چهارچوبی مبتنی بر الگوریتم ژنتیک به منظور بهینه سازی شبکه های LSTM در یادگیری عمیق برای پیش بینی سری های زمانی پیچیده

الگوریتم ژنتیک (GA) به عنوان یکی از روش های قدرتمند فراابتکاری، توانایی بالایی در حل مسائل پیچیده و NP-Hard دارد. در این پژوهش، از GA برای بهینه سازی هایپرپارامترهای مدل های شبکه عصبی حافظه دار بلندمدت (LSTM) استفاده شده است. هدف، افزایش دقت پیش بینی در مسائل سری های زمانی و کاهش زمان همگرایی مدل می باشد. دو کاربرد مهم شامل پیش بینی زمان خرابی پمپ آب در صنایع و پیش بینی قیمت طلا در بازارهای مالی مورد بررسی قرار گرفته اند. نتایج تجربی نشان می دهند که ترکیب GA و LSTM منجر به بهبود معنادار دقت مدل ها، کاهش خطا و ارتقاء عملکرد کلی پیش بینی شده است. این مطالعه بیانگر نقش کلیدی الگوریتم های فراابتکاری در ارتقاء هوشمندی مدل های یادگیری عمیق و حل موثر مسائل بهینه سازی در حوزه های مهندسی و اقتصادی می باشد.

Keywords:

الگوریتم ژنتیک (GA) , مسائل NP-Hard , الگوریتم LSTM , بهینه سازی , تنظیم پارامتر , یادگیری عمیق