ارائه یک الگوریتم هیبریدی از جستجوی کلاغ بهینه شده با سیستم فازی و الگوریتم جستجوی گرانشی و به کارگیری آن در آموزش شبکه عصبی رو به جلو

مبنای اصلی الگوریتم جستجوی کالغ CSA پنهان کردن غذا است. این الگوریتم همگرایی کمی دارد و در بهینه های محلی گیر میکند. الگوریتم جستجوی گرانشی GSA  یک الگوریتم جدید بهبود یافته ابتکاری مبتنی بر قانون جاذبه و تعامالت جرم است و توانایی خوبی در بهینه سراسری دارد، اما سرعت جستجوی آن کند است و در تکرارهای آخر رنج میبرد.دراین تحقیق، بهبود روش الگوریتم کالغ در دو مرحله صورت گرفته است: در مرحله اول با یک سیستم فازی پارامترهای CSA تنظیم شده است و در مرحله دوم از الگوریتم گرانشی استفاده شده است. الگوریتم جستجوی کالغ با فازی FCSA  اصلاح ومقادیر خروجی آن به عنوان جمعیت اولیه به GSA داده میشود و خروجی این دو، مقادیر اولیه شبکه عصبی رو به جلو FNNs  را مقداردهی میکند. دراین مقاله، GSAو FCSAGSA برای  FNNs  به کارگرفته میشوند و دقت حاصل از FNNs با PSO،GSA و PSOGSA بررسی میشود و نتایج نشان میدهدکه روش پیشنهادی عملکرد بهتری نسبت به PSO،GSA و PSOGSA برای آموزش FNNs از لحاظ سرعت همگرایی و اجتناب ازبهینه محلی دارد.با شبیه سازی نشان میدهیمکه یک FNNs آموزش دیده باFCSAGSA خطای کمتری نسبت به FNNs آموزش دیده با GSA دارد.