برآورد پارامترهای غیرقطعی مدل های برنامه ریزی ریاضی با تلفیق روش های یادگیری ماشین و هوش مصنوعی

با توجه به اهمیت بالای بهینه سازی، در این مقاله به مطالعه مدل های برنامه ریزی ریاضی با در نظر گرفتن انواع روش های برآورد ضرایب مدل پرداخته شده و سپس با استفاده از ترکیب هوش مصنوعی و روش های بهینه سازی داده محور و یادگیری ماشین، روش اتوماسیون کاراتری برای برآورد بهینه ضرایب پیشنهاد شد. با توجه به اینکه قسمت اعظم داده های ورودی به مدل ارائه شده را ضرایب فنی و ضرایب تابع هدف تشکیل می دهند، لذا لازم است در حد امکان یک روش علمی مناسب جهت تعیین مقدار این ضرایب تدوین شود. پیدا کردن بهترین روش در برآورد ضرایب مدل های برنامه ریزی ریاضی، می تواند نقش بسزایی در بهینه کردن مقادیر نهایی متغیرهای استخراج شده از مدل برنامه ریزی ریاضی داشته باشد و مساله اصلی در این پژوهش نیز همین بود. در این مقاله برآورد ضرایب توابع هدف و محدودیت ها با استفاده از هوش مصنوعی و سپس روش های بهینه سازی داده محور جنگل تصادفی و روش داده کاوی لاسو (LASSO) و روش آماری پیشرفته نیمه پارامتری معادله تخمین زده شده عمومی (GEE) جهت توسعه مدل برنامه ریزی ریاضی در حضور داده های زمانی بررسی شد. استفاده از هوش مصنوعی به عنوان یک دستیار، روش های یادگیری ماشین و تحلیل داده محور و روش های آماری، و به کار بردن آنها در طراحی مدل های برنامه ریزی ریاضی به دلایل متعددی در این مقاله پیشنهاد شده است.

کلیدواژه ها:

هوش مصنوعی ، مدل برنامه ریزی ریاضی ، روش های تحلیل داده محور ، روش های داده کاوی ، یادگیری ماشین