یک الگوریتم تکاملی چندهدفه برای بهبود مدلسازی هیبریدمحور شبکه‌های بیزین

عنوان فارسی مقاله:
 
 
 

یک الگوریتم تکاملی چندهدفه برای بهبود مدلسازی هیبریدمحور شبکه‌های بیزین

 

 
کد مقاله:
 
msd129
 
سال انتشار:
 
2013
 
تعداد صفحات انگلیسی:
 
10

تعداد صفحات فارسی:
 
16

قیمت:
 
13 هزار تومان
 
نوع فایلها:
 
pdf & word
 
 
جهت دریافت مقاله از طریق لینک زیر کد مقاله را در قسمت توضیحات قرار داده و مبلغ را پرداخت نمایید.
پس از پرداخت، مقاله از طریق ایمیل برای شما ارسال میگردد.
مقاله انگلیسی رایگان به همراه ترجمه ارسال خواهد شد.
 
 
عنوان انگلیسی:
 
 
 
A Multi-Objective Evolutionary Algorithm for enhancing Bayesian Networks hybrid-based modeling
 
 
 
ژورنال:
 
 
 
www.elsevier.com/locate/camwa
 
 
 

ترجمه چکیده:
 
 
 

شبکه‌های بیزین به طور گسترده برای مدل کردن سیستم‌های ترکیبی اجتماعی- اقتصادی از طریق کسب دانش خبره به کار می‌روند حتی زمانی که میزان داده‌ها بسیار کم بوده و یا اصلا موجود نباشد. در این مقاله، یک الگوریتم تکاملی چندهدفه (MOEA) به منظور ارزیابی پارامترهای (ارتباط/ وزن‌های ورودی) روابط وابستگی فازی یک شبکۀ بیزین (BN) به کار می‌رود. این الگوریتم طراحی شده است تا شامل یک مدل هیبریدی باشد که شبیه‌سازی مونت کارلو و رابط فازی را با هم ترکیب می‌کند. نمونه اولیۀ مبتنی بر الگوریتم تکاملی چندهدفه وزن‌های ورودی روابط وابستگی فازی را با کمک یادگیری از داده‌های خروجی موجود ارزیابی می‌کند. در سیستم‌های اجتماعی- اقتصادی، تعیین نحوۀ تاثیرگذاری متغیر خاص وردی روی نتایج مورد انتظار می‌تواند بسیار مهم باشد و این موضوع هنوز یکی از چالش‌‌های مهم در مدلسازی بیزین است. الگوریتم تکاملی چندهدفه از طریق تخمین سهام مهاجر به عنوان یک متغیر وابسته در یک مدل شبکۀ بیزین برای پیش‌بینی وجوه واگذاری، بررسی شد. برای یک سال مشخص، نتایج نشان دهندۀ وزن‌های ورودی مشابه نسبت به وزن‌هایی داده شده با اقتصاددان‌ها است اما نیازمند محاسبات زیادی است. روش هیبریدی ارائه شده یک رویۀ کارا برای تخمین مقادیر خروجی یک شبکۀ بیزین است.

 
 
 
 چکیده انگلیسی:
 
 
Bayesian Networks are increasingly being used to model complex socio-economic systems by expert knowledge elicitation even when data is scarce or does not exist. In this paper, a Multi-Objective Evolutionary Algorithm (MOEA) is presented for assessing the parameters (input relevance/weights) of fuzzy dependence relationships in a Bayesian Network (BN). The MOEA was designed to include a hybrid model that combines Monte- Carlo simulation and fuzzy inference. The MOEA-based prototype assesses the input weights of fuzzy dependence relationships by learning from available output data. In socioeconomic systems, the determination of how a specific input variable affects the expected results can be critical and it is still one of the most important challenges in Bayesian modeling. The MOEA was checked by estimating the migrant stock as a relevant variable in a BN model for forecasting remittances. For a specific year, results showed similar input weights than those given by economists but it is very computationally demanding. The proposed hybrid-approach is an efficient procedure to estimate output values in BN.

دیدگاه خود را بنویسید

دیدگاه پس از تائید مدیریت منتشر می شود.