این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۹، شماره ۲، صفحات ۴۷۵-۴۸۲
عنوان فارسی طراحی بهینه چندهدفی شبکه فازی- عصبی توسط الگوریتم ترکیبی تکامل تفاضلی و تجمعی ذره براساس منطق فازی
چکیده فارسی مقاله شبکه‌های فازی- عصبی به‌دلیل کاربرد گسترده‌ای که در مدل‌سازی فرآیندهای پیچیده براساس داده‌های آزمایشگاهی دارند مورد توجه محققین قرار گرفته‌اند. در سیسم استنتاج فازی- عصبی هدف کاهش خطای پیش‌بینی سیستم نسبت به داده‌های اصلی است. تنظیم پارامترهای شبکه فازی- عصبی از اهمیت بسیار بالایی برخوردار است و بر عملکرد آن تاثیرگذار می‌گذارد. برای این منظور الگوریتم بهینه‌سازی جدیدی مبتنی‌بر ترکیب دو روش بهینه‌سازی تکامل تفاضلی و تجمعی ذره ارایه شده است. در این الگوریتم ضرایب سرعت عملگرها با استفاده از منطق فازی به‌صورت دینامیکی محاسبه می‌شوند. این ضرایب با توجه به شماره نسل و واریانس ذرات تنظیم می‌شوند. در الگوریتم پیشنهادی سعی شده است که در محل‌های کم‌جمعیت‌تر فضای جست‌وجو بیشتر کاوش شود و از گیرافتادن الگوریتم در نقاط بهینه محلی جلوگیری شود. در ادامه با بهینه‌سازی سه تابع معیار نتایج حاصل از الگوریتم تکامل تفاضلی و تجمعی ذرات و روش پیشنهادی با هم مقایسه می‌شوند و عملکرد قابل قبول الگوریتم ارایه شده، قابل لمس است. در انتها شبکه فازی- عصبی برای پیش‌بینی سری زمانی تابع مکی- گلاس تعریف شده است که با استفاده از الگوریتم ارایه‌شده و الگوریتم‌های تکامل تفاضلی و تجمعی ذره، توابع تعلق مربوط به ورودی و خروجی شبکه فازی- عصبی به‌صورت دوهدفه بهینه می‌شوند و نمودار پارتو به‌دست‌آمده از این روش‌ها با هم مقایسه می‌شوند که نشان‌دهنده عملکرد بهتر الگوریتم پیشنهادی است.
کلیدواژه‌های فارسی مقاله بهینه‌سازی،بهینه‌سازی تجمعی ذره،تکامل تفاضلی،منطق فازی،شبکه فازی- عصبی،
عنوان انگلیسی Multi-Objective Optimum Design of a Neuro-Fuzzy Network Using a Combined PSO and DE Algorithm Based on Fuzzy Logic
چکیده انگلیسی مقاله Because of the widespread application in complex modeling based on experimental data, neuro-fuzzy networks have attracted the attention of researchers. In the neuro-fuzzy inference system, the objective is to reduce the system's prediction error relative to the actual data. The regulation of parameters of neuro-fuzzy network is very important and affects its performance. So, a new optimization algorithm based on Particle Swarm Optimization (PSO) and Differential Evolution (DE) has been proposed. In this algorithm, the coefficients of the operator speed are calculated dynamically, using fuzzy logic. These coefficients are set according to the generation number and variance of the particles. Proposed operator leads the particles to explore and exploit the search domain more precisely. Next, the performance of the proposed algorithm is checked by optimizing three benchmarks and comparing it with the results, which are obtained by conventional PSO and DE. The results show that the proposed algorithm obtained better solution in comparison with DE and PSO and proved its performance and efficiency. Finally, a neuro-fuzzy system has been employed to forecast the time series of Mackey-Glass. The parameters of this neuro-fuzzy network are optimized by the new algorithm and the PSO and DE method multi-objectively and the Pareto charts obtained by each method of optimization are compared with each other, indicating the better performance of the new algorithm.
کلیدواژه‌های انگلیسی مقاله بهینه‌سازی,بهینه‌سازی تجمعی ذره,تکامل تفاضلی,منطق فازی,شبکه فازی- عصبی
نویسندگان مقاله حامد پورهاشم |
گروه دینامیک و کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

علی جمالی |
گروه دینامیک و کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

نادر نریمان‌‌زاده |
گروه دینامیک و کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

نشانی اینترنتی https://mme.modares.ac.ir/article_10593_6e45608968314d5147e27a8426924805.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات