غلام حسن شیردل - گروه ریاضی، دانشکده علوم، دانشگاه قم، قم، ایران
مدینه فرنام - گروه ریاضی، دانشکده علوم، دانشگاه قم، قم، ایران

شبکه های عصبی مصنوعی ANNs برای توانایی قابل اعتماد آنها در پیش بینی و ثبت فرآیندهای غیرخطی داده های علمی مطرح شده اند.از آنجا که ماهیت ابتکاری برآورد پارامترهای وابسته به ANNs و مشکل بیش برازش در آنها باعث کمبود الگوریتم های تخمین زننده اندازه آموزشی شده است و از سیر تکاملی آنها به عنوان مدل های کارآمد جایگزین جلوگیری میکند، در این کار قصد داریم الگوریتمی جدید با ساختارشبکه های عصبی مصنوعی را به نام TRANSFORM با هدف برآورد کردن شبیه سازی و بهینه سازی ساختار ANNبرای تعیین اندازه آموزشی مشارکت دهیم به گونه ای که بیشترین دقت، کمترین اندازه نمونه و کمترین تعداد گره در ANN حاصل شود. علاوه براین مدل های کارآمد جدیدی برای تعیین اندازه آموزشی براساس نمونه گیری Sobol ارائه شده است. الگوریتم TRANSFORM برای یک مدل ذوب صنعتی غیرخطی از صنایع فولاد استفاده شده است. بهینه سازی چندهدفه مدل ذوب برای بیشترین بهره وری، بیشترین صرفه جویی در انرژی و حداقل هزینه عملیاتی با استفاده از ANN و به کمک الگوریتم ژنتیک چند هدفه مرتب شده نامغلوب NSGA-II تضمین می شود. بهینه سازی به کمک این الگوریتم 13 بار سریع تر از بهینه سازی به روش درون یابی کریجینگ Kriging Interpolation می باشد.

شبکه عصبی مصنوعی، برنامه ریزی چندهدفه، الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب