بهبود سیستم پیش بینی سوانح پروازی با الگوریتم شبکه عصبی غنی شده با استفاده از گرگ خاکستری چند هدفه

سوانح هوایی از جمله عواملی است که سالانه جان بسیاری از انسان ها را در گوشه و کنار این کره خاکی می گیرد. اگرچه سعی شده است با پیشرفت علوم و صنایع و تجهیزات مدرن پروازی و امکانات جدید مراقبت استاندارد پرواز و وسایل ماهواره ای علم هوانوردی حتی المقدور از این سوانح جلوگیری کرد با وجود این عوامل دیگری نظیر عوامل انسانی، عوامل طبیعی و عوامل جغرافیایی، در بروز سوانح هوایی موثرند. ارزیابی و مدیریت ایمنی پرواز یک ابزار اتوماسیون پیشرفته برای کاهش بیشتر خطرات به علت از دست دادن کنترل است. هنگامی که شرایط پرواز باعث از دست رفتن کنترل می شود، سیستم پیشنهادی در این مقاله هشدارهای مناسب و کنترل های انعطاف پذیر را برای حصول اطمینان از عملیات ایمن هواپیما، اعلام میکند. در این مقاله یک چارچوب برای مدل سازی به عنوان یک فرایند تصمیم گیری محدود توصیف میشود. تصمیم گیری های اتخاذ شده بر اساس یک سیاست مبتنی بر داده های پروازی مانند طول جغرافیایی، عرض جغرافیایی، محل حادثه، زمان رخداد، میزان خسارت، نوع هواپیما و فرودگاه است. در روش پیشنهادی الگوریتمی برای بدست آوردن ساختاری بهینه در شبکه های عصبی پیچیده معرفی گردید. بعد از طراحی الگوریتم از طریق آزمایشات متعدد نشان داده شد که توانایی الگوریتم پیشنهادی در تشخیص حالات منجر به بروز حادثه بسیار قابل توجه میباشد. دلیل این امر را می توان استفاده از الگوریتم گرگ خاکستری در بهینه سازی وزن ها، بایاس ها، تعداد لایه ها و تعداد نورون های هر لایه دانست. با استفاده از چارچوب پیشنهادی سیاست هایی ایجاد میشود که مانع از دست رفتن شرایط امن در هنگام بلند شدن هواپیما، نشستن هواپیما و همچنین طول مسیر طی شده میشوند. آزمایشات انجام شده روی دیتاست فدرال نشان میدهد که سیستم پیشنهادی خطای پیش بینی را به ۰.۰۴کاهش و دقت نتیجه نهایی الگوریتم پیشنهادی را با صحت ۰.۷۷ و فراخوانی ۰.۵۴ افزایش داده است.