طراحی بهینه چند هدفی ساختار شبکه فازی-عصبی برای مدلسازی فرآیندهای پیچیده بر اساس الگوریتم ترکیبی تکامل دیفرانسیلی و تجمعی ذره

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 طراحی بهینه چند هدفی ساختار شبکه فازی-عصبی برای مدلسازی فرآیندهای پیچیده بر اساس الگوریتم ترکیبی تکامل دیفرانسیلی و تجمعی ذره دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد طراحی بهینه چند هدفی ساختار شبکه فازی-عصبی برای مدلسازی فرآیندهای پیچیده بر اساس الگوریتم ترکیبی تکامل دیفرانسیلی و تجمعی ذره  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی طراحی بهینه چند هدفی ساختار شبکه فازی-عصبی برای مدلسازی فرآیندهای پیچیده بر اساس الگوریتم ترکیبی تکامل دیفرانسیلی و تجمعی ذره،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن طراحی بهینه چند هدفی ساختار شبکه فازی-عصبی برای مدلسازی فرآیندهای پیچیده بر اساس الگوریتم ترکیبی تکامل دیفرانسیلی و تجمعی ذره :

تعداد صفحات :۱۲

چکیده مقاله:

با پیشرفت مسایل مهندسی و بروز مسایل پیچیده تر مهندسی نیاز به روشهای جدید مدلسازی نیاز میشود. سیستمهای استنتاج فازی-عصبی تطبیقی می توانند در این زمینه عملکرد خوبی نشان دهند، از این رو این سیستمها مورد توجه محققین قرار دارد. در طراحی این سیستمها هدف کاهش خطای مدل بدست آمده نسبت به مدل واقعی میباشد. در این مقاله روش بهینه سازی جدیدی مبتنی بر روشهای تجمعی ذرات و تکامل تفاضلی ارایه گردیده است. در این روش عملگرهای ترکیبی ارایه گردیده است که ضرایب موجود در این عملگرها توسط منطق فازی تنظیم میشود. هدف از تنظیم ضرایب افزایش سرعت بهینه سازی و همچنین توجه بیشتر به نقاط دارای جمعیت کمتر میبا شد. از این روبا توجه به شماره نسل و واریانس جمعیت بهینه سازی تصمیم گیری انجام میپذیرد. در ادامه عملکرد این روش با بهینه سازی توابع معیار مشخصی نسبت به سایر روشهای بهینه سازی سنجیده میشود. در ادامه سیستم استنتاج فازی-عصبی تطبیقی برای پیشبینی سری زمانی مکی-گلاس تعریف می شود که توابع تعلق این سیستم توسط روش بهینه سازی ارایه شده با اهداف کاهش خطای دادههای آموز شی و دادههای پیش بینی شده، به صورت چندهدفی بهینه می شود. در انتها دادههای مدل اصلی و مدل پیشبینی شده با هم مقای سه می شود و تا حد قابل قبولی خطای پیشبینی به حداقل میرسد.