معرفي يك الگوريتم تركيبي درهم تنيده براي آموزش نگاشت هاي ادراكي فازي

An entangled hybrid algorithm for training fuzzy cognitive maps

نگاشت‌هاي ادراكي فازي (FCM) كه از تكنيك‌هاي محاسبات نرم محسوب مي‌شوند، با تركيب منطق فازي و تئوري شبكه‌هاي عصبي، به عنوان ابزاري قدرتمند براي مدل‌سازي سيستم‌هاي پيچيده معرفي گشته‌اند. استفاده از الگوريتم‌هاي يادگيري مختلف براي غلبه بر ضعف‌هاي اين مدل، يكي از حوزه‌هاي فعال علمي است. در اين مقاله يك الگوريتم تركيبي جديد مبتني بر الگوريتم يادگيري هبين غيرخطي (NHL) و الگوريتم ژنتيك كدحقيقي (RCGA) معرفي مي‌شود كه به صورت درهم‌تنيده عمل كرده و با بهبود مشخصه‌هاي هر يك از اين دو الگوريتم، قابليت به‌كارگيري در مدل‌هاي مختلف تصميم‌گيري را با دقت بالا دارد. مدل پيشنهادشده بر روي يك مسئله‌ي كنترل فرآيند پياده‌سازي شده است.

Fuzzy cognitive maps (FCMs) that are soft computing techniques, by combining fuzzy logic and neural network theory, have been known as a powerful tool for modeling complex systems. Utilization of different learning algorithms to overcome the weaknesses of this model, is one of the active area of science. In this paper, a new hybrid algorithm based on nonlinear Hebbian learning and real-coded genetic algorithm is introduced, which operate in an entangled way and by improving the characteristics of each of these two algorithms, can be applied in different decision-making models with high precision. The proposed model is implemented on a process control problem.