ترکیب الگوریتم ژنتیک نخبه گرا و شبیه سازی تبرید برای یادگیری نقشه های شناختی فازی خاکستری

در این مقاله، پیش بینی و دسته بندی داده های حقیقی و متغیر با زمان، مورد بررسی قرار گرفته است. برای این منظور از نقشه های شناختی فازی خاکستری (FGCM) استفاده شده است. این نقشه ها مدل های پیش بینی کننده غیر خطی هستند که در پیش بینی مسایل سیاسی، اجتماعی و پزشکی کاربرد فراوانی دارند.روش های پیشین ارایه شده برای یادگیری (FGCM)هابسیار مفیداند اما دقت پیش بینی آن ها با افزایش مجموعه تست همواره کاهش می یابد و این برای پیش بینی آینده های دور بسیار ناخوشایند است. در این مقاله از ترکیب الگوریتم تکاملی ژنتیک نخبه گرا و شبیه سازی تبرید برای یادگیری FGCMها استفاده شده است.آزمایش ها بر روی داده های هواشناسی واقعی هستند. نتایج آزمایشگاهی نشان می دهد علاوه بر افزایش دقت پیش بینی، با افزایش مجموعه-تست، دقت لزوما کاهش نمی یابد لذا این روش برای پیش بینی آینده های دور، مناسب تر است

کلیدواژه ها:

نقشه های شناختی فازی خاکستری ، یادگیری ، ترکیب الگوریتم تکاملی ژنتیک نخبه گرا و شبیه سازی تبرید