ساختار یادگیری شبکه عصبی فازی با استفاده از الگوریتم تکاملی خودتطبیقی

چکیده: امروزه محاسبات تکاملی به دلیل توانایی جستجوی سراسری اش یکی از زمینه های محبوب تحقیقاتی می باشد. در این پژوهش به دنبال ایجاد یک الگوریتم تکاملی کارامد و نیرومند هستیم تا نه تنها روند تکامل را کاهش دهد بلکه احتمال رسیدن به حل کلی را افزایش دهد. در واقع، می خواهیم یک الگوریتم تکاملی جدید به نام الگوریتم تکاملی خود تطبیقی بر پایه راه حل جزئی را معرفی کنیم. این الگوریتم برای تنظیم پارامترهای شبکه های عصبی-فازی در جهت بهبود ساختار یادگیری آن استفاده شده است. برخلاف الگوریتم های تکاملی سنتی موجود، الگوریتم مذکور از دو بخش تشکیل شده که در قسمت راه حل جزئی، روابط تخصصی و مکمل هر راه حل جزئی را نسبت به راه حل کامل در نظر می گیرد تا از همگرایی به راه حلهای کمتر از حد مطلوب اجتناب شود. علاوه بر این یک الگوریتم تکاملی خود تطبیقی ارائه شده است تا به طور پویا فضای جستجو را مطابق عملکرد تنظیم کند. با این کار، الگوریتم تکاملی مورد بررسی می تواند با توجه به ویژگی راه حلهای جزئی یک فضای جستجوی مناسب را برای بالا بردن شانس رسیدن به حل کلی فراهم کند. نتایج نشان می دهد که الگوریتم تکاملی مورد بررسی عملکرد بهتر و منحنی یادگیری نرم تری را نسبت به سایر الگوریتم های تکاملی موجود بدست می آورد. به عبارت دیگر، این الگوریتم تکاملی می تواند به طور کارامد و موثری پارامترهای شبکه های عصبی-فازی را طوری تنظیم کند تا به راه حل کلی برسد.