بخشی از مقاله
چکیده
باتوجه به افزایش روزافزون حجم اطلاعات و پیچیدگی سیستم های مهندسی، اقتصادی و اجتماعی و پیش بینی مبهم نتایج آن ها استفاده از یک سیستم تعاملی تصمیم یار برای کمک به تصمیم گیران مدیریتی، پزشکان، تحلیل گرها و تصمیم گیری مناسب، سریع و دقیق اهمیت یافته است. همچنین برای استخراج اطلاعات ارزشمند و مهم از بین حجم زیاد داده ها و ارزیابی اطلاعات با هدف دستیابی به نتایج مطلوب و بهینه ، به حداقل رساندن خطا ها و یافتن ارتباطات و الگوهایی مناسب بین مجموعه داده ها ، استفاده از روش ترکیبی الگوریتم های یادگیری ماشین و تکاملی پیشنهاد می شود.
در این مقاله کاربردهای مختلف الگوریتم ژنتیک اعم از انتخاب و اولویت بندی داده ها و ترکیب الگوریتم ژنتیک با برخی الگوریتم های یادگیری ماشین به عنوان روشی برای طراحی یک سیستم تصمیم یار بررسی شده است. الگوریتم ژنتیک الگویی است نوین و کاربردی که راهکارهای اساسی، کاربردی و جذاب را ارائه می دهد. استفاده از الگوریتم ژنتیک در سیستم های پشتیبانی تصمیم گیری موقعیت انتخاب بهتر را در تمامی زمینه ها فراهم می نماید و رضایت مشتری را به همراه دارد. این روش که الهام گرفته از طبیعت است، مسائل را به خوبی حل نموده و جواب های مطلوب ارائه می دهد. در نهایت باید سعی شود تا با تجزیه
و تحلیل دقیق و عمیق نیاز ها و اطلاعات، سیستم تصمیم یار مطلوبی ارائه شود.
- 1 مقدمه
سیستم تصمیم یار مجموعه ای از برنامه ها و داده های مرتبط به هم است که برای کمک به تحلیل و تصمیم گیری در حل مسائل نیمه ساختیا فته و غیر ساختیا فته طراحی می شود. ایجاد سیستم های تصمیم یار ناشی از ادغام سیستم های اطلاعات اداری و سیستم های مدیریت پایگاه داده است.[3]کمک این گونه سیستم ها در تصمیم گیری بیش از سیستم های مدیریت اطلاعات یا سیستم های اطلاعات اجرایی است. برای مثال سیستم های اطلاعاتی کامپیوتری برای کمک در تصمیم گیری های پیچیده طراحی شده اند و از طریق تجزیه و تحلیل عمیق تر و متمرکز در مورد موضوع عمل می کنند.
امروزه از ایده ها و روش های جدیدی در جمع آوری، پردازش و کاربرد دانش در سیستم های تصمیم یار استفاده می شود تا انواع مختلف تصمیم را با روش های گوناگونی مانند جستجوی دانش در پایگاه داده، شبیه سازی، محاسبات تکاملی، روش های فازی، شبکه عصبی و الگوریتم ژنتیک تحلیل کنند. با توجه به اینکه حجم اطلاعات هر دو سال یک بار دو برابر می شود و یافتن اطلاعات لازم و مهم از بین حجم زیاد داده ها اهمیت دارد، استفاده از داده کاوی بهترین پاسخ برای حل این مشکل است.[3]
به دلیل اهمیت نتایج سیستم های هوشمند و استخراج اطلاعات مهم و کاربردی، در این مقاله به بررسی روش های مختلف استفاده از الگوریتم ژنتیک در سیستم های تصمیم یار می پردازیم. در بخش اول نحوه استفاده از الگوریتم ژنتیک را به تنهایی در طراحی سیستم تصمیم یار توضیح داده و در بخش دوم به ترکیب الگوریتم ژنتیک را با الگوریتم APROIORI و فازی می پردازیم، در بخش بعد به بررسی روش ادغام الگوریتم ژنتیک با شبکه عصبی پرداخته سپس ترکیب الگوریتم ژنتیک الگوریتم با LS-SVM را بحث خواهیم کرد، در نهایت نتیجه گیری می کنیم.
-2 الگوریتم ژنتیک و طراحی سیستم تصمیم یار
هدف اصلی سیستم تصمیم یار جلوگیری از خطاست. این هدف بسته به اطلاعات و دانشی است که از داده ها استخراج می شود. در فرآیند تصمیم گیری اولین مرحله تعریف مساله یا مشکل است، مرحله دوم شامل جمع آوری اطلاعات در مورد موضوع مورد نظر است مرحله بعد بیان راه حل ها و گزینه ها است، مرحله چهارم تجزیه و تحلیل گزینه ها سپس تعیین معیار های انتخاب گزینه ها و در نهایت انتخاب صورت می گیرد. در طول زمان باید اطلاعات با ارزشی استخراج شود اما محدودیت هایی اساسی برای این کار وجود دارد، راه حل، استفاده از ابزار بهینه سازی قدرتمندی است تا نتیجه مطلوب و بهینه را به ما بدهد .[1] الگوریتم ژنتیک ابزاری برای رسیدن به این هدف است.
الگوریتم ژنتیک توسط جان هلند ابداع شد این الگوریتم یک جستجوی تخمینی و فرا مکاشفه ای با ایده تکاملی انتخاب طبیعی و ژنتیک، در جمعیت مورد نظر انجام می دهد و روش های کارآمد و بهینه ای را ارائه می کند. این الگوریتم به دلیل موازی بودن و اینکه چندین رشته در یک لحظه مورد ارزیابی قرار می گیرند زمانی که فضای جستجو بسیار بزرگ و پیچیده است موثر خواهد بود.[5]
مفاهیم کلیدی الگوریتم، ژن ها ، جمعیت، فضای جستجو ،کروموزوم ، تابع شایستگی و عملگر ها - انتخاب، جهش ، ترکیب - هستند. اساس این الگوریتمقانونِ تکاملِ داروین است - بقا بهترین - که موجودات ضعیف تر از بین می روند و موجودات قوی باقی می مانند. در واقع تکامل فرآیندی است که روی رشته ها صورت گیرد، نه روی موجودات زنده های که معرف موجودات رشته است. در واقع، قانون انتخاب طبیعی برای بقا می گوید که هر چه امکان تطبیق موجود بیشتر باشد بقای موجود امکان پذیرتر است و احتمال تولید مثل بیشتری، برایش وجود دارد.
این الگوریتم ها مناسب ترین رشته ها را از میان اطلاعات تصادفی سازماندهی شده انتخاب می کنند. در هر نسل یک گروه جدید رشته ها با استفاده از بهترین قسمت های قبلی دنباله های قبلی و بخش جدید اتفاقی برای رسیدن به یک جواب مناسب به وجود می آیند. با وجود اینکه الگوریتم ها تصادفی هستند ولی در زمره الگوریتم های تصادفی ساده نیستند. آنها به طور کارآمدی به اکتشاف اطلاعات گذشته در فضای جستجو می پردازند تا در یک نقطه جستجوی جدیدی با پاسخ های بهتر به سمت بهترین جواب پیش روند. لذا الگوریتم ژنتیک می تواند در کیفیت اطلاعات سیستم های تصمیم یار نقش بسزایی داشته باشد.
به عنوان مثال یکی از کاربردهای الگوریتم ژنتیک می تواند در سیستم مدیریت حمل و نقل شهری باشد ، الگوریتم در تصمیم گیری برای یافتن مسیر بهینه با مدیریت و تخصیص بهینه خطوط مترو و اتوبوس برای برای شریان های شهری به نحوی که تمام شریان ها را پوشش و سایر فاکتورهایی مثل زمان، پراکندگی جمعیت و غیره را هم زمان در تصمیم گیری دخالت داده و بر اساس پارامترهایی همچون هزینه سفر، زمان سفر، مسافت یا طول مسیر، زمان انتظار در ایستگاه جهت سوار شدن بهترین تصمیم را ارائه دهد . ویا کاربرد مهم دیگر الگوریتم ژنتیک در تشخیص بیماری ها در سیستم های تشخیص پزشکی است. به عنوان مثال با یافتن مقدار مطلوب پارامتر هایی مثل فشار خون ، سن ، قند خون و غیره نوع بیماری فرد تشخیص داده می شود و یا اینکه با بررسی این پارامتر ها مشخص می شود که آیا فرد به بیماری خاصی مثل دیابت مبتلا هست یا خیر.[5]
1-2 گام های الگوریتم :
1. ورودی ها : پایگاه داده ، محدوده صفات و ویژگی ها با توجه به موضوع سیستم برای مثال در سیستم پزشکی فشار خون و سن و ....
2. خروجی : مقادیر مطلوب و بهینه ویژگی ها - فیلدها - برای مثال بهترین کروموزوم و با بیشترین شایستگی.
3. اندازه جمعیت : اگر N تعداد ویژگی ها باشد پس اندازه جمعیت 2N می شود . Nدیگر برای جمعیت جدید.
.4 اندازه کروموزوم N: و کروموزوم: شامل 0 و 1 به تعداد ویژگی ها که وجود ویژگی 1 است. آرایه ای از ژن ها
5. نمونه ای از تابع شایستگی - فرمول: - 2 این تابع با توجه به مقدار کروموزوم و اختلاف آن تا کروموزوم مطلوب - مقدار انحراف، -D فرمول - 1 مقدار بهینه را محاسبه می کند.[5]
