| عنوان فارسی مقاله: | پرورش شبکه های عصبی پیش نگر ( فید فوروارد ) با استفاده از بهینه سازی ازدحام ذرات و الگوریتم جستجوی گرانشی |
| عنوان انگلیسی مقاله: | Training feedforward neural networks using hybrid particle swarm optimization and gravitational search algorithm |
نمونه متن ترجمه
چکیده
الگوریتم جستجوی گرانشی ( GSA ) یک روش بهینه سازی جدید ابتکاری است که بر قانون جاذبه و تعاملات جرمی مبتنی است. ثابت شده است که این الگوریتم توانایی خوبی برای جستجو برای رسیدن به حالت بهینه کلی داشته ، اما سرعت جستجوی آن در آخرین تکرار ها پایین است. این کار ، یک ترکیب از بهینه سازی ازدحام ذرات ( PSO ) و GSA را ارائه میدهد تا مشکلی که مطرح کردیم را ، حل کند. در این مقاله ، GSA و PSOGSA به عنوان روش های پرورش جدید برای شبکه های عصبی پیش نگر ( FNN ) مورد استفاده قرار گرفته است تا کارایی این الگوریتم ها را در کاهش مشکل گیر کردن در حالت بهینه ی موضعی و همگرایی آرام الگوریتم های یادگیری تکاملی فعلی ، مورد بررسی قرار دهد. نتایج با الگوریتم های استاندارد یادگیری مبتنی بر PSO برای FNN ها مقایسه کردیم. صحت به دست آمده برای FNN های پرورش یافته با PSO ، GSA و PSOGSA نیز مورد بررسی قرار گرفته است. نتایج آزمایشی نشان میدهد که PSOGSA ها از هر دو روش PSO و GSA برای FNN های پرورش یافته از نظر سرعت همگرایی و پیشگیری از حالت بهینه موضعی، بهتر عمل کرده است. همچنین ثابت شده است که FNN های پرورش یافته با استفاده از PSOGSA دارای صحت بهتر از مورد پرورش یافته با GSA ، میباشد.
