چارچوب بهینه سازی فراابتکاری سراسری ANFIS برای رگرسیون غیرخطی پیچیده

سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) یکی از ابزارهای پرکاربرد برای مدل سازی روابط غیرخطی است؛ با این حال، در مواجهه با فضاهای پارامتری پیچیده با محدودیت هایی نظیر همگرایی زودرس و توقف در بهینه های محلی روبروست. با وجود گسترش مدل های هیبرید، ارائه یک چارچوب نظام مند که بتواند رفتار جستجو را در فضاهای چندبعدی واکاوی کرده و تعادل میان دقت و پایداری را ارتقا بخشد، همچنان یک ضرورت تحقیقاتی محسوب می شود. این پژوهش با ارائه یک مدل ترکیبی، استراتژی بهینه سازی سراسری مبتنی بر الگوریتم های فراابتکاری را برای تنظیم دقیق پارامترهای بخش مقدم و تالی پیشنهاد می دهد. تمرکز اصلی بر بهبود ثبات عملکردی سیستم در برابر داده های خارج از نمونه و اصلاح مکانیزم پیمایش فضای پارامتر است. جهت ارزیابی، مدل پیشنهادی بر روی مجموعه داده بنچمارک استاندارد پیاده سازی و کارایی آن با شاخص های آماری RMSE و 𝑅 ۲ سنجیده شد. مقایسه نتایج با مدل های پایه و روش های متداول یادگیری نشان می دهد که استفاده از مکانیزم های هوش جمعی، خطای تخمین را به طور معناداری کاهش داده و پایداری همگرایی را بهبود بخشیده است. یافته های این تحقیق نشان می دهد که بهینه سازی هوشمند پارامترها، راهکاری قابل اتکا برای ارتقای عملکرد مدل های فازی-عصبی در مسائل رگرسیون پیچیده و با ابعاد بالا است.

کلیدواژه ها:

سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) ، الگوریتم های فراابتکاری ، همگرایی زودرس ، قدرت تعمیم پذیری