وبلاگ

توضیح وبلاگ من

راهنمای نگارش مقاله در مورد شناسایی و تحلیل عوامل کلیدی دستیابی به اهداف استراتژیک سازمان ...

 
تاریخ: 05-08-00
نویسنده: فاطمه کرمانی

همه این گام­ها سخت است و بایستی با دقت انجام شود تا یک مدل قابل اعتماد ایجاد کند. طرح اولیه نگاشت ادراکی فازی به وسیله دو گام اولیه بالا (شناسایی موضوعات و مفاهیم کلیدی در آن حوزه و شناسایی روابط علی بین این مفاهیم) کامل می­ شود. مناسب­ترین راه برای دستیابی به این هدف با بهره گرفتن از مداد و کاغذ است تا یک گراف متناظر با آن رسم شود. مجموعه ­ای از گره­ها و یال­های مرتبط بین آن­ها که دارای جهت هستند، خروجی این قسمت است. این دو گام اول نسبت به گام سوم، ساده و واضح است. از سوی دیگر برآورد میزان روابط علی، بسیار سخت است زیرا تعداد نسبتاً زیادی از مقادیر عددی هستند که می­توانند به هر رابطه مربوط شوند. در عمل این گام بر مبنای فرایند زیر انجام می­ شود [۱۰۹]:
مقاله - پروژه

 

    1. اثر یک مفهوم روی مفهوم دیگر به صورت منفی، مثبت یا خنثی تعیین می­ شود.

 

    1. همه روابط بین مفاهیم به صورت اصطلاحات فازی از قبیل خیلی ضعیف، ضعیف، متوسط، قوی و خیلی قوی بیان می­ شود.

 

    1. عبارت­های فازی در نگاشت به مقدار عددی تبدیل می­شوند و غالباً مقداری بین صفر و یک می­گیرند.

 

یکی از مزایای مدل­سازی نگاشت ادراکی فازی ، سادگی در ترکیب دانش کارشناسان است به طوری که گروهی از کارشناسان بجای یک شخص می­توانند روی مدل کار کنند و این امر باعث بهبود اطمینان در مدل نهایی می­ شود. بدین منظور گروهی از افراد خبره در نظر گرفته می­شوند و هر کارشناس ارتباط بین مفاهیم را با کمک استنتاج فازی با یک وزن فازی مشخص می­ کند. پس از ترسیم نگاشت ادراکی فازی توسط هر کارشناس که با نگاشت ادراکی فازی دیگران متفاوت خواهد بود، با کمک روش­های ترکیب، نگاشت ادراکی فازی نهایی به دست می ­آید. این نگاشت ادراکی فازی نهایی در برگیرنده نظرات همه افراد خبره می­باشد [۷۸و۸۴]. با این حال برای فرد خبره تعیین دقیق عدد حقیقی که معرف عقیده وی باشد کار دشواری است. از این رو متغیرهای زبانی ترتیبی مانند خیلی­کم، کم، متوسط، زیاد، خیلی­زیاد و … بر اعداد حقیقی ترجیح داده می­شوند [۱۰]. گرچه فرآیندهای دستی توسعه نگاشت­های ادراکی فازی به خوبی انجام شده است، دارای چندین اشکال عمده است [۱۰۹] :
۱- روش­های دستی توسعه نگاشت ادراکی فازی ، نیازمند دانش کارشناس است که بایستی به وسیله دانش روش­شناسی نگاشت ادراکی فازی پشتیبانی شود. از زمانی که تعداد ارتباطات ممکن بین مفاهیم با افزایش تعداد مفاهیم چند برابر شود، نشان دادن این سیستم پیچیده با گره­ها و روابط زیاد غالباً به وسیله انسان بسیار مشکل و حتی غیر ممکن است. نتایج بدست آمده در این ساده­سازی­ها، ممکن است در نهایت به بی­دقتی یا نادرستی منجر شود.
۲- فرایند توسعه نگاشت ادراکی فازی قبل از ایجاد یک مدل مناسب، غالباً نیازمند تکرارها و شبیه­سازی زیادی است. در موارد توسعه گروهی نگاشت ادراکی فازی ، کیفیت نهایی یک مدل می ­تواند به وسیله تغییر اثر در مدل کارشناس روی مدل نهایی بهبود یابد که به اعتبار کارشناس بستگی دارد.
۳- روش­های دستی برای توسعه مدل­های نگاشت ادراکی فازی نقایصی از اعتماد روی دانش کارشناس در بر دارد. بسیار مشکل است که تعیین درستی مدل بدون غرض صورت گیرد. آنچه بیشتر است، حتی اگر داده ­های تاریخی برای توجیه کیفیت مدل وجود داشته باشد، کسب مدل مناسب که از داده ­ها تقلید کند، نیازمند تلاش بسیاری است که با رسم و شبیه­سازی مدل­های پی در پی صورت می­گیرد.
۲-۱۱-۱-۲- روش ساخت مبتنی بر فاصله : در این­ روش به تئوری ساخت اتوماتیک نگاشت ادراکی فازی بر مبنای داده ­های ایجاد شده به وسیله کاربران اشاره می­ شود [۱۱۰]. این تئوری عمدتاً با تبدیل بردارهای عددی به مجموعه­های فازی سروکار دارد و از طریق نزدیکی روابط ما بین بردارهای عددی تعیین می­ کند که آیا مابین متغیرها روابط مستقیم یا برعکس وجود دارد و روابط علل و معلولی را تعیین می­ کند. در این روش بردارها به مجموعه­های فازی تبدیل می­شوند [۸۴]. متدلوژی که برای مدل­سازی در این روش از آن استفاده شده است دارای ۴ بخش برای نمایش نتایج می­باشد که در هر مرحله از فرایند انجام کار هرکدام از این بخش­ها مشخص می­شوند. بخش­های مذکور عبارتند از: ماتریس اولیه عوامل (IMF) برای ایجاد این ماتریس از فرایند دلفی برای گردآوری اطلاعات و دسته­بندی عوامل استفاده شده است، ماتریس فازی شده عوامل (FZMF)، ماتریس قدرت ارتباط بین عوامل (SRMF) و ماتریس نهایی عوامل (FMF) [110]. به طور خلاصه مراحل ایجاد نگاشت ادراکی فازی بر مبنای روش فاصله در شکل (۲-۱۹) آمده است.
مراحل
ایجاد FCM
ماتریس IM
۱٫ استخراج داده از اطلاعات
۲٫ محاسبه درجات عضویت فازی
۳٫ تعیین میزان همانندی یین مفاهیم
۴٫ ارزیابی علی و معلولی
۵٫ استخراج ماتریس نهایی موفقیت با کمک SRM , EOMC
۶٫ نموار گرافیکی از ماتریس نهاییی FM
ماتریس FZM
ماتریس SRM
ماتریس EOMC
ماتریس FM
ماتریس FCM
شکل(۲-۱۹): مراحل ایجاد نگاشت­ ادراکی فازی در روش کمترین فاصله
۲-۱۰-۱-۳- روش استفاده از ضریب همبستگی[۴۴] میان مفاهیم : از دیگر روش­های پیاده­سازی نگاشت­های ادراکی فازی، استفاده از ضریب همبستگی میان متغیرهای شناسایی شده می­باشد. ضریب همبستگی شاخصی است ریاضی که جهت و مقدار رابطه­ بین دو متغیر را توصیف می­ کند. ضریب همبستگی در مورد توزیع­های دو یا چند متغیره به کار می­رود. اگر مقادیر دو متغیر شبیه هم تغییر کند یعنی با کم یا زیاد شدن یکی دیگری هم کم یا زیاد شود به گونه ­ای که بتوان رابطه آنها را به صورت یک معادله بیان کرد گوییم بین این دو متغیر همبستگی وجود دارد. برای سنجش همبستگی ضرایب گوناگونی به کار می­رود که مهمترین آنها ضریب همبستگی ساده پیرسون، ضریب همبستگی اسپیرمن و ضریب همبستگی کندال است. ضریب همبستگی شدت رابطه و همچنین نوع رابطه (مستقیم یا معکوس) را نشان می‌دهد. و عددی بین ۱ تا ۱- است که در هنگام عدم وجود رابطه بین دو متغییر، برابر صفر است. با توجه به این خاصیت ضریب همبستگی شرایط لازم را دارا می‌باشد که به عنوان شاخصی برای وزن دهی روابط در FCM استفاده شود.
وقتی تعداد خبرگان ما به اندازه کافی زیاد باشند (n) برای وزن دهی به روابط میان مفاهیم گوناگون می­توان از ضریب همبستگی میان این مفاهیم استفاده کرد. در این تکنیک مفاهیم را دو به دو در نظر گرفته و با بهره گرفتن از روش‌های آماری اعدادی را که خبرگان به هر یک از متغیرها نسبت داده‌اند تحلیل می‌کنیم و ضریب همبستگی میان آنها را یافته و به عنوان وزن میان یال میان این دو متغییر استفاده می‌کنیم.
در پژوهشی در جهت “بررسی رابطه نظام­های تضمین کیفیت آموزش عالی با زمینه های فرهنگی و اجتماعی” [۱۱۱] انجام گرفت در جواب این سوال که ویژگی­های الگوی مناسب ارزشیابی و اعتبارسنجی آموزش عالی و ملزومات سیاستی، راهبردی و عملیاتی مربوط به استقرار کیفیت در کشور ایران چیست؟ یک مدل نگاشت ادراکی فازی توسعه داده شد که در طراحی آن از تکنیک همبستگی گفته شده در بالا استفاده شده است. در این پژوهش ۶ متغیر برای مؤلفه های وجوه افتراق نظام­های تضمین کیفیت آموزش عالی و ۹ متغیر برای ویژگی­های مرتبط در زمینه ­های فرهنگی و اجتماعی شناسی شده است، در ادامه پس از جمع آوری نظرات خبرگان و تحلیل آنها به روش گفته شده در بال نمودار نگاشت ادراکی فازی آن رسم شده است.
۲-۱۰-۲- روش­های یادگیری نگاشت ادراکی فازی
کارشناسان با تعیین مفاهیم نگاشت ادراکی فازی و روابط علی بین آنها در ساخت آن درگیر می­شوند. این رویکرد ممکن است تحریف مدل را به دنبال داشته باشد زیرا ممکن است که کارشناسان فاکتورهای مناسبی را لحاظ نکرده باشند و وزن­های علی نامناسبی بین مفاهیم نگاشت­های­ ادراکی فازی قرار دهند. توسعه نگاشت ادراکی فازی نیازمند اطلاعات علامت و اندازه هر رابطه علی است که توسط کارشناس ارائه می­ شود. گرچه تعیین علامت مربوط به رابطه علی نسبتاً آسان است، اما کارشناسان غالباً در تعیین اندازه مربوط به آن با مشکل مواجه می­شوند. بنابراین، غالباً از نگاشت­های­ ادراکی فازی ساده برای تحلیل ابتدایی مساله استفاده می­ شود. روش­شناسی توسعه نگاشت­های­ ادراکی فازی به آسانی قابل انطباق است و به تجربه و دانش کارشناس مربوط می­ شود.
یادگیری نگاشت­های­ ادراکی فازی شامل به­روزرسانی وزن­های روابط علی است و این استراتژی برای بهبود نگاشت­های­ ادراکی فازی بکار می­رود. این یادگیری به وسیله تنظیم دقیق روابط علی اولیه یا قدرت وزن­ یال­های نگاشت­ ادراکی فازی با کمک الگوریتم­های یادگیری صورت می­گیرد. روش یادگیری تکنیکی است که کارایی و توانایی نگاشت­های­ ادراکی فازی را با کمک روش­های هوشمند اصلاح ماتریس وزن­های نگاشت­­ ادراکی فازی ، افزایش می­دهد. علاوه بر این، قواعد یادگیری ویژگی­های مفیدی برای نگاشت­های­ ادراکی فازی فراهم می ­آورد [۱۱۲].
مداخله نهایی کارشناس برای تعیین پارامترهای نگاشت­های­ ادراکی فازی، محاسبه مجدد وزن­ها و روابط علی در زمان پذیرش استراتژی جدید و همچنین همگرایی نهفته مقادیر مفاهیم به نواحی نامطلوب، نقص­های عمده نگاشت­ ادراکی فازی هستند. برطرف کردن این نقص­ها برای بهبود کارایی و توانمندی نگاشت­ ادراکی فازی ضروری است. روش­های انطباق وزن خیلی امیدبخش هستند و می­توانند این مشکلات را کم کنند. با این روش­ها که روابط علی به وسیله فرایند یادگیری تنظیم می­شوند، خطای کمتری در نگاشت­های­ ادراکی فازی ایجاد می­ شود [۱۱۲].
تاکنون تلاش­هایی در جهت بررسی و ارائه تکنیک یادگیری مناسب برای نگاشت­­ ادراکی فازی انجام شده است و جدیداً برخی الگوریتم­های یادگیری نگاشت­­ ادراکی فازی پیشنهاد شده است [۱۲و۱۱۲]. استفاده مناسب از الگوریتم­های یادگیری می ­تواند بر اغلب ضعف­های عمده نگاشت­­ ادراکی فازی غلبه کند. این ضعف­های عمده شامل همگرایی بالقوه (نهفته) به نواحی نامطلوب و محاسبه مجدد وزن­ها در هنگام پذیرش استراتژی­ های جدید می­باشد. با این حال، ضعف­هایی در به‌کارگیری روش­های یادگیری وجود دارد [۱۱۲].
۲-۱۰-۲-۱- روش­ یادگیری مبتنی بر شبکه ­های عصبی مصنوعی: از مهمترین روش­های یادگیری نگاشت­­­های ادراکی فازی، ترکیب نظر کارشناسان با ویژگی­های شبکه ­های عصبی است که باعث استفاده از مزایای هر دو می­ شود. غالباً الگوریتم­های یادگیری ارائه شده برای نگاشت­های­­ ادراکی فازی بر اساس ایده­های برآمده از حوزه آموزش شبکه ­های عصبی مصنوعی [۴۵] است [۱۲]. تکنیک­های یادگیری عصبی برای آموزش نگاشت­­ ادراکی فازی و تعیین مناسب وزن­های روابط بین مفاهیم بکار رفته است. نتیجه این ترکیب ایجاد یک سیستم فازی عصبی ترکیبی است. روش­های یادگیری مبتنی بر شبکه ­های عصبی مصنوعی بر مبنای قواعد یادگیری هبین بدون نظارت می­باشند و انطباق آن با مدل­های نگاشت­­ ادراکی فازی و تنظیم وزن­های آن برای اولین بار توسط کاسکو (۱۹۸۶) پیشنهاد شده است. قواعد یادگیری می­توانند نگاشت­­­های ادراکی فازی را آموزش دهند، به این معنی که روابط بین مفاهیم را تنظیم و تعدیل کنند، همان‌گونه که در مورد سیناپس­ها در شبکه ­های عصبی انجام می­ شود. در این نوع از روش­های یادگیری درجه هر وزن با قاعده عمومی زیر محاسبه می­ شود [۸۰] :

در این معادله وزن بهبود یافته  تابعی از وزن قبلی، مقادیر قبلی مفاهیم و مقادیر جدید آنها است. کاسکو و دیکرسون یادگیری هبین دیفرانسیل (تفاضلی) [۴۶]را با بهره گرفتن از قوانین یادگیری هبین دیفرانسیل برای آموزش نگاشت ادراکی فازی پیشنهاد دادند [۱۱۳] که شکلی از یادگیری بدون نظارت و بر مبنای تئوری هبین (۱۹۴۹) است. در یادگیری هبین دیفرانسیل، مقادیر وزن­ها به طور تکراری تا هنگام یافتن ساختار مطلوب و ماتریس متناظر مورد نظر، به روز می­شوند. در واقع وقتی مفاهیم تغییر می­ کنند، مقادیر روی یال­ها نیز به طور متناظر تغییر می­ کنند [۴و۸۰و۸۴].
به طور کلی، وزن­های یال‌های خروجی برای هر مفهوم، در ماتریس ارتباطات، تنها هنگامی اصلاح می­شوند که مقدار مفهوم متناظر به صورت معادله (۲-۱۲) تغییر کند [۸۰] :
(۲-۱۲)
جایی که  به وزن رابطه مفهوم  به  اشاره دارد.  نشان دهنده تغییر در مقدار فعال­سازی مفهوم  ، t شماره تکرار و  ضریب یادگیری است. ضریب یادگیری فوق یک مقدار ثابت کوچک است که به وسیله آن مقادیر عموماً در فرایند یادگیری کاهش می­یابند. اشکال عمده این روش یادگیری این است که قاعده به­روزرسانی وزن­ها بین مقادیر هر جفت از مفاهیم محاسبه می­ شود و تأثیرات سایر مفاهیم را نادیده می­گیرد [۸۰]. کاسکو فرمول­بندی ریاضی و کاربرد آن در مسائل واقعی را بیان نکرد.
در ادامه روش­های یادگیری بر مبنای شبکه عصبی، الگوریتم یادگیری دیفرانسیل متوازن[۴۷] بر اساس یادگیری هبین دیفرانسیل، به وسیله هیورگا مورد بررسی قرار گرفته است[۱۱۴]. این الگوریتم یک نسخه بهبودیافته­ای از یادگیری هبین دیفرانسیل است و یکی از محدودیت­های روش یادگیری هبین دیفرانسیل را حذف می­ کند و به نظر می­رسد که الگوهای یادگیری و مدل­سازی حوزه داده شده را نسبت به رویکردهای کلاسیک بهتر انجام دهد. این روش با در نظر گرفتن همه مقادیر مفاهیم که به طور همزمان تأثیرگذارند، وزن­ها را به روز می­ کند. اما تا امروزه، روش یکپارچه­ای برای کاربرد یادگیری هبین دیفرانسیل و الگوریتم یادگیری دیفرانسیل متوازن در نگاشت­های ادراکی فازی به وجود نیامده است [۸۰ و۱۱۲]. از سوی دیگر، الگوریتم یادگیری دیفرانسیل متوازن فقط در نگاشت­های ادراکی فازی دودویی بکار رفته است. نگاشت­های با توابع تبدیلی دودویی، حوزه ­های کاربردی نگاشت­ ادراکی فازی را محدود می­سازند. در پژوهشی با مقایسه تجربی بین یادگیری هبین دیفرانسیل و یادگیری دیفرانسیل متوازن نشان داده شده است که روش یادگیری دیفرانسیل متوازن کیفیت نگاشت­های یادگیرنده را بهبود بخشیده است [۸۰].
در ادامه، الگوریتم یادگیری بدون نظارت دیگری به نام الگوریتم یادگیری هبین غیرخطی[۴۸]، یادگیری نگاشت­های ادراکی فازی را بررسی کرده است [۱۱۵]. این الگوریتم بر اساس قاعده یادگیری هبین غیرخطی است و فقط وزن­های (غیر صفر) پیشنهادی اولیه نگاشت­ ادراکی فازی را به روز می­ کند. این وزن­ها در هر گام تکرار، تا وقتی که الگوریتم به پایان می­رسد، به طور همزمان به روز می­شوند. ایده اولیه و تشریح کاربرد قاعده هبین غیرخطی در نگاشت­های ادراکی فازی در سال ۲۰۰۳ ارائه شد اما فرمول­بندی ریاضی برای ورود یادگیری هبین غیرخطی به ساختار نگاشت­های ادراکی فازی و نیز روش اجرای الگوریتم بعداً ارائه شد [۱۲ و۱۱۲].
در سال­های اخیر استچ و همکارانش نسخه بهبود یافته­ای از روش یادگیری هبین غیرخطی را ارائه کردند. این الگوریتم یادگیری داده ­کاوی هبین غیر خطی[۴۹] نامیده شده و بر مبنای همان قاعده یادگیری یادگیری هبین غیرخطی است اما مزایای به‌کارگیری داده ­های تاریخی را دارد و از خروجی مفاهیم برای بهبود کیفیت یادگیری استفاده می­ کند. در یک مطالعه با مقایسه تجربی نشان داده شده است که اگر داده تاریخی موجود باشند، روش یادگیری داده ­کاوی هبین غیر خطی مدل نگاشت­ ادراکی فازی بهتری را نسبت به روش عمومی یادگیری هبین غیرخطی ایجاد می­ کند [۸۰].
روش یادگیری بدون نظارت هبین دیگری به نام یادگیری هبین فعال [۵۰] به طور موفقیت آمیزی در یک مساله کنترلی عملی به کار گرفته شده است. این الگوریتم با در نظر گرفتن دانش و تجربه اولیه کارشناسان و با مقادیر اولیه مؤلفه‌های ماتریس وزنی که عقیده کارشناسان است شروع می­ شود. لذا در این روش نقش افراد خبره به طور کامل حذف نشده است. در الگوریتم یادگیری هبین فعال توالی مفاهیم فعال­ساز تعیین می­ شود. این توالی بستگی به وضعیت خاص و ویژگی­های مساله دارد [۱۱۲]. کارشناسان مجموعه ­ای مطلوب از مفاهیم را به عنوان مفاهیم خروجی انتخاب می­ کنند. رویکرد یادگیری هبین فعال شامل هفت گام است که بر اساس یادگیری هبین است. این گام­ها به طور تکراری بکار گرفته می­شوند تا وزن­ها را تعدیل کنند و در زمان دست­یابی به معیارهای از پیش تعریف شده، متوقف می­ شود [۸۰].
رویکرد دیگر یادگیری ماتریس ارتباطات نگاشت­ ادراکی فازی، شامل کاربرد استراتژی­ های تکاملی [۵۱] است [۱۱۶]. این تکنیک دقیقاً همان روش یادگیری شبکه ­های عصبی است. یکی از مهمترین اشکالات این روش این است که ساختار اولیه و دانش کارشناسان را در مدل نگاشت­ ادراکی فازی لحاظ نمی­کند، اما مجموعه­های داده را برای تعیین الگوهای ورودی و خروجی بکار می­گیرد تا روابط علت معلولی را با تابع مناسبی تعیین کند. اشکال عمده دیگر این روش نیازمندی به توالی­های بردار حالت چندگانه (زوج­های ورودی/ خروجی) است که ممکن است بدست آوردن آن برای بسیاری از مسائل دنیای واقعی مشکل باشد. به نظر می­رسد وزن­های محاسبه شده انحراف زیادی از وزن­های نگاشت­ ادراکی فازی واقعی دارند و در مسائل واقعی معنی فیزیکی قابل قبولی ندارند [۱۱۲].
۲-۱۰-۲-۲- روش­ یادگیری مبتنی بر الگوریتم ژنتیک : طبقه­ای از روش­های یادگیری نگاشت­ ادراکی فازی ، روش­های مبتنی بر الگوریتم ژنتیک می­باشند. در سال ۲۰۰۱، کولوریوتیس[۵۲] و همکارانش از استراتژی ژنتیک [۵۳] استفاده کردند تا ساختار مدل نگاشت­ ادراکی فازی از جمله وزن­های روابط را با بهره گرفتن از داده ­ها آموزش دهند و مقادیر یال­ها را تعیین کنند [۸۰].
در روش آن­ها، فرایند یادگیری بر مبنای مجموعه ­ای از نمونه­های جفت­های ورودی/خروجی می­باشد. این یادگیری نیازمند داده ­های تاریخی شامل توالی­های چندگانه بردارهای حالت می­باشد. این الگوریتم­ ساختار یک نگاشت­ ادراکی فازی را آموزش می­دهد اما اشکال عمده این رویکرد این است که نیازمند توالی­های بردار حالت چندگانه است که ممکن است بدست آوردن آنها در برخی حوزه ­های کاربردی مشکل باشد [۸۰ و۸۴].
در ادامه بر اساس کاربرد الگوریتم­های ژنتیک دو رویکرد متفاوت برای یادگیری نگاشت­ ادراکی فازی پیشنهاد شده است. اولین رویکرد توسط خان و چونگ در سال ۲۰۰۳ ارائه شده است [۱۱۷]. این روش به جای یادگیری ماتریس ارتباطات و ساختار مدل نگاشت­ ادراکی فازی، به دنبال یافتن یک بردار حالت اولیه ( وضعیت اولیه) است که مدل داده شده را به حالت نهایی خاصی (همگرایی به نقظه ثابت یا دور محدود) هدایت کند [۱۱۲].
دومین رویکرد بر مبنای الگوریتم ژنتیک، در سال ۲۰۰۵ برای توسعه ماتریس ارتباطات نگاشت­ ادراکی فازی پیشنهاد شده است. این روش بر مبنای داده ­های تاریخی بردارهای حالت و یادگیری بدون نظارت می­باشد [۱۱۸]. این روش یک الگوریتم ژنتیک کدگذاری شده حقیقی [۵۴] است که اجازه حذف مداخله کارشناس در طول توسعه مدل را می­دهد و ماتریس ارتباطات نگاشت­ ادراکی فازی را آموزش می­دهد و از تابع تبدیل متوالی استفاده می­ کند. مهمترین مزیت روش الگوریتم ژنتیک کدگذاری شده حقیقی، عدم مداخله انسان است اما این روش نیازمند رسیدگی به دوره­ های همگرایی و بررسی بیشتر در جهت همکاری پارامترهای الگوریتم ژنتیک با ویژگی­های داده ­های تجربی می­باشد. مزیت این روش فقط در حوزه ­های مسائل خاصی محدود شده است [۱۱۲]. در حیطه الگوریتم ژنتیک، روش دیگری بر مبنای استنتاج و یادگیری بدون نظارت بر روی نوع خاصی از نگاشت­های ادراکی فازی ارائه شده است [۱۱۹].
۲-۱۰-۲-۳- روش یادگیری مبتنی بر الگوریتم بهینه­سازی گروه ذرات: از جمله روش­های یادگیری نگاشت­های­ ادراکی فازی بر پایه تکنیک­های محاسباتی تکاملی، روش بهینه­سازی گروه ذرات[۵۵]است [۱۲۰و۱۲۱]. این روش در یادگیری نگاشت­ ادراکی فازی نتایج خیلی امیدبخشی داشته است. الگوریتم­های بهینه­سازی گروه ذرات به الگوریتم­های هوشمند گروهی تعلق دارد و در حوزه هوش مصنوعی به سرعت توسعه یافته است [۱۱۲].
این روش، یادگیری نگاشت­ ادراکی فازی را برمبنای داده ­های تاریخی هدف قرار داده است. بهینه­سازی گروه ذرات یک الگوریتم بر مبنای گروه است که برای یافتن راه­حلی از بین افراد گروه به جستجو می ­پردازد. این الگوریتم نیازمند دانش انسان در تعیین محدودیت­ها است. این محدودیت­ها معنی فیزیکی روابط نگاشت­ ادراکی فازی را حفظ می­ کنند [۸۰].
روش مذکور ساختار اولیه و دانش متخصصان را در مدل نگاشت­ ادراکی فازی لحاظ نمی­کند، بلکه با بهره گرفتن از مجموعه ­ای از داده ­ها، مفاهیم ورودی و خروجی را به منظور تعریف روابط علت و معلولی تعیین می­ کند. این روابط به گونه‌ای تعریف شده ­اند که در تابع مورد نظر صدق کنند و آن را بهینه نماید. با بهره گرفتن از این رویکرد یادگیری، تعدادی از ماتریس­های وزنی مناسب می­توانند سیستم را به نواحی همگرای مطلوب هدایت کنند. همچنین برای محاسبه مقادیر مطلوب مفاهیم خروجی و وضعیت سیستم، استراتژی تکاملی بکار گرفته شده است [۱۲].
روش دیگری بر مبنای بهینه­سازی گروهی به وسیله پتالاس و همکارانش در سال ۲۰۰۹ ارائه شده است [۱۲۲]. این روش با عنوان بهینه­سازی گروهی ذرات ممتیک [۵۶] نامیده می­ شود. این روش ترکیبی از الگوریتم ممتیک هوش گروهی با برنامه ­های جستجوی محلی قطعی و اتفاقی است تا عمل یادگیری نگاشت ادراکی فازی را انجام دهد. روش فوق نیازمند یک مجموعه از وزن­های اولیه است که معمولاً به وسیله یک کارشناس یا گروهی از کارشناسان تعیین شده است تا بهینه­سازی صورت گیرد [۸۰].


فرم در حال بارگذاری ...

« دانلود مطالب پایان نامه ها با موضوع اندازه گیری سرمایه فکری و رابطه آن با عملکرد سازمانی در شرکت‏های نرم ...دانلود مقالات و پایان نامه ها درباره امین زاده- فایل ۳۲ »