توسعه نظام تقویت تصمیم گیری مبتنی بر شبکه های عصبی و الگوریتم ژنتیک

چکیده

کلمات مهم

1.مقدمه  

2.پیش بینی 

جدول 1. روش های گسترده آماری پیش بینی سری زمانی

3.شبکه های عصبی بازه ای

شکل 1. نمودار سمت چپ نتیجه شبکه عصبی بازه ای و نمودار سمت راست نتیجه دو شبکه عصبی استاندارد را نشان می دهد. خطوط عمودی نمایانگر بازه های خروجی مجموعه های آموزشی هستند.

شکل 2. طرح شبکه عصبی بازه ای با یک لایه پنهان ( n – تعداد نورون های ورودی، m تعداد نورون های پنهان، k – تعداد نورون های خروجی)

4. انتخاب مهم ترین ویژگی ها

جدول 2. ویژگی های رقابتی روش ها

5.کاربرد واحدهای پردازش نمودارها (GPU) برای محاسبات موازی  

6.توضیح مفصل سیستم پیشنهادی

شکل 3. نمودار کاربردی سیستم پیشنهادی

الگوریتم سیستم 

جدول 3. زمان اجرایی وابسته به نوع محاسبات

7.تحلیل روش های مشابه

8.نمونه کاربردی

جدول 4. پیش بینی آب و هوا 

9.نتایج

باتوجه به حجم روزافزون اطلاعات و پیچیدگی نظام مهندسی، اقتصادی و اجتماعی ارزیابی داده های ورودی و مدیریت صحیح چنین نظامی بسیار دشوار است. درحالی که نظام تقویت تصمیم گیری نوآورانه (DSS) به تازگی توسعه یافته ریسک ضررهای جدی را به حداقل می رساند برای دستیابی به نتایج بهینه تلاش می کند. هدف DSS کمک به تصمیم گیرنده ای است که با مشکل مقادیر زیاد داده ها و واکنش مبهم نظام های پیچیده وابسته به عوامل خارجی مواجه می شود. انتظار می رود DSS ها به وسیله بررسی دقیق و عمیق شاخص های دقیقا پیش بینی شده و تصمیمات بهینه را در اختیار کاربران قرار دهند. در این مقاله ساختار جدید DSS را مطرح می کنیم که که می تواند در محدوده گسترده ای از کارهای دشوار تا رسمی به کار رود و به سرعت بالایی از محاسبه و تصمیم گیری دست یابد. روش های مختلف تعیین وابستگی متغیر هدف به داده های ورودی و رایج ترین روش های پیش بینی آماری را بررسی می کنیم. بدین منظور مزایای کاربرد شبکه های عصبی مورد بحث قرار می گیرند. اعمال شبکه های عصبی بازه ای را برای محاسباتی مطرح می کنیم که دارای داده های کمتر تعیین شده (بازه) هستند که کاربرد DSS ما را در محدوده گسترده ای از کارهای پیچیده امکان پذیر می سازد. الگوریتم یادگیری متناظر را برای شبکه های عصبی بازه ای توسعه می دهیم. مزایای کاربرد الگوریتم ژنتیک (GA) برای انتخاب مهم ترین ورودی ها نشان داده شده است. کاربرد محاسبات اهداف کلی در واحدهای پردازش نمودارها (GPGPU) را برای دستیابی به محاسبات سریع با نظام تقویت تصمیم گیری مورد نظر توجیه می کنیم. نمودار کاربردی این نظام ارائه شده و مورد بحث قرار گرفته است. نتایج و نمونه های کاربرد DSS بیان شده است.

ایده های مدرن جمع آوری، پردازش و اعمال دانش در نظام تقویت تصمیم گیری (DSS) به کار می رود، یعنی سیستم های اطلاعات مبتنی بر کامپیوتر برای کمک به تصمیم گیری های پیچیده تا بررسی عمیق تر و متمرکز حوزه موضوعی طراحی شده است. ایجاد DSS ناشی از ادغام سیستم های اطلاعات اداری و سیستم های مدیریت پایگاه داده است. به منظور بررسی و ایجاد تصمیمات مختلف در DSS روش های مختلفی به کار می روند که عبارتند از جستجوی اطلاعات و دانش در پایگاه داده، بررسی داده ها و موقعیت، استدلال مبتنی بر سابقه، مدل شبیه سازی، محاسبات تکاملی و الگوریتم ژنتیک (GA)، شبکه های عصبی، مدل سازی شناختی و غیره. اگر DSS مبتنی بر روش های هوش مصنوعی باشد DSS عقلانی و یا IDSS نامیده می شود. فرد با استفاده از DSS می تواند یک کار ساختار نیافته، نیمه ساختاری و یا چند معیاره را حل کند. هیچ تعریف استانداردی از عبارت «DSS» و یا طبقه بندی پذیرفته شده جهانی آن وجود ندارد. محققان براساس تعامل کاربر – سیستم (هاتنشویلر، 1999)؛ نوع حمایت (پاور، 2007)، و یا روش های دیگر (آلتر، 1980؛ گولدن، هونر، و پاور، 1086؛ هولاساپل و وینستون، 1996) معیارهای متفاوت طبقه بندی را مطرح می کنند. باتوجه به IDC و EMC (2011) حجم اطلاعات به وجود آمده توسط افراد هر دو سال یک بار دو برابر می شود. این امر باعث مشکل استخراج اطلاعات لازم از منابع نامحدود می شود. درحال حاضر داده کاوی به طور فعال به عنوان راه حلی برای این مشکل توسعه می یابد. هدف این روش تشخیص اطلاعات لازم و توضیح روابط داخلی میان مقادیر هنگفتی از داده های خام است. فرایند استخراج دانش در مراحل اولیه طراحی سیستم متخصص هوشمند (ES) و DSS بسیار دشوار و طاقت فرسا است و اگر پایگاه داده در حوزه های موضوعی به خوبی ساختار نیافته حاوی اطلاعات ناقص، مبهم، چندگونه ای و یا ناسازگار باشد همواره موفق نیست. گ. سیمون (1984) برای تعیین دامنه وسیعی از مسائلی که دارای ویژگی های زیر است عبارت «به خوبی ساختار نیافته» را ارئه کرد: تعاریف مبهم، تغییر شرایط، موقعیت های وابسته به مجموعه ای از زمینه ها، ناپایداری، ابهام، ناتمامی، مغایرت، اعتماد ناپذیری و تنوع داده های اولیه. بنابراین، داده کاوی هوشمندانه روش نویدبخشی را برای حل مشکلات ذکر شده در بالا ارائه می کند. بنابه گفته فیاد، پیاتتسکی- شاپیرو، و اسمیت (1996) شش نوع کار را می توان در داده کاوی متمایز کرد که عبارتند از طبقه بندی، رگرسیون، خوشه بندی، خلاصه سازی، مدل سازی وابستگی، تشخیص تغییر و انحراف. اخیرا کارهای نوع دوم تعداد فزاینده ای از محققان را جذب کرده است که مبنای تحلیل عمل کاربران اینترنت، شناسایی وابستگی های زبانی در متون زبان طبیعی، تحلیل شرح حال برای پیش بینی بیماری های احتمالی، تعیین توالی DNA، و همچنین پیش بینی روند مبادلات مالی است. برای مثال، از دیدگاه محققان مبادلات تعداد زیادی از توالی های عددی (متناظر با نقاط زمانی خاص) معروف به سری زمانی را ایجاد می کند. سری زمانی توالی داده های آماری براساس مقادیر پارامتری جمع آوری شده در نقاط زمانی مختلف است. داده های سری زمانی دارای ترتیب زمانی طبیعی هستند که هر مقدار به ترتیب با زمان اندازه گیری و یا عدد اندازه گیری مشخص می شود. سری زمانی به طور قابل توجهی از انتخاب داده های ساده متفاوت است زیرا تجزیه و تحلیل نه تنها تنوع آماری و ویژگی های انتخاب بلکه همبستگی بین اندازه گیری ها و زمان را نیز را در نظر می گیرد (اشموجلوا، 2002). وظیفه مهم اکثر حوزه های فعالیت های انسانی پیش بینی سری زمانی است، مانند: 1. پزشکی (برای مثال. پیش بینی واکنش به فرمول بندی های مختلف و دوزهای یک دوره درمانی)؛ 2. زیست شناسی (پیش بینی ویژگی های فیزیولوژیکی و روانشناختی حیوانات و انسان ها)؛ 3. جامعه شناسی (پیش بینی روابط اجتماعی و شاخص های جمعیت شناختی)؛ 4. اقتصاد ( پیش بینی حجم فروش، نرخ مبادله ارز و قیمت سهام)