مسلم ثروتی - دانشگاه ارومیه
حمیدرضا ممتاز - دانشگاه ارومیه

در دهه های اخیر اندازه گیری غیرمستقیم ظرفیت تبادل کاتیونی (CEC) با استفاده از توابع انتقالی مختلف موفقیت آمیز بوده است. شبکه عصبی مصنوعی (ANN) نسبت به روش های رگرسیون آماری دارای نتایج مناسب تری بوده ولی با داده های اندک کارایی بالایی نداشته و از سوی دیگر فاقد یک روش استقرایی جامع در انتخاب الگوریتم یادگیری شبکه و توقف در حداقل محلی است. در این راستا استفاده از الگوریتم های بهینه سازی ضروری به نظر می رسد. هدف از این تحقیق، ارزیابی کارایی الگوریتم های کرم شب تاب (FA) و ژنتیک (GA) در تخمین CEC با استفاده از ANN است. برای نیل به اهداف فوق ۲۲۰ نمونه از منطقه گلفرج به صورت تصادفی برداشته شد. سپس مدل سازی با سه مدل ANN، شبکه عصبی مصنوعی-ژنتیک (ANN-GA) و شبکه عصبی مصنوعی-کرم شب تاب (ANN-FA) انجام شد. در این تحقیق شبکه های عصبی با ساختار پرسپترون چندلایه، با الگوریتم پس انتشار خطا، تابع آموزشی بایزین و تابع محرک سیگموئید آکسون با ۵ نرون مناسب ترین ساختار بوده است. نتایج نشان داد که مدل ANN-FA دارای بیشترین کارایی بوده، به طوری که ضریب تبیین و میانگین انحراف مربعات خطا و ضریب نش- ساتکلیف به ترتیب در مرحله آموزش ۹۴/۰، ۳۱/۱ و ۵۳/۰ و در مرحله آزمون ۹۷/۰، ۰۶/۱ و ۵۹/۰ بوده و مدل ANN-GA در مقام دوم از نظر کارایی بوده است. میانگین هندسی نسبت خطا ۸۴/۰ برای مدل ANN-FA بوده که نشان دهنده بیش برآوردی نسبی آن است. نهایتا مدل پیشنهادی برای تخمین ویژگی خروجی مناسب بوده و کاربرد الگوریتم بهینه سازی کرم شب تاب و ژنتیک، حاکی از کاربردی بودن این الگوریتم ها در فرآیندهایی با طبیعت پیچیده و غیرخطی است.

الگوریتم تلفیقی, بهینه سازی, ویژگی های زود یافت