بهینه سازی شبکه عصبی ELM در مسئله پیش بینی

برای محیط همیشه در حال تغییر این دوران و تغییر در شیوه تعاملات شرکت ها با تامین کنندگان و مشتریان و پیچیدگی بازارها، کاهش دوره عمر محصولات و اهمیت یافتن زمان پاسخگویی به مشتریان، پیش بینی تقاضای محصول  عامل حیاتی برای رقابت پذیری سازمان ها می باشد. با پیش بینی دقیق الگوهای تقاضا، دولت و تولیدکنندگان  می توانند براساس میزان و جهت جریان آتی تولید، برنامه ریزی ها را سازماندهی کنند و زیرساخت بهتری در رشد صنعت مهیا سازند. با هدف ارائه یک  ابزار دقیق پیش بینی در صنعت فولاد، این مطالعه، به بهینه سازی شبکه عصبی ELM به کمک الگوریتم ژنتیک می پردازد. که در آن پارامترهای شبکه، از قبیل تعداد و توابع فعالسازی نورون ها در لایه مخفی، وزن های اتصالی بین ورودی ها و نورون های لایه مخفی، بایاس نورون های لایه مخفی و  (پارامتر تنظیم سازی)، به کمک الگوریتم ژنتیک تعیین می شود. برای پیش بینی تقاضا فولاد خام کشور، داده های  مرتبط با تولید و مصرف فولاد خام و محصولات فولادی کشور، بصورت ماهیانه و در بازه زمانی دی ماه 88 تا مرداد ماه 92 (جمعا 44 نمونه و 22 مشخصه) جمع آوری گردید. داده های دی ماه 88تا بهمن91 در آموزش شبکه و داده های مربوط به  اسفند91 تا مرداد 92 در آزمون شبکه استفاده شد. برای نشان دادن کارایی مدل پیش بینی کننده،مقایسه ی عملکرد از لحاظ دقت پیش بینی و سرعت یادگیری بین الگوریتم ELM بهینه شده باالگوریتم ELM و سایر شبکه های عصبی صورت گرفته است. معیارهای پیش بینی نشان دهنده ی عملکرد خوب ELM بهینه شده نسبت به سایر شبکه های عصبی می باشد. براساس آزمون های آماری و  خطاهای RMSE و MAPE نتایج نشان می دهد که دقت ELM به مراتب بهتر از سایر روش های شبکه عصبی است. به علاوه، مدل ELM دو بار سریعتر از شبکه های عصبی کلاسیک است. براساس یافته ها می توان به یقین گفت که بین الگوریتم های مورد بررسی، ELM ابزار دقیق تر و قوی تری در مسئله تقاضای فولاداست.البته نوع بهینه یافته شبکه عصبی ELM دقت بهتری در مدل سازی تابع تقاضا داشته است ، ولی روش ELM از نظرزمانی بهینه تر بوده است.