяване на проституцията (бизнес за милиарди, който може да вкара свежи пари в Бюджета и винаги е добра идея да е официално регулиран); както и леката дрога за консумация в лицензирани Кофи шопове (по Холандски модел);
13. Също така ви представям и други мои идеи, които съм развил още през далечната 2012г. в този онлайн документ, който през 2013 година е привлекъл вниманието на българи в Чикаго и са го препечатали в техен сайт: https://www.eurochicago.com/2013/06/scriptura-voluntatis-nostrae/; https://antikomunisti.blogspot.com/2013/03/scriptura-voluntatis-nostrae.html
    
    Братята британци имат ценна поговорка — «Отчаяните времена изискват отчаяни мерки». Време е за отчаяни мерки и за кардинални реформи. Дано Вие да сте на необходимата висота, за да ги направите.

Насоки за провеждане на упражненията по ППМУ за задочни студенти

Здравейте, колеги,

Онлайн курса за упражненията ви по дисциплината ППМУ е достъпен тук: (https://uroci.online/course/view.php?id=12)

Здравейте,

Предполагам, че много от вас сте се сблъсквали с добре познатия проблем - за кого да гласувате. Ако не можете да изберете, понеже мразите всички участници и не намирате достоен кандидат или тези, които харесвате "нямат реален шанс", според социолозите, можете да приложите стратегия "теглене на жребий чрез отчитане на коефициент на омраза за всеки от кандидатите.

Тук представям имплементация на алгоритъм на Python, която отчита коефициентите на омраза към отделни кандидати в списъка и "стреля" по мишени в "стрелбище", с изтеглени случайни числа. Вероятността за попадане в мишена на дадена партия, е обратно пропорционална на "омразата" към нея.

Можете да си "поиграете" с коефициентите и кода тук: https://onlinegdb.com/HJhDkA3X_

Ето го алгоритъма (коефициентите на омраза отразяват моето мнение). При максимален коефициент на омраза 1000, съответната партия се изключва от избора и не участва изобщо в него. При мен, това е партия ГЕРБ.

import random
import operator
from random import randint
from random import seed
# списък на партиите и коефициентите на омраза на всяка
parties = (
    {"name": "BSP", "hate": 95},
    {"name": "GERB", "hate": 1000},
    {"name": "DPS", "hate": 900},
    {"name": "Slavy Trifonov", "hate": 150},
    {"name": "DB", "hate": 40},
    {"name": "Vazrazhdane", "hate": 40},
    {"name": "Volya - NFSB", "hate": 455},
    {"name": "VMRO", "hate": 455},
    {"name": "ATAKA", "hate": 55},
    {"name": "MUTRI VYN", "hate": 43},
    {"name": "REPUBLIKANCI", "hate": 570},
    {"name": "KOD", "hate": 300},
    {"name": "ABV - MANGAROV", "hate": 30},
    {"name": "Pryaka demokraciq - Klissarov", "hate": 20},
    {"name": "BG LYATO - Cherepa", "hate": 400},
)

# списъците, използвани от алгоритъма за реализиране на "стрелбище"
strelbishte = []
partii_v_strelbishte = []

# речник с ключове - име на партия и стойност - попадения, в който ще се пазят попаденията след приключване на алгоритъма
akumulirani_brojki = {}
seed(a=None, version=2) # правене на псевдослучайния избор "наистина случаен" с избор на seed - текущо системно време

# инициализация на стрелбището и речника
for party in parties:
    count = 1000 - party["hate"]
    if count == 0:
        continue
    akumulirani_brojki[party["name"]] = 0
    partii_v_strelbishte += [party["name"]] * count
    strelbishte += [0] * count
# разбъркване на секторите и фрагментация на партийните зони в стрелбището и инициализация на броя мишени в него
random.shuffle(partii_v_strelbishte)
broj_v_strelbishte = len(partii_v_strelbishte)
# извършване на случайния избор (стрелбата в стрелбището)
seed(a=None, version=2)
for i in range(0, 3000):
    izteglenoChislo = randint(0, broj_v_strelbishte)
    strelbishte[izteglenoChislo] += 1
    akumulirani_brojki[partii_v_strelbishte[izteglenoChislo]] += 1

#сортиране на партиите в речника по брой попадения в низходящ ред
sorted_akumulirani_brojki = sorted(akumulirani_brojki.items(), key=operator.itemgetter(1), reverse=True)

# отпечатване на попаденията за всяка партия, вече сортирано 
print(sorted_akumulirani_brojki)

Доказателства към

Индивидуален отчет за Научноизследователската дейност

през 2020г.

гл. ас. д-р Георги Пашев

I. Публикации

I.1) Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A Software Tool For Programming Training Trough Accumulative Frame System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, http://www.ijstr.org/final-print/feb2020/A-Software-Tool-For-Programming-Training-Trough-Accumulative-Frame-System.pdf (Scopus) (Publication)

I.2) George Pashev et al.(2020).Adaptive Workplace E-Learning Model.TEM Journal, 9(2), 613-618. http://www.temjournal.com/content/92/TEMJournalMay2020_613_618.pdf (Publication) (Scopus, Web of Science, SJR)

I.3) George Totkov et al.(2020).A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education.TEM Journal, 9(4), 1619-1624. (Publication) (Scopus, Web of Science, SJR) http://www.temjournal.com/content/94/TEMJournalNovember2020_1619_1624.pdf

II. Цитирания

II.1) Ingram, J. H. (2020). Strategies for Improving Parent–School Partnerships to Enhance Private Schools’ Profitability (Doctoral dissertation, Walden University). цитира Pashev, G., Rusenova, L., Totkov, G., & Gaftandzhieva, S. (2019). Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 8(3), 992.  (quotation)

II.2) Св. Иванов, П. Петров,  Бизнес сценарии за взаимодействие при разработка на софтуерната система в стартираща софтуерна компания, ЕЛЕКТРОННО СПИСАНИЕ „ИКОНОМИКА И КОМПЮТЪРНИ НАУКИ“, БРОЙ 2, 2020, ISSN 2367-7791, ВАРНА, БЪЛГАРИЯ, 27-36, http://eknigibg.net/Volume6/Issue2/spisanie-br2-2020_pp.27-37.pdf цитира Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. (quotation)

II.3) Св. Иванов, П. Петров,  Бизнес сценарии за взаимодействие при разработка на софтуерната система в стартираща софтуерна компания, ЕЛЕКТРОННО СПИСАНИЕ „ИКОНОМИКА И КОМПЮТЪРНИ НАУКИ“, БРОЙ 2, 2020, ISSN 2367-7791, ВАРНА, БЪЛГАРИЯ, 27-36, http://eknigibg.net/Volume6/Issue2/spisanie-br2-2020_pp.27-37.pdf цитира Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Adaptive Workplace E-Learning Model. TEM Journal, 2020, 9(2), pp.613-618. (quotation)

II.4) И. Лившиц, Дистанционный формат обучения: риски и возможности. Стандарты и качество. 2020. № 10. С. 102-107. цитира Георги Пашев, Силвия Гафтанджиева, Георги Тотков, Среда за компютърно моделиране на акумулативни фреймови модели за е-обучение, Научни трудове на Съюза на учените в България – Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 88-91, 2019, https://usb-plovdiv.org/2019_tehnika_i_tehnologii_tom_XVII/. (quotation)

III. Рецензии

III.1) Рецензия на статия : "Design and Implementation of an IoT Based Transactional System for Quality Management"за Iraqi Journal of Science (http://scbaghdad.edu.iq/eijs/index.php) (списание в Скопус) (May 2020) Доказателства: (https://www.dropbox.com/s/molll7zruchzwml/iraqi_journal_of_Science_Review.pdf?dl=0) (review) (Scopus)

George Pashev et al.(2020).Adaptive Workplace E-Learning Model.TEM Journal, 9(2), 613-618.

Citation Information: TEM Journal. Volume 9, Issue 2, Pages 606-612, ISSN 2217-8309, DOI: 10.18421/TEM92-25, May 2020.

Received: 30 March 2020.

Revised:   25 April 2020.
Accepted: 06 May 2020.
Published: 27 May 2020.

Abstract:

The paper presents the main concepts of an approach which can be used in a corporate environment for Adaptive education of employees. A formal model is proposed to facilitate adaptivity in terms of pursuing personal and corporate goals. Software prototypes, which prove the applicability of the model, are presented and discussed.

http://www.temjournal.com/content/92/TEMJournalMay2020_613_618.pdf

(Publication) (Scopus, Web of Science, SJR)