Abstract:
تصمیم گیری یکی از مهمترین موضوعات مورد بررسی در تحقیقات نظامی بشمار می رود. یکی از چالش های موجود در این بحث وجود عدم قطعیت در محیط های جنگی می باشد که تاثیرات مخربی بر کیفیت و دقت تصمیم گیری می گذارد. در مقاله هروی و همکارانش، چاپ شده در سال 2013، بکارگیری ترکیبی از دو موضوع عامل های شناختی و دسته بندی بر اساس قوانین وابستگی فازی به عنوان زمینه های موثر و پرکاربرد، توانسته بود تا حدودی این مساله را کمرنگ کرده و سعی در کاهش عدم قطعیت داشته باشد. ولی هم چنان در شرایط حساس و بحرانی، نیاز به سرعت عمل بیشتر با حذف قوانین نامعتبر و ناکارای استخراج شده در اتخاذ تصمیم های موثرتر قابل انکار نیست.
هدف این مقاله، بهره گیری از ظرفیت های الگوریتم ژنتیک در انتخاب قوانین واقع بینانه تر به عنوان یک روش فراابتکاری در تکمیل روش قبلی بصورت ترکیبی، برای کاهش هرچه بیشتر عدم قطعیت در تصمیم گیری ها می باشد. نتایج تجربی بدست آمده در مقایسه با روش پیشین، به روشنی نشان می دهد که این ترکیب علاوهبر مزیت های روش قبل، بدلیل کاهش هرچه بیشتر قوانین تولید شده برای اتخاذ تصمیم، قابل فهم تر، دقیق تر و ریسک پذیری عاقلانه تری دارد.
Decision making (DM) is an important problem in most of the army operations. One of the challenging issues in this area is uncertainty in wars with uncertain information which causes many destructive effects on the results of strategies in battlefields. In the Heravi et al. article’s، published in the year 2013، utilizing a combination of Cognitive Agent (CA) and Classification based on Fuzzy Association Rules (CFAR) as the most effective and widely used methods، was able to relatively reduce this problem and tried to reduce uncertainty. But still in critical condition، can’t deny the need to act quickly and remove most invalid and inefficient rules extracted in the effective decisions. This paper aims to utilize the capabilities of Genetic Algorithm (GA) in a more realistic selection rules as a meta-heuristic way to combine complementary methods to minimize the uncertainty in DM. In comparison with previous method، experimental results achieved، clearly show that this combination in addition to the advantages of the previous method، due to the further reduction of production rules for DM، are more understandable and accurate and has more rational risk acceptance.
Machine summary:
"شروع ادراکات دریافت مجموعه فازی پایگاه دانش قوانین وابستگی فازی کاهش قوانین یادگیری دسته بندی انتخاب ژنتیکی قوانین پاسخ دهی عملکرد پایان شکل ٥: معماری مدل پیشنهادی 6 2 8 4 7 1 5 3 3 5 7 8 1 6 2 4 / والد١ والد٢ 3 5 7 8 7 6 5 3 6 2 8 4 1 1 2 4 فرزند١ فرزند٢ شکل ٦: ترکیب تک نقطه ای 6 8 2 4 7 1 5 3 3 7 5 8 1 6 2 4 / والد١ والد٢ 6 7 2 8 7 6 5 3 3 8 5 4 1 1 2 4 فرزند١ فرزند٢ شکل ٧: ترکیب دو نقطه ای 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 والد١ / والد٢ ١ ٠ ١ ١ ٠ ١ ٠ ٠ الگو 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 فرزند١ فرزند٢ شکل ٨: ترکیب یکنواخت در انتخاب هر زوج از والدین ١ برای تولید فرزند نیز، از روش انتخاب مسابقه ای ٢ به این دلیل که از نظر محاسباتی نسبت به روش های دیگر کاراتر بوده و برای پیاده سازیهای موازی مناسب تر می باشد، بهره گرفته شده است (٢٠٠٩ ,Russell and Norvig)."