بهینه یابی تعداد لایه ها و نرونهای شبکه عصبی مصنوعی به روش الگوریتم ژنتیک در پیش بینی جریان

در دهه های اخیر پیشرفت های چشمگیری در زمینه های مختلف به کارگیری شبکه های عصبی مصنوعی (ANN) به عنوان مدلی که با تجزیه و تحلیل اطلاعات موجود امکان پیش بینی را بدون نیاز به استخراج توابع پیچیده و روابط غیر خطی و نا مشخص فراهم می سازد، در بسیاری از علوم مختلف علمی و مهندسی به ویژه مهندسی آب حاصل شده است. با توجه به گستردگی پارامترهای شبکه عصبی مصنوعی جهت پیش بینی مطلوب لازم است زمان زیادی صرف کالیبراسیون این پارامترها گردد. بدیهی است که بدلیل عدم تبعیت ترکیب این اعداد از تابع خطی یا غیر خطی امکان بهینه سازی با روشهایی بر مبنای گرادیان مقدور نیست. در این تحقیق الگوریتم ژنتیک به عنوان یک ابزار بهینه سازی در تعیین ترکیب بهینه پارامتر های مؤثر در کالیبراسیون ضرایب ANN به کار گرفته شد. با انجام فرآیند فوق در یک مدل پیش بینی جریان تعداد لایه های مخفی و تعداد نرونهای مؤثر در هر یک از لایه ها به نحوی تعیین گردید که بهترین حالت در مقادیر پیش بینی شده جریان حاصل گردد. نتایج بیانگر سرعت بالای همگرایی الگوریتم ژنتیک و برتری کارائی آن در قیاس با انجام روش آزمون و خطا جهت انتخاب پارامتر های مؤثر بر شبکه می باشد.

Keywords:

پارامتر های شبکه عصبی مصنوعی , پیش بینی جریان , بهینه یابی , تعداد لایه و نرون , الگوریتم ژنتیک