مهدیه خراشادیزاده - کارشناسی ارشد علوم کامپیوتر، دانشگاه سیستان و بلوچستان
مرتضی جویبان - کارشناسی ارشد علوم کامپیوتر، دانشگاه علامه طباطبایی تهران

این مقاله الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری گاوسی همراه با یادگیری ساختاری و استدلال فازی را به منظور بهینه سازی وزن ها و پی ریزی شبکه عصبی پیشخور پیشنهاد می کند. شبکه های عصبی به طور گسترده ای برای کاربردهای متنوعی استفاده شده اند. الگوریتم های کلاسیک آموزش شبکه عصبی به طور مثال الگوریتم پس انتشار که غالبا به عنوان الگوریتم یادگیری استفاده شده، مشکلات متعددی نظیر ضرورت تعیین مشخصات پیشین ساختار شبکه و حساسیت در تنظیم پارامترها را دارد. اخیرا، تحقیقات میدانی الگوریتم های تاکملی را در جهت آموزش شبکه های عصبی به منظور بهبود عملکرد آن معرفی کرده اند. الگوریتم مورد استفاده در این مقاله الگوریتم مبتنی بر جمعیت و مستقل از پارامتر است که دارایمزیت همگرایی سریع می باشد. همچنین در کنار آن از دو مفهوم یادگیری ساختاری و استدلال فازی برای برقراری تعادل بین اکتشاف و بهره برداری استفاده کرده ایم. تعیین ساختار مناسب شبکه در چگونگی آموزش شبکه و در نهایت بهینه کردن خطای نهایی بی نهایت اثرگذار است، لذا در این مقاله تلاش کرده ایم با استفاده از نوعی الگوریتم مخرب ساختار بهینه شبکه عصبی را نیز جستجو کنیم. همچنین اندازه مناسب ساختار شبکه زمان محاسباتی را تحلیل می دهد. روش ارائه شده آموزش شبکه را بهبود می بخشد و دارای قابلیت اطمینان برای تعیین یک ساختار شبکه مناسب می باشد.

شبکه عصبی، الگوریتم تکاملی، یادگیری ساختاری، استدلال فازی