بهینه سازی شبکه عصبی ELM در مسئله پیش‌بینی

برای محیط همیشه در حال تغییر این دوران و تغییر در شیوه تعاملات شرکت­ها با تامین­کنندگان و مشتریان و پیچیدگی بازارها، کاهش دوره عمر محصولات و اهمیت­یافتن زمان پاسخگویی به مشتریان، پیش­بینی تقاضای محصول  عامل حیاتی برای رقابت­پذیری سازمان­ها می­باشد. با پیش­بینی دقیق الگوهای تقاضا، دولت و تولیدکنندگان  می­توانند براساس میزان و جهت جریان آتی تولید، برنامه ریزی­ها را سازماندهی کنند و زیرساخت بهتری در رشد صنعت مهیا سازند. با هدف ارائه یک  ابزار دقیق پیش­بینی در صنعت فولاد، این مطالعه، به بهینه سازی شبکه عصبی ELM به کمک الگوریتم ژنتیک می­پردازد. که در آن پارامترهای شبکه، از قبیل تعداد و توابع فعالسازی نورون­ها در لایه مخفی، وزن­های اتصالی بین ورودی­ها و نورون­های لایه مخفی، بایاس نورون­های لایه مخفی و  (پارامتر تنظیم­سازی)، به کمک الگوریتم ژنتیک تعیین می­شود. برای پیش­بینی تقاضا فولاد خام کشور، داده های  مرتبط با تولید و مصرف فولاد خام و محصولات فولادی کشور، بصورت ماهیانه و در بازه زمانی دی ماه 88 تا مرداد ماه 92 (جمعاً 44 نمونه و 22 مشخصه) جمع آوری گردید. داده­های دی ماه 88تا بهمن91 در آموزش شبکه و داده های مربوط به  اسفند91 تا مرداد 92 در آزمون شبکه استفاده شد. برای نشان دادن کارایی مدل پیش­بینی کننده،مقایسه­ی عملکرد از لحاظ دقت پیش­بینی و سرعت یادگیری بین الگوریتم ELM بهینه شده باالگوریتم ELM و سایر شبکه­های عصبی صورت گرفته است. معیارهای پیش­بینی نشان­دهنده­ی عملکرد خوب ELM بهینه شده نسبت به سایر شبکه­های عصبی می­باشد. براساس آزمون­های آماری و  خطاهای RMSE و MAPE نتایج نشان می­دهد که دقت ELM به مراتب بهتر از سایر روش­های شبکه عصبی است. به­علاوه، مدل ELM دو بار سریعتر از شبکه­های عصبی کلاسیک است. براساس یافته­ها می­توان به یقین گفت که بین الگوریتم­های مورد بررسی، ELM ابزار دقیق­تر و قوی­تری در مسئله تقاضای فولاداست.اﻟﺒﺘﻪ نوع بهینه یافته شبکه عصبی ELM دقت بهتری در مدل­سازی تابع تقاضا داشته است ، وﻟﯽ روش ELM از نظرزمانی بهینه­تر بوده است.