بررسی چالش های شبکه عصبی MLP و حل آن به کمک الگوریتم های تکاملی

در این مقاله، شبکه های عصبی زیستی و مصنوعی و ساختارهای آنها معرفی گردیده و انواع شبکه های عصبی نشان داده می شود.تمرکز بیشتر بر روی پروسپترون و مشکلات یک نوع شبکه عصبی به نام پروسپترون چند لایه (MLP) می باشد، که برای حلمشکلات این روش از نوعی الگوریتم تکاملی جدید استفاده میشود؛ که آن الگوریتم، با نام الگوریتم بهینه سازی جنگل (FOA)معرفی می گردد. در این مطالعه جهت مدلسازی قدرت تبخیر جو ایستگاه تبریز، از شبکه های عصبی مصنوعی بر پایه سه الگوریتمآموزشی (MLP)، ژنتیک و الگوریتم بهینه سازی جنگل استفاده شده است. ارزیابی و مقایسه نتایج این مدلها براساس معیارهاییچون ضریب تعیین، میانگین مربعات خطا و مجذور میانگین مربعات خطا اتخاذ شده است. بر اساس مدل پیشنهادی میتوان قدرتتبخیر جو تبریز را با خطای ۰.۱۲۶۷۸ میلیمتر در ماه، برای سال هایی که فاقد آمار تبخیر هستند، پیش بینی نمود.