رضایی نور, جلال, یاری ایلی, منصوره, هداوندی, اسماعیل, روزیهانی, محمدحسین. (1398). بهینه سازی شبکه عصبی ELM در مسئله پیشبینی. فصلنامه مدیریت توسعه و تحول, 1398(37), 25-34.
جلال رضایی نور; منصوره یاری ایلی; اسماعیل هداوندی; محمدحسین روزیهانی. "بهینه سازی شبکه عصبی ELM در مسئله پیشبینی". فصلنامه مدیریت توسعه و تحول, 1398, 37, 1398, 25-34.
رضایی نور, جلال, یاری ایلی, منصوره, هداوندی, اسماعیل, روزیهانی, محمدحسین. (1398). 'بهینه سازی شبکه عصبی ELM در مسئله پیشبینی', فصلنامه مدیریت توسعه و تحول, 1398(37), pp. 25-34.
رضایی نور, جلال, یاری ایلی, منصوره, هداوندی, اسماعیل, روزیهانی, محمدحسین. بهینه سازی شبکه عصبی ELM در مسئله پیشبینی. فصلنامه مدیریت توسعه و تحول, 1398; 1398(37): 25-34.
1دانشیار، گروه مهندسی صنایع، دانشگاه قم، قم، ایران(عهده‌دار مکاتبات)
2دانشجوی دکتری، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران
3استادیار، گروه مهندسی صنایع و کامپیوتر، دانشگاه صنعتی بیرجند، بیرجند، ایران
4دانش آموخته دکتری، گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران
چکیده
برای محیط همیشه در حال تغییر این دوران و تغییر در شیوه تعاملات شرکتها با تامینکنندگان و مشتریان و پیچیدگی بازارها، کاهش دوره عمر محصولات و اهمیتیافتن زمان پاسخگویی به مشتریان، پیشبینی تقاضای محصول عامل حیاتی برای رقابتپذیری سازمانها میباشد. با پیشبینی دقیق الگوهای تقاضا، دولت و تولیدکنندگان میتوانند براساس میزان و جهت جریان آتی تولید، برنامه ریزیها را سازماندهی کنند و زیرساخت بهتری در رشد صنعت مهیا سازند. با هدف ارائه یک ابزار دقیق پیشبینی در صنعت فولاد، این مطالعه، به بهینه سازی شبکه عصبی ELM به کمک الگوریتم ژنتیک میپردازد. که در آن پارامترهای شبکه، از قبیل تعداد و توابع فعالسازی نورونها در لایه مخفی، وزنهای اتصالی بین ورودیها و نورونهای لایه مخفی، بایاس نورونهای لایه مخفی و (پارامتر تنظیمسازی)، به کمک الگوریتم ژنتیک تعیین میشود. برای پیشبینی تقاضا فولاد خام کشور، داده های مرتبط با تولید و مصرف فولاد خام و محصولات فولادی کشور، بصورت ماهیانه و در بازه زمانی دی ماه 88 تا مرداد ماه 92 (جمعاً 44 نمونه و 22 مشخصه) جمع آوری گردید. دادههای دی ماه 88تا بهمن91 در آموزش شبکه و داده های مربوط به اسفند91 تا مرداد 92 در آزمون شبکه استفاده شد. برای نشان دادن کارایی مدل پیشبینی کننده،مقایسهی عملکرد از لحاظ دقت پیشبینی و سرعت یادگیری بین الگوریتم ELM بهینه شده باالگوریتم ELM و سایر شبکههای عصبی صورت گرفته است. معیارهای پیشبینی نشاندهندهی عملکرد خوب ELM بهینه شده نسبت به سایر شبکههای عصبی میباشد. براساس آزمونهای آماری و خطاهای RMSE و MAPE نتایج نشان میدهد که دقت ELM به مراتب بهتر از سایر روشهای شبکه عصبی است. بهعلاوه، مدل ELM دو بار سریعتر از شبکههای عصبی کلاسیک است. براساس یافتهها میتوان به یقین گفت که بین الگوریتمهای مورد بررسی، ELM ابزار دقیقتر و قویتری در مسئله تقاضای فولاداست.اﻟﺒﺘﻪ نوع بهینه یافته شبکه عصبی ELM دقت بهتری در مدلسازی تابع تقاضا داشته است ، وﻟﯽ روش ELM از نظرزمانی بهینهتر بوده است.
ابتدای صفحه