بهینه سازی شبکه عصبی ELM در مسئله پیشبینی
محورهای موضوعی : مدیریتجلال رضایی نور 1 , منصوره یاری ایلی 2 , اسماعیل هداوندی 3 , محمدحسین روزیهانی 4
1 - دانشیار، گروه مهندسی صنایع، دانشگاه قم، قم، ایران(عهدهدار مکاتبات)
2 - دانشجوی دکتری، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران
3 - استادیار، گروه مهندسی صنایع و کامپیوتر، دانشگاه صنعتی بیرجند، بیرجند، ایران
4 - دانش آموخته دکتری، گروه مهندسی مکانیک، دانشگاه تربیت مدرس، تهران، ایران
کلید واژه: الگوریتم ژنتیک, پیش بینی, شبکههای عصبی مصنوعی, تقاضای فولاد خام,
چکیده مقاله :
برای محیط همیشه در حال تغییر این دوران و تغییر در شیوه تعاملات شرکت ها با تامین کنندگان و مشتریان و پیچیدگی بازارها، کاهش دوره عمر محصولات و اهمیت یافتن زمان پاسخگویی به مشتریان، پیش بینی تقاضای محصول عامل حیاتی برای رقابت پذیری سازمان ها می باشد. با پیش بینی دقیق الگوهای تقاضا، دولت و تولیدکنندگان می توانند براساس میزان و جهت جریان آتی تولید، برنامه ریزی ها را سازماندهی کنند و زیرساخت بهتری در رشد صنعت مهیا سازند. با هدف ارائه یک ابزار دقیق پیش بینی در صنعت فولاد، این مطالعه، به بهینه سازی شبکه عصبی ELM به کمک الگوریتم ژنتیک می پردازد. که در آن پارامترهای شبکه، از قبیل تعداد و توابع فعالسازی نورون ها در لایه مخفی، وزن های اتصالی بین ورودی ها و نورون های لایه مخفی، بایاس نورون های لایه مخفی و (پارامتر تنظیم سازی)، به کمک الگوریتم ژنتیک تعیین می شود. برای پیش بینی 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. داده های 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 پیش بینی کننده،مقایسه ی عملکرد از لحاظ دقت پیش بینی و سرعت یادگیری بین الگوریتم ELM بهینه شده باالگوریتم ELM و سایر شبکه های عصبی صورت گرفته است. معیارهای پیش بینی نشان دهنده ی عملکرد خوب ELM بهینه شده نسبت به سایر شبکه های عصبی می باشد. براساس آزمون های آماری و خطاهای RMSE و MAPE نتایج نشان می دهد که دقت ELM به مراتب بهتر از سایر روش های شبکه عصبی است. به علاوه، مدل ELM دو بار سریعتر از شبکه های عصبی کلاسیک است. براساس یافته ها می توان به یقین گفت که بین الگوریتم های مورد بررسی، ELM ابزار دقیق تر و قوی تری در مسئله تقاضای فولاداست.اﻟﺒﺘﻪ نوع بهینه یافته شبکه عصبی ELM دقت بهتری در مدل سازی تابع تقاضا داشته است ، وﻟﯽ روش ELM از نظرزمانی بهینه تر بوده است.
Prediction of supply and demand, is a crucial issue for supply chain partners. With the accurate forecasted supply and patterns that indicate the sizes and directions of future production flow, the government and suppliers can have a well-organized strategy and provide a better infrastructure for improving industrial sector.With the aim of developing accurate forecasting tool in steel industry, this study present a new optimized neural network, by combination of Extreme Learning Machine and genetic algorithm. We employed our model on a dataset for steel supply - demand in Iran from jul-2009 to jan2013 to estimating the performance. The results show that prediction accuracy and performance relatively better than other classical approaches, according to RMSE and MAPE evaluations. In our model. Based on statistical tests, our new model is better than other model in accuracy, so can be used in as a suitable forecasting tool in steel supply forecasting problems.
_||_