خلاصة:
بکارگیری شبکههای عصبی در تخمین و توصیف ساختار ارجحیتهای تصمیمگیرنده، در حل مسائل تصمیمگیری چندهدفه در سالهای اخیر بسیار مورد توجه قرار گرفته است. شبکه عصبی تصمیم رویکردی نوین برای تخمین تابع مطوبیت تصمیمگیرنده در مسایل چندهدفه است. توسعه و بهبود روشهای آموزش این نوع از شبکهها، یافتن راه حل مرجح در مسایل چندهدفه، به خصوص مسایل با ابعاد بزرگ را تسهیل مینماید. در این مقاله، به منظور غلبه بر مشکلات روشهای آموزشی مبتنی بر گرادیان و با هدف افزایش کارآیی شبکه عصبی تصمیم روش آموزشی آن توسعه داده شده است و از الگوریتم ژنتیک برای آموزش این شبکه عصبی استفاده میشود. برای تنظیم پارامترهای شبکه عصبی تابع هزینه بهبود یافتهای پیشنهادی میشود و بر اساس این تابع هزینه پارامترهای شبکه عصبی بهینهسازی میشوند. رویکرد پیشنهادی در حل چندین مثال کاربردی بکارگرفته شدهاست که نتایج نشان میدهند که رویکرد پیشنهادی روشی کارآ به منظور تخمین تابع مطلوبیت –بهخصوص غیرخطی- در حل مسائل تصمیمگیری چندهدفه میباشد. همچنین رویکرد پیشنهادی در تخمین توابع مطلوبیت مسائل چندهدفه گسسته نیز قابلیت بکارگیری دارد.
The application of neural networks in estimating and describing the structure of decision makers' priorities has been very much considered in solving multi-objective decision problems in recent years. The neural network is a new approach to estimate the decision-making function of a multi-objective problem. Developing and improving the teaching methods of these types of networks facilitate to find the preferred solution in multi-dimensional issues, especially large-scale issues. In this paper, the educational method is developed to increase the efficiency of a neural network. In addition, a genetic algorithm is used to train this neural network. Furthermore, an improved cost function is proposed to adjust the parameters of the neural network and based on this function the cost parameters of the neural network are optimized. The efficiency of the proposed method is shown in solving several practical examples, including linear/nonlinear and discrete/continuous optimization problems. The efficiency of the proposed method is shown in solving several practical examples, including linear/nonlinear and discrete/continuous optimization problems.
ملخص الجهاز:
در اين مقاله ، به منظور غلبه بر مشکلات روشهـاي آموزشـي مبتنـي بـر گراديان و با هدف افزايش کارآيي شبکه عصبي تصميم روش آموزشـي آن توسـعه داده شـده اسـت و از الگوريتم ژنتيک براي آموزش اين شبکه عصـبي اسـتفاده مـ شـود.
Decision Neural Network پژوهش هاي نوين در تصميم گيري __________________________________دوره ٤، شماره ٣، پاييز١٣٩٨ کارايي روش پيشنهادي در حل مسئله تصميم گيري چنـد هدفـه بـا توابـع مطلوبيـت خطـي و غيرخطي ارزيابي ميشود.
Multi Layer Perceptron پژوهش هاي نوين در تصميم گيري __________________________________دوره ٤، شماره ٣، پاييز١٣٩٨ بردار مقادير توابع هدف به ازاي راه حل کاراي اول : Z1 / شکل ٢ساختار DNN از آنجا که هر شبکه عصبي پيشرو سه لايه (لايه هاي ورودي، مياني و خروجي) با تعداد عصب کافي در لايه پنهان ميتواندهر تابع پيوسته را تخمين بزند [٦]، در رويکردهاي مبتني بر شبکه هاي عصبي براي حل مسائل تصميم گيري چندهدفه پـس از آمـوزش شـبکه عصـبي توسط دادههاي آموزشي، شبکه قادر خواهد بود کـه تـابع مطلوبيـت مسـئله را تخمـين بزنـد.
بنابراين در روش پيشنهادي اين مقاله براي توسعه و بهبود آموزش DNN، مانند 135 پژوهش هاي نوين در تصميم گيري __________________________________دوره ٤، شماره ٣، پاييز١٣٩٨ رويکردهاي پيشين از شبکه هـاي پيشـرو در سـاختارDNN اسـتفاده شـده اسـت و پـس از آزمون بر روي تعداد لايه هاي پنهـان و تعـداد نـرون ه ا، يـک لايـه پنهـان بـا سـه نـرون در شبکه هاي MLP در DNN در نظر گرفته شدهاست .