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]:
-
- اثر یک مفهوم روی مفهوم دیگر به صورت منفی، مثبت یا خنثی تعیین می شود.
-
- همه روابط بین مفاهیم به صورت اصطلاحات فازی از قبیل خیلی ضعیف، ضعیف، متوسط، قوی و خیلی قوی بیان می شود.
-
- 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 میآورد [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].
آخرین نظرات