ادغام الگوریتم های فراابتکاری با یادگیری تقویتی عمیق برای بهینه سازی پویا و خودسازمان دهی شبکه های عصبی در سیستم های هوشمند

در این پژوهش چارچوبی هیبریدی توسعه یافته است که الگوریتم های فراابتکاری را با یادگیری تقویتی عمیق برای بهینه سازی پویا و خودسازمان دهی شبکه های عصبی در سیستم های هوشمند ادغام می کند. الگوریتم های فراابتکاری یادگیری هدف اصلی، بهبود عملکرد بهینه سازی در مسائل پیچیده ترکیبی و شبکه های عصبی احتمالاتی با افزایش تقویتی عمیق بهینه سازی پویا دقت، سرعت همگرایی و قابلیت تطبیق سیستم در محیط های تغییرپذیر است. در این روش یادگیری چارچوب هیبریدی سیستم های تقویتی عمیق به عنوان مکانیزمی جهت تنظیم پویا پارامترهای الگوریتم های فراابتکاری به کار گرفته شده است تا فرآیند اکتشاف و بهره برداری به شکل بهینه ای هدایت شود. این رویکرد توانسته است در کاربردهای متنوعی مانند زمان بندی ماهواره های مشاهدات، زمین تخصیص ماموریت در سیستم های حمل و نقل هوشمند و طراحی شبکه های عصبی عملکرد قابل توجهی ارائه دهد. ارزیابی چارچوب با استفاده از مجموعه مسائل استاندارد بهینه سازی و سناریوهای دینامیک نشان دهنده افزایش دقت پیش بینی، بهبود سرعت همگرایی و افزایش پایداری الگوریتم ها در مواجهه با تغییرات محیطی است. این ترکیب نوآورانه باعث ارتقای قابلیت خودسازمان دهی و انعطاف پذیری سیستم های هوشمند شده و چشم اندازی نوین برای توسعه سیستم های تطبیقی و هوشمند در کاربردهای آینده فراهم می آورد.

کلیدواژه ها:

Neural Networks ، Metaheuristic algorithms ، Numerical optimization ، Dynamic environments ، Deep Reinforcement Learning (DRL) ، Self-Organization