توسعه شبکه عصبی تصمیم مبتنی بر الگوریتم ژنتیک برای ارزیابی ارجحیات در مسائل تصمیم گیری چندهدفه

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 50

فایل این مقاله در 27 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SAIM-4-3_006

تاریخ نمایه سازی: 24 آذر 1402

چکیده مقاله:

بکارگیری شبکه های عصبی در تخمین و توصیف ساختار ارجحیت های تصمیم گیرنده، در حل مسائل تصمیم گیری چندهدفه در سال های اخیر بسیار مورد توجه قرار گرفته است. شبکه عصبی تصمیم رویکردی نوین برای تخمین تابع مطوبیت تصمیم گیرنده در مسایل چندهدفه است. توسعه و بهبود روش های آموزش این نوع از شبکه ها، یافتن راه حل مرجح در مسایل چندهدفه، به خصوص مسایل با ابعاد بزرگ را تسهیل می نماید. در این مقاله، به منظور غلبه بر مشکلات روش های آموزشی مبتنی بر گرادیان و با هدف افزایش کارآیی شبکه عصبی تصمیم روش آموزشی آن توسعه داده شده است و از الگوریتم ژنتیک برای آموزش این شبکه عصبی استفاده می شود. برای تنظیم پارامترهای شبکه عصبی تابع هزینه بهبود یافته ای پیشنهادی می شود و بر اساس این تابع هزینه پارامترهای شبکه عصبی بهینه سازی می شوند. رویکرد پیشنهادی در حل چندین مثال کاربردی بکارگرفته شده است که نتایج نشان می دهند که رویکرد پیشنهادی روشی کارآ به منظور تخمین تابع مطلوبیت –به خصوص غیرخطی- در حل مسائل تصمیم گیری چندهدفه می باشد. همچنین رویکرد پیشنهادی در تخمین توابع مطلوبیت مسائل چندهدفه گسسته نیز قابلیت بکارگیری دارد.

کلیدواژه ها:

مسائل تصمیم گیری چندهدفه ، تابع مطلوبیت ، آموزش شبکه عصبی تصمیم ، الگوریتم ژنتیک

نویسندگان

محدثه نادرشاهی

دانشجوی دکتری، گروه مهندسی صنایع، دانشگاه پیام نور، تهران، ایران

اعظم دخت صفی صمغ آبادی

استادیار گروه مهندسی صنایع، بخش فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

رضا توکلی مقدم

استاد دانشکده مهندسی صنایع، پردیس دانشکده های فنی، دانشگاه تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Yao, X., Evolving artificial neural network, Proc. IEEE, ۱۹۹۹, vol. ...
  • Mitchell, M., An introduction to genetic algorithm (Complex Adaptive Systems), ...
  • Wang, J., & Malakooti, B., A feed forward neural network ...
  • Sun, M., Stam, A., Steuer, R. E., Interactive multiple objective ...
  • Haykin, S., Neural networks: A comprehensive foundation. New York: Macmillan, ...
  • Hecht-Nielsen, R., Theory of the backpropagation neural networks, International Joint ...
  • Chen, J., Lin, S., A neural network approach - decision ...
  • Chen, J. & Lin, S., An interactive neural network-based approach ...
  • Lang, K. J., Waibel, A.H., Hinton, G.E., A Time-delay neural ...
  • Whitley, D., Starkweather, T., Bogart, C., Genetic algorithm and neural ...
  • Stanley, K. O., Miikkulainen, R., Evolving neural network through augmenting ...
  • Fels, S. S., Hinton, G. E., Glove-talk: A neural network ...
  • Knerr, S., Personnaz, L., Dreyfus, G., Handwritten digit recognition by ...
  • Sutton, R. S., Two problems with backpropagation and other steepest-descent ...
  • Whitley, D., The GENITOR algorithm and selection pressure: why rank-based ...
  • Porto, V. W., Fogel, D. B., Alternative neural network training ...
  • Bartlett, P., Downs, T., Training a neural network with a ...
  • Sexton, R., S., Dorsey, R., E., Johnson, J., D., Toward ...
  • Topchy, A.P., lebedko, O. A., Neural network training by means ...
  • Kinnebrock, W., Accelerating the standard backpropagation method using a genetic ...
  • Chen, Y. M.,OConnell, R. M. Active power line conditioner with ...
  • Belew, R. K., McInerney, N. N. schraudolph, Evolving networks: using ...
  • Hancock, P. J. B., Genetic Algorithms and permutation problems: a ...
  • Montana, D. Davis, L., Training feed forward neural networks using ...
  • Deb, K., Anand, A., Joshi, D., A computationally efficient evolutionary ...
  • Cantu-paz, E., Kamath, C., An empirical comparison of combinations of ...
  • Malakooti, B., Zhou, Y., Feed-forward artificial neural networks for solving ...
  • Sun, M., Stam, A., Steuer, R. E., Solving multiple objective ...
  • Malakooti, B., Zhou, Y., Approximating polynomial functions by feedforward artificial ...
  • QU, Li Li, Chen, Yan, An interactive integrated MCDM based ...
  • Rumelhart, D. E., Geoffrey, E. H., Walliams, R.J., Learning representations ...
  • Mahajan, R., Kaur, G., Neural network using genetic algorithm, International ...
  • نمایش کامل مراجع