سید محمد صحفی - دانشجوی کارشناسی ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی واحد آشتیان
یاسر امامی میبدی - کارشناس ارشد مهندسی مکاترونیک دانشگاه شریف واحد پردیس بین الملل کیش

یکی از راه های مدل نمودن کامپیوتری توابع ریاضی غیر خطی همچون تابع سینوس، استفاده از شبکه ی عصبی می باشد و یکی از مناسبترین روش های شبکه عصبی برای اینگونه مسائل، شبکه عصبی پس انتشار خطا است. اما تعداد تکرار مورد نیاز تا رسیدن به خطایی با مقدار قابل قبول در الگوریتم پس انتشار خطا بالاست و در واقع در این الگوریتم شاهد زمان بالای همگرا شدن هستیم. برای حل این معضل و در عین حال برای استفاده از مزایای الگوریتم پس انتشار خطا، روش های زیادی ارائه شده اند که معمولا در این روش ها سعی می شود تا با بهینه نمودن پارامتر های شبکه و یا با بهینه نمودن ساختار شبکه با استفاده از الگوریتم های بهینه سازی، خطای شبکه را کاهش دهند. اما در این روش ها، کاری بر روی پارامتر کنترلی شیب که در واقع تعیین کننده فرم تابع حریک است، انجام نشده است. در این مقاله، با استفاده از الگوریتم ژنتیک، خطایشبکه آموزش داده شده با استفاده از الگوریتم پس انتشار خطا را کاهش خواهیم داد. بتدا شبکه را با استفاده از الگوریتم پس انتشار خطا و به تعداد دلخواهی)مثلا 0555 ( سیکل، آموزش می دهیم. سپس با استفاده از الگوریتم ژنتیک شیب تابع تحریک)تابع سیگموید دو قطبی( تک تک گره های لایه پنهان را بهینه می کنیم تا خطای کل (MSE) کاهش یابد.

شبکه عصبی، الگوریتم پس انتشار خطا، الگوریتم ژنتیک، شیب تابع سیگموید، خطای شبکه