محسن نژاد شاهبداغی - دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران
سید محمدرضا موسوی میرکلایی - استاد دانشکده مهندسی برق، نویسنده مسئول، دانشگاه علم و صنعت ایران، تهران، ایران
سعید عبادالهی - استادیار دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

اکثر پدیده های در جهان پیرامون ما، با یک سیستم غیرخطی قابل مدل سازی هستند. رفتار این سیستم ها اغلب به صورت آشوبناک می باشد. بنابراین طراحی سیستم های پیش بینی کننده و شناسگر برای اینگونه رفتارهای آشوبناک از چالش های مهم می باشد. در این مقاله، از بین انواع سیستم های آشوبناک، نوع مکی-گلاس انتخاب شده است و برای پیش بینی این سیستم از شبکه های عصبی تطبیقی که به وسیله ی انواع روش های فرا ابتکاری آموزش دیده اند، استفاده می شود. روش های فرا ابتکاری که برای آموزش شبکه عصبی چندلایه مورد استفاده قرار گرفته اند، شامل الگوریتم های ژنتیک، پرندگان یا ازدحام ذرات، کلونی مورچگان، استراتژی تکاملی و الگوریتم پیشنهادی مبتنی بر جغرافیای زیستی می باشد. نتایج شبیه- سازی نشان می دهد که اگر آموزش شبکه عصبی بر اساس الگوریتم فرا ابتکاری پیشنهادی جغرافیای زیستی صورت گیرد، دقت آموزش و آزمون نسبت به دیگر روش های ابتکاری بیان شده به ترتیب 38.5 و 78.5 درصد بهبود خواهد داشت.

سری های زمانی، مکی-گلاس، شبکه عصبی چند لایه، روش های فرا ابتکاری