توسعه سیستم پشتیبانی از تصمیم گیری بر اساس شبکه های عصبی و یک الگوریتم ژنتیک
چکیده
با توجه به افزایش روزافزون حجم اطلاعات و پیچیدگی مهندسی، سیستم های اجتماعی و اقتصادی، ارزیابی داده های ورودی و مدیریت این سیستم ها به صورت صحیح دشوار شده است. سیستم های پشتیبانی تصمیم گیری جاری (DSS) تلاش دارند تا به نتایج بهینه دست پیدا کنند و در عین حال ریسک های تلفات جدی را به حداقل برسانند. هدف این DSS کمک به تصمیم گیرنده است که با مسئله حجم بسیار زیاد از داده ها و واکنش های مبهم سیستم های پیچیده بسته به عوامل خارجی مواجه است. با استفاده از تحلیل دقیق و عمیق، DSSها انتظار می رود که برای کاربران نشانگرهای پیش بینی شده دقیق و تصمیم های بیهنه را فراهم کنند. در این مقاله ما یک ساختار جدید DSS را پیشنهاد می کنیم که می تواند در دامنه گسترده از کارهای دشوار تا رسمی استفاده و به سرعت بالای محابسه و تصمیم گیری دست پیدا کند. ما رویکردهای مختلف به تعیین وابستگی یک متغیر هدف به داده های ورودی را ارزیابی کرده و رایج ترین روش های پیش بینی آماری را بازبینی می کنیم. مزایای استفاده از شبکه های عصبی برای این هدف توصیف شده اند. ما استفاده از شبکه های عصبی میانی را برای محاسبات با داده های میانی پیشنهاد می کنیم که به کاربر این امکان را می دهد تا DSS ما را در یک دامنه گسترده از کارهای پیچیده استفاده کند. ما یک الگوریتم یادگیری متناظر را برای شبکه های عصبی میانی نیز ایجاد کردیم. مزایای استفاده از یک الگوریتم ژنتیک (GA) برای انتخاب معنی دارترین ورودی ها نشان داده شده اند. ما استفاده از محاسبه با هدف کلی بر روی واحدهای پردازش گرافیک (GPGPU) را برای رسیدن به محاسبات سرعت بالا با سیستم پشتیبانی سرعت بالا در پرسش توجیه می کنیم. یک نمودار کارکردی از سیستم نیز ارائه و توصیف شده است. نتایج و نمونه های استفاده از DSS نشان داده شده اند.
1. مقدمه
ایده های مدرن در رابطه با جمع آوری، پردازش و استفاده از دانش در سیستم های پشتیبانی تصمیم گیری (DSS) استفاده می شوند، مانند سیستم های اطلاعات مبتنی بر کامپیوتر که برای کمک به تصمیم های پیچیده از طریق تحلیل عمیق و متمرکز حوزه موضوع طراحی شده اند. ایجاد DSS ناشی از ترکیب سیستم های اطلاعات اجرایی و سیستم های میدریت پایگاه داده است. مجموعه ای از روش ها برای تحلیل و ایجاد انواع مختلف از تصمیم گیری ها در DSS استفاده شده اند مانند جستجو برای اطلاعات و دانش در پایگاه داده، تحلیل شرایط و داده ها، استدلال مبتنی بر گذشتخ، مدلسازی شبیه سازی، محاسبات تکاملی و الگوریتم های ژنتیک (GA)، شبکه های عصبی، مدلسازی شناختی و غیره.
abstract
Given ever increasing information volume and complexity of engineering, social and economic systems, it has become more difficult to assess incoming data and manage such systems properly. Currently developed innovative decision support systems (DSS) aim to achieve optimum results while minimizing the risks of serious losses. The purpose of the DSS is to help the decision-maker facing the problem of huge amounts of data and ambiguous reactions of complicated systems depending on external factors. By means of accurate and profound analysis, DSSs are expected to provide the user with precisely forecasted indicators and optimal decisions. In this paper we suggest a new DSS structure which could be used in a wide range of difficult to formalize tasks and achieve a high speed of calculation and decision-making. We examine different approaches to determining the dependence of a target variable on input data and review the most common statistical forecasting methods. The advantages of using neural networks for this purpose are described. We suggest applying interval neural networks for calculations with underdetermined (interval) data, which makes it possible to use our DSS in a wide range of complicated tasks. We developed a corresponding learning algorithm for the interval neural networks. The advantages of using a genetic algorithm (GA) to select the most significant inputs are shown. We justify the use of generalpurpose computing on graphics processing units (GPGPU) to achieve high-speed calculations with the decision support system in question. A functional diagram of the system is presented and described. The results and samples of the DSS application are demonstrated.
1. Introduction
Modern ideas on collecting, processing and applying knowledge are used in decision support systems (DSS), i.e. computer-based information systems designed to assist in making complicated decisions through a more profound and focused analysis of the subject area. The creation of DSS resulted from a merge of administrative information systems and database management systems. A variety of methods are used to analyze and generate different types of decisions in DSS, e.g. search for information and knowledge in databases, situation and data analysis, precedent-based reasoning, simulation modeling, evolutionary calculations and genetic algorithms (GA), neural networks, cognitive modeling, etc. If a DSS is based on artificial intelligence methods, it is called an intellectual DSS, or IDSS. Using a DSS, one could solve an unstructured, semistructured or even a multicriteria task.
چکیده
1. مقدمه
2. پیش بینی
3. شبکه های عصبی میانی
4. انتخاب معنی دارترین نگرش ها
5. استفاده از واحدهای پردازش گرافیکی (GPU) برای محاسبات موازی
6. توضیح مفصل سیستم پیشنهادی
7. تحلیل روش های مشابه
8. مثال کاربردی
9. نتیجه گیری
abstract
1. Introduction
2. Forecasting
3. Interval neural networks
4. Selection of the most significant attributes
5. Usage of graphics processing units (GPU) for parallel calculations
6. Detailed description of the proposed system
7. Analysis of similar approaches
8. Application example
9. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه