رجبعلی کشاورز - دانشجوی کارشناسی ارشد مهندسی کامپیوتر- نرم افزار -دانشگاه آزاد اسلامی
کارو لوکس - گروه علوم شناختی IPM ، ایران

تحلیل سریهای زمانی خصوصا سریهای زمانی آشوبی کاربردهای بسیاری در زندگی روزمره دارد زیرا بسیاری از دادههایی که حاصل مشاهدات ما از وقایع روزمره هستند از ساختاری شبیه به سریهای زمانی پیروی میکنند. در سالهای اخیر روشهای بسیاری برای پیش بینی سریهای زمانی معرفی شدهاند که در این میان استفاده از شبکههای عصبی و ساختارهای فازی بسیار مورد توجه واقع شده است. نمونهای از این مدلها مدل فازی عصبی خطی محلی تاکاگی-سوگنو همراه با یک الگوریتم یادگیری درخت مدل خطی محلی(LOLIMOT)است. از طرف دیگر الگوریتمهای مبتنی بر کلونی مورچه یا بهینهسازی مورچه (ACO)کاربردهای موفقی در بسیاری از مسائل بهینهسازی داشتهاند. یک الگوریتم کلونی مورچه یک روش ابتکاری و کاشفانه است که برگرفته از رفتار کلونیهای طبیعی مورچههاست و در بسیاری از مسائل با پیچیدگی زمانی غیر چند جملهای کارایی خوبی از خود نشان دادهاند. در این مقاله کوشیده ایم با نگاهی به مدلهای فازی عصبی خطی محلی و الگوریتمهای کلونی مورچه یک تابع اعتبار مبتنی بر این الگوریتمها جهت استفاده در مدل فازی عصبی و الگوریتم درخت مدل خطی محلیLOLIMOT ارائه کنیم. نتایج شبیهسازی حاکی است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص خطای کل پیش بینی بهتر از الگوریتم اولیه است.

الگوریتمهای کلونی مورچه (ACO) پیش بینی سریهای زمانی، مدلهای فازی عصبی خطی محلی LOLIMOT،ANFIS