بهینه سازی مبتنی بر قابلیت اعتماد چلیک های دولایه با استفاده از الگوریتم جستجوی الگو و شبکه عصبی بهینه شده به عنوان مدل جایگزین

در این تحقیق، یک روش مبتنی بر مدل جایگزین شبکه عصبی بهینه شده برای حل مسائل بهینه سازی مبتنی بر قابلیت اعتماد سازه ها ارائه شده است. ایده اصلی یافتن مدل جایگزینی است که در فضای متغیر ها به اندازه کافی تعمیم یافته باشد و همچنین در فرایند آموزش، دچار پدیده بیش برازش نشده باشد. به این ترتیب، ابتدا با استفاده از جعبه ابزارSM ، یک مجموعه داده از ورودی ها و خروجی های مساله ایجاد می شود. سپس یک مساله بهینه سازی برای به دست آوردن بهترین عملکرد شبکه عصبی حل می شود. متغیرهای طراحی در مرحله آموزش شبکه عصبی، تعداد لایه های تعریف شده در شبکه عصبی، تعداد نرون های هرلایه و نوع توابع انتقال در نظر گرفته شده اند. تابع هدف برابر با نسبت عملکرد که به صورت نسبت تعداد پارامترهای موجود در شبکه عصبی به تعداد اعضایی از مجموعه داده که در فرایند آموزش به کار می روند، تعریف می شود. در مرحله بعد، از الگوریتم جستجوی الگو برای حل مسائل بهینه سازی برمبنای قابلیت اعتماد استفاده شده است. برای نشان دادن کارایی روش ارائه شده، دو مثال عددی در نظر گرفته شده اند. در مثال نخست، یک خرپای ۱۰ عضوی دو بعدی و در مثال دوم، یک چلیک دو لایه ۸۳۲ عضوی مورد بررسی قرار گرفته اند. مثال اول برای هر دو حالت متغیرهای پیوسته و گسسته حل شده است. در مثال نخست، روش پیشنهادی ۳۲ برابر در حالت پیوسته و ۲۵ برابر در حالت گسسته سریع تر عمل کرده است. ( نسبت به حل مساله با مدل اصلی SAP ۲۰۰۰ و روش ابر مکعب لاتین). در هر دو مثال، مدل جایگزین به دست آمده از روش پیشنهاد شده عملکرد مورد نظر در داده های اعتبار سنجی و آزمون را تامین کرده است.

کلیدواژه ها:

بهینه سازی مبتنی بر قابلیت اعتماد ، بهینه سازی چلیک دولایه ، شبکه عصبی ، بیش برازش ، SAP۲۰۰۰