ارائه مدل منحنی رشد بر مبنای شبکه عصبی مصنوعی و بهبود آن توسط الگوریتم های ژنتیک

منحنی رشد بر اساس داده های توزین حیوان در سنین مختلف با صرف وقت و هزینه های مادی بسیاری بدست می آید. با توجه به اهمیت منحنی رشد در مباحث بیولوژی پیش بینی این منحنی از لحاظ سلامتی و اقتصادی بسیار حائز اهمیت است. به علت عملکرد مطلوب شبکه های عصبی مصنوعی به عنوان یکی از روش های بدیع و پر کاربرد در مسائل پیش بینی، در این پژوهش از شبکه عصبی مصنوعی برای پیش بینی منحنی رشد استفاده شده است. بهینه سازی پارامترهای قابل تنظیم شبکه عصبی مصنوعی می تواند منجر به افزایش دقت پیش بینی گردد، الگوریتم های زیادی برای بهینه سازی معرفی شده است. الگوریتم ژنتیک برای حل بسیاری از مسائل دنیای واقعی مورد استفاده قرار گرفته است و تکنیک های موثر برای کاربردهایی از جمله جستجو، بهینه سازی، طراحی، مهندسی کنترل، پردازش تصویر، یادگیری ماشین و بسیاری از مسائل دیگر ارائه می دهد. با توجه به کارایی بالای الگوریتم ژنتیک، در این پژوهش برای بهینه سازی پارامترهای قابل تنظیم شبکه عصبی مصنوعی از الگوریتم ژنتیک استفاده شده است. با اینکه ساختارهای جدیدی برای بهبود دقت تشخیص ارائه شده است اما همچنان نیاز به انتخاب استراتژی مناسب برای کاهش بعد ورودی و همچنین انتخاب مناسب ویژگی وجود دارد. مسلماً این بهبود دقت تشخیص، نقش بسیار مهمی در مسائل تخمین دارد که منجر به افزایش سرعت و کاهش هزینه های محاسباتی می گردد و گاهاً باعث افزایش دقت نیز می گردد. بدین منظور در این پژوهش از الگوریتم ترکیبی شبکه عصبی و الگوریتم ژنتیک برای انتخاب کلیدی ترین جفت داده های رشد (سن-وزن) در پیش بینی آخرین مرحله وزن کشی حیوان نر و ماده بهره برده ایم .همچنین از شبکه عصبی برای تعیین کلیدی ترین جفت داده های رشد نیز استفاده شد و نتایج حاصل، با نرم افزارweka مقایسه شده است. داده های مورد استفاده در این پژوهش از اطلاعات مربوط به منحنی رشد (سن-وزن) ???? حیوان در 7 نژاد مختلف و در دو جنس نر و ماده مربوط به یک پروژه ژنتیک و اصلاح نژاد دام به مدت 5 سال، در یکی از مراکز معتبر تحقیقاتی بدست آمده است و یکی از ویژگی های پژوهش حاضر برای جامعیت برآوردهای منحنی رشد، استفاده از چندین تلاقی مختلف است. نتایج حاصل، نشان دهنده عملکرد مطلوب شبکه عصبی در پیش بینی منحنی رشد حیوان و عملکرد مطلوب الگوریتم ژنتیک و شبکه عصبی در تعیین کلیدی ترین جفت داده های رشد می باشد. همچنین با توجه به ماهیت داده ها، استفاده از الگوریتم ژنتیک برای تنظیم پارامترهای شبکه عصبی منجر به بهبود نتایج نگردید.با توجه به اهمیت منحنی رشد در مباحث بیولوژی پیش بینی منحنی رشد، از لحاظ سلامتی و اقتصادی بسیار حائز اهمیت است. در این پژوهش برای پیش بینی منحنی رشد، از شبکه عصبی، به عنوان یکی از روش های پر کاربرد در مسائل پیش بینی، استفاده شده است. برای بهینه سازی پارامترهای قابل تنظیم شبکه عصبی که می تواند منجر به افزایش دقت پیش بینی گردد، از الگوریتم ژنتیک و همچنین برای انتخاب کلیدی ترین جفت داده های رشد در پیش بینی آخرین مرحله وزن کشی حیوان نر و ماده، از الگوریتم ترکیبی شبکه عصبی و الگوریتم ژنتیک بهره برده ایم. در ادامه از شبکه عصبی برای تعیین کلیدی ترین جفت داده های رشد استفاده شد و نتایج حاصل، با نرم افزارweka مقایسه شده است. نتایج حاصل، نشان دهنده عملکرد مطلوب شبکه عصبی در پیش بینی منحنی رشد حیوان و عملکرد مطلوب الگوریتم ژنتیک و شبکه عصبی در تعیین کلیدی ترین جفت داده های رشد می باشد.