بهينه سازي مبتني بر قابليت اعتماد چليك هاي دولايه با استفاده از الگوريتم جستجوي الگو و شبكه عصبي بهينه شده به عنوان مدل جايگزين

در اين تحقيق، يك روش مبتني بر مدل جايگزين شبكه عصبي بهينه شده براي حل مسائل بهينه سازي مبتني بر قابليت اعتماد سازه ها ارائه شده است.‌ ايده اصلي يافتن مدل جايگزيني است كه در فضاي متغير ها به اندازه كافي تعميم يافته باشد و همچنين در فرايند آموزش، دچار پديده بيش برازش نشده باشد. به اين ترتيب، ابتدا با استفاده از جعبه ابزارSM ، يك مجموعه داده از ورودي ها و خروجي هاي مساله ايجاد مي شود. سپس يك مساله بهينه سازي براي به دست آوردن بهترين عملكرد شبكه عصبي حل مي شود. متغيرهاي طراحي در مرحله آموزش شبكه عصبي، تعداد لايه هاي تعريف شده در شبكه عصبي، تعداد نرون هاي هرلايه و نوع توابع انتقال در نظر گرفته شده اند. تابع هدف برابر با نسبت عملكرد كه به صورت نسبت تعداد پارامترهاي موجود در شبكه عصبي به تعداد اعضايي از مجموعه داده كه در فرايند آموزش به كار مي روند، تعريف مي شود. در مرحله بعد، از الگوريتم جستجوي الگو براي حل مسائل بهينه سازي برمبناي قابليت اعتماد استفاده شده است. براي نشان دادن كارايي روش ارائه شده، دو مثال عددي در نظر گرفته شده اند. در مثال نخست، يك خرپاي ۱۰ عضوي دو بعدي و در مثال دوم، يك چليك دو لايه ۸۳۲ عضوي مورد بررسي قرار گرفته اند. مثال اول براي هر دو حالت متغيرهاي پيوسته و گسسته حل شده است. در مثال نخست، روش پيشنهادي ۳۲ برابر در حالت پيوسته و ۲۵ برابر در حالت گسسته سريع تر عمل كرده است. ( نسبت به حل مساله با مدل اصلي SAP 2000 و روش ابر مكعب لاتين).‌ در هر دو مثال، مدل جايگزين به دست آمده از روش پيشنهاد شده عملكرد مورد نظر در داده هاي اعتبار سنجي و آزمون را تامين كرده است.