کیارش آقاخانی - دانشجوی کارشناسی ارشد ، دانشگاه آزاد اسلامی واحد آشتیان، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، آشتیان ، ایران
عباس کریمی - دانشگاه آزاد اسلامی واحد اراک، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، اراک ، ایران

در سال های اخیر با پیشرفت هایی که در زمینه رایانه، هوش مصنوعی و هم چنین کشف روابط آشوبی در سری های زمانی غیر خطی پدید آمد ، تکنیک های هوش مصنوعی شامل شبکه های عصبی و بهره گیری از الگوریتم های بهینه سازی و فراابتکاری نتایج موفقیت آمیزی در این زمینه به دست آورده است. همانطور که تحقیقات متعدد در زمینه شبکه عصبی انجام شده، آموزش شبکه عصبی با استفاده از الگوریتم های مبتنی بر گرادیان با موفقیت خوبی انجام میشود ولی دلیل استفاده از الگوریتم های بهینه سازی تکاملی، بخشی از تعیین ساختار شبکه عصبی است که الگوریتم های مبتنی بر گرادیان نمی توانند مورد استفاده قرار بگیرند و همچنین آموزش شبکه عصبی با استفاده از الگوریتم های بهینه سازی دقت پیش بینی را افزایش میدهد، از این رو ما در این تحقیق جهت پیش بینی سری های زمانی، با ارائه تکنیکی نوین، بجای استفاده از روش های رایج مبتنی بر گرادیان از الگوریتم فرا ابتکاری جستجوی هارمونی برای تعیین وزن های شبکه عصبی پرسپترون چند لایه، که همان فاز آموزش است استفاده می کنیم. سری زمانی مورد استفاده قیمت روزانه طلا در بازار جهانی از سال 2002 الی 2012 همچنین نتایج بدست آمده، با آموزش شبکه عصبی مبتنی بر دو الگوریتم ژنتیک و رقابت استعماری مقایسه شده و در نهایت برتری الگوریتم پیشنهادی را با استفاده از معیارهای ارزیابی R2,MAE,RMSE,MSE,MAPE همچنین انطباق داده های واقعی و پیش بینی شده، بیان خواهیم نمود.

پیش بینی سری های زمانی، پیش بینی قیمت جهانی طلا، آموزش شبکه عصبی، شبکه عصبی پرسپترون چند لایه، الگوریتم جستجوی هارمونی