خلاصة:
یکی از تکنیکهای مناسب برای حل مسائل مهندسی جهت پیشبینی متغیرها در زنجیره تامین و نیز سیستمهایی که دارای پیچیدگی و عدم صراحت زیاد بوده و یا دادههای کافی درمورد آنها موجود نیست، استفاده از تئوری مجموعههای فازی و شبکه عصبی مصنوعی بوده است. این روش نسبت به سایر روشها در زمان نسبتا کوتاهتری به بررسی دادهها وکشف الگوی نهفته در آن جهت پیشبینی و یا تاثیرگذاری آن بر آینده میپردازد. سیستم استناج عصبی-فازی (انفیس)، شبکههای عصبی و مفاهیم منطق فازی را یکی میکند، میتواند از امکانات هر دو آنها در یک قاب بهره برد، که سیستم استنتاج آن مطابق با مجموعه قوانین فازی اگر-آنگاه است که قابلیت یادگیری برای تقریب زدن توابع غیرخطی را دارد. تعریف متغیرها بر اساس دادههای گذشته و تاثیر آن متغیرها در توالیهای زمانی گذشته به منظور پیشبینی وضعیت آینده از جمله کاربرد این روش است. لذا در این تحقیق به منظور پیشبینی میزان اهدای خون در مراکز اهدای خون بر اساس دادههای سالهای گذشته از تکنیک انفیس استفاده شده، از آنجایی که هر روش پیشبینی دارای میزان خطای مخصوص به خود است. به منظور کاهش خطای روش مذکور از الگوریتم فراابتکاری وال به منظور بهبود مقادیر پارامترهای سیستم عصبی -فازی استفاده شده که نتایج حاصله نشان دهنده کاهش خطای جذر میانگین مربعات پیشبینی از 0. 00261 به 0. 00153 در الگوریتم ترکیبی انفیس-وال و بهبود 41 درصدی آن نسبت به روش انفیس خواهد بود.
Artificial neural networks and fuzzy sets theory is one of appropriate techniques to solve engineering problems in order to predict variables of supply chains and, also, of systems with high complexity and implicitly which provide no sufficient data. The main advantage of this technique over others, which lies in the short time of data examination and algorithm discovery, is in the line with that prediction and/or its influence on the future. Adaptive neuro-fuzzy inference system (ANFIS) combines neural networks with fuzzy logic concepts and is able to use capabilities of both in one framework, the inference system of which is in conformity to fuzzy "if-then" rules having potential for learning how to approximate non-linear functions. Among applications of this technique are to define variables based on the past data and their impacts on the past temporal sequences in order to predict future conditions. This research, therefore, uses neuro-fuzzy technique in order to blood donation based on data from the past years. Since each technique has its own error rates, Metaheuristic Whale Algorithm is used to reduce errors of ANFIS by improving the parameter values of neuro-fuzzy systems. The obtained results show a reduction of the RMSE of prediction from 0.00261 to 0.00153 in the ANFIS-WOA and a 41% improvement over the ANFIS method.
ملخص الجهاز:
پژوهش هاي نوين در تصميم گيري دوره ٦، شماره ٢، تابستان ١٤٠٠، صص ٤٩-٧٠ نوع مقاله : پژوهشي طراحي يک سيستم بهبوديافته استنتاج عصبي– فازي مبتني بر الگوريتم بهينه سازي وال به منظور پيش بيني ميزان اهداي خون طاهر کوچکي تاجاني ١، علي محتشمي ٢*، مقصود اميري ٣، رضا احتشام راثي ٤ ١.
تاريخ ارسال : ١٣٩٩/٠٩/٢٤ تاريخ پذيرش : ١٣٩٩/١١/٠٧ چکيده يکي از تکنيک هاي مناسب براي حل مسائل مهندسي جهت پيش بيني متغيرها در زنجيره تأمين و نيز سيستم هايي که داراي پيچيدگي و عدم صراحت زياد بوده و يا داده هاي کافي درمورد آن ها موجود نيست ، استفاده از تئوري مجموعه هاي فازي و شبکه عصبي مصنوعي بوده است .
لذا در اين تحقيق ما به دنبال طراحي و توسعه و برنامه نويسي سيستمي مي باشيم که با استفاده از داده هاي گذشته موجود در مراکز اهدا، به کمک تلفيق سيستم فازي و شبکه عصبي (انفيس )١ به پيش بيني مقادير تقاضا در دوره هاي آتي بپردازيم .
لذا به منظور کاهش مقادير خطا سيستم عصبي – فازي طراحي شده را با استفاده از الگوريتم فراابتکاري وال ٢ بهبود خواهيم داد تا ميزان خطاي پيش بيني کاهش يابد.
, Designing and optimizing a sustainable supply chain network for a blood platelet bank under uncertainty.
Morovati sharifabadi, Forecast consumption energy of Iran using Hybrid model of artificial neural networks and genetic algorithms and Compared with traditional methodes.
Jamali, Design of ANFIS networks using hybrid genetic and SVD methods for modeling and prediction of rubber engine mount stiffness.