طراحي بهينه چند هدفي ساختار شبكه فازي-عصبي براي مدلسازي فرآيندهاي پيچيده بر اساس الگوريتم تركيبي تكامل ديفرانسيلي و تجمعي ذره

با پيشرفت مسائل مهندسي و بروز مسائل پيچيده تر مهندسي نياز به روش هاي جديد مدلسازي نياز مي شود. سيستم هاي استنتاج فازي-عصبي تطبيقي مي توانند در اين زمينه عملكرد خوبي نشان دهند، از اين رو اين سيستم ها مورد توجه محققين قرار دارد. در طراحي اين سيستم ها هدف كاهش خطاي مدل بدست آمده نسبت به مدل واقعي مي باشد. در اين مقاله روش بهينه سازي جديدي مبتني بر روش هاي تجمعي ذرات و تكامل تفاضلي ارائه گرديده است. در اين روش عملگرهاي تركيبي ارائه گرديده است كه ضرايب موجود در اين عملگرها توسط منطق فازي تنظيم مي شود. هدف از تنظيم ضرايب افزايش سرعت بهينه-سازي و همچنين توجه بيشتر به نقاط داراي جمعيت كمتر مي باشد. از اين رو با توجه به شماره نسل و واريانس جمعيت بهينه سازي تصميم گيري انجام مي-پذيرد. در ادامه عملكرد اين روش با بهينه سازي توابع معيار مشخصي نسبت به ساير روش هاي بهينه سازي سنجيده مي شود. در ادامه سيستم استنتاج فازي-عصبي تطبيقي براي پيش بيني سري زماني مكي-گلاس تعريف مي شود كه توابع تعلق اين سيستم توسط روش بهينه سازي ارائه شده با اهداف كاهش خطاي داده هاي آموزشي و داده هاي پيشبيني شده، به صورت چندهدفي بهينه مي شود. در انتها داده هاي مدل اصلي و مدل پيش بيني شده با هم مقايسه مي شود و تا حد قابل قبولي خطاي پيش بيني به حداقل مي رسد.