بهبود مدل های شبکه عصبی با استفاده از الگوریتم ژنتیک موازی سازگارپذیر

مدلهای شبکه عصبی که برای توصیف و پیشبینی سیستمهای پیچیده حاصل از فرآیندهای صنعتی، اقتصادی و زیستی به کار برده میشوند، بر پایه اطلاعات برگرفته از متغیرهایی تکوین مییابند که در بسیاری از موارد اریب،تأثیرپذیرفته از مداخلات خارج از سیستم و فاقد توانایی انتقال کلیه وضعیتهای سیستم به مدل میباشند. از این رو، شناسایی و تفکیک متغیرهای تأثیرگذار بر حسب مدل ارائهشده توسط آنها و انتخاب بهترین زیرمجموعه از متغیرها، می-تواند منجر به ایجاد مدل شبکه عصبی با قابلیتهای پیش بینی دقیقتری گردد. در این مقاله، ضمن معرفی الگوریتم ژنتیک سازگارپذیر، به استفاده از آن در حالت موازی در راستای بهبود عملکرد شبکهعصبی، از طریق انتخاب مدل بهینه میپردازیم. سپس با ارائه دو مثال متفاوت، ضمن بررسی کارآیی این روش در بهبود مدلهای صنعتی، تأثیر آن در افزایش قابلیت پیشبینی مدلهای شبکه عصبی را در دادههای پزشکی تحلیل مینماییم

کلیدواژه ها:

الگوریتم ژنتیک ، الگوریتم ژنتیک موازی سازگارپذیر ، انتخاب متغیر ، شبکه های عصبی