مسعود یقینی - استادیار دانشکده مهندسی راه اهن دانشگاه علم و صنعت ایران
شایان کواکب - دانشجوی کارشناسی ارشد حمل و نقل ریلی دانشگاه علم و صنعت ایران
ناهید غضنفری - دانشجوی کارشناسی ارشد مدیریت اجرایی

گرچه شبکه های عصبی مصنوعی یکی از مهمترین تکنیکهای داده کاوی بشمار می ایند با این وجود جستجو برای انتخاب یک ساختار شبکه عصبی مصنوعی بهینه یک موضوع مهم ومورد بحث در زمینه شبکه های عصبی مصنوعی می باشد انتخاب ساختار بهینه شبکه های عصبی نیاز به فرد خبره و بکارگیری از روش سعی و خطا دارد تعداد کم نرون ها در لایه های مختلف منجر به کاهش قدرت شبکه هایعصبی در یادگیری و در عین حال زیاد بودن تعداد نرونها در لایه های مخفی منجر به یادگیری تمرکز یافته برروی داده های اموزشی می شود استفاده از الگوریتم ژنتیک یک ابزار قوی برای یافتن ساختار بهینه شبکه های عصبی می باشد دراین تحقیق یک الگوریتم ترکیبی شبکه عصبی تکاملی ارائه شده است دراین الگوریتم با استفاده از الگوریتم ژنتیک مقدار بهینه تعداد لایه های مخفی تعداد نرون ها در لایه های مخفی نرخ یادگیری ، اندازه حرکت و بازه وزنهای اولیه تعیین می شوند زیرا انتخاب بهینه پارامترهای مذکور توانایی جستجو الگوریتم اموزش پس انتشار را افزایش میدهند سپس الگوریتم پیشنهادی با روش ابتکاری انتخاب مدل و تعدادی از الگوریتمهای معروف در زمینه پیش بینی مقایسه شده است.

داده کاوی، پرسپترون چند لایه، الگوریتم اموزش پس انتشار، الگوریتم ژنتیک