۲-۱۰-۲-۴- سایر روش­های یادگیری نگاشت­ ادراکی فازی: رویکردهای پیشنهادی دیگری برای یادگیری نگاشت­ ادراکی فازی ، ارائه شده است که از جمله آنها، روش یادگیری برگرفته از الگوریتم تبرید تدریجی ^[۵۷]، الگوریتم تبرید تصادفی^[۵۸][۱۲۳و۱۲۴] و الگوریتم جستجوی ممنوع ^[۵۹] است [۸۶]. این دو روش برای بهبود الگوریتم ژنتیک ایجاد شده است و از نوع استراتژی جستجوی محلی است. جستجوی محلی شامل حرکت از یک راه حل به راه حل دیگری در همسایگی است به طوریکه با قواعد تعریف شده مطابقت داشته باشد. تمرکز این روش­ها بر روی ایجاد و یادگیری روابط علی و معلولی و تعیین میزان تأثیر عوامل بر یکدیگر با بهره گرفتن از داده ­های تاریخی به شکل سری­های زمانی می­باشد [۸۴].

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

نقش داده ­کاوی این است که این دانش پنهان و ضمنی را آشکار کرده و شکل گراف و میزان جهت اثر را کاملاً مشخص کند. در ابتدا مقادیری دلخواه به یال­های گراف نسبت داده و بر اساس مفاهیم اثرگذاری گره­ها بر یکدیگر، مقادیر تخمینی هر گره در زمان بعدی تخمین زده می­ شود. این مقادیر تخمینی برای همه گره­ها و در همه زمان­ها محاسبه شده و نهایتاً برای هر گره یک سری زمانی تخمینی، همانند مقادیر واقعی آن گره ایجاد می­ شود. اختلاف بین مقادیر واقعی و مقادیر تخمینی به معنی اختلاف هر مرحله با واقعیت است. هدف اصلی سعی در کم کردن این اختلاف است و هر چه این اختلاف کم شود نشان می­دهد که خروجی تخمینی ایجاد شده توسط مدل شبیه رفتار واقعی گره­ها می­باشد. البته مهمترین مساله این است که گرافی ایجاد شده که اعداد روی یال­های این گراف اثرات گره­های مختلف بر روی همدیگر است [۸۴].
روش دیگر رندوم توافقی بر اساس جنبه­ های شبکه ­های عصبی رندوم^[۶۰] است [۱۲۵]. این الگوریتم از یک حالت و ماتریس وزنی اولیه نگاشت ادراکی فازی شروع می­ شود و وزن­ها را با محاسبات ماتریسی تعدیل می­نماید تا این که منجر به حالت پایدار مطلوب نگاشت ادراکی فازی شود [۱۲].
۲-۱۰-۲-۵- جمع­بندی روش­های یادگیری نگاشت ادراکی فازی: در دو گروه شبکه ­های عصبی و روش­های ژنتیک، دانشمندان به ارائه راه حل­هایی برای ساخت اتوماتیک نگاشت ادراکی فازی پرداخته­اند ولی بیشتر این روش­ها تنها روی نگاشت ادراکی فازی با تعداد گره کم کار کرده ­اند و مشکل همه آن­ها این بوده است که این روش­ها با افزایش تعداد گره به شدت تهدید شده است. برای رفع این مشکلات از داده ­کاوی و روش­های تحلیلی شامل رتبه ­بندی گراف بر اساس شاخص­ های اثرگذاری و اثرپذیری و همچنین خوشه­بندی گره­ها بر اساس شباهت اثرگذاری آن­ها بر دیگر گره­ها و نیز اثرپذیری آن­ها از دیگر گره­ها استفاده شده است [۸۴].
الگوریتم­های یادگیری برای نگاشت­های ادراکی فازی بر مبنای روش­های محاسباتی تکاملی نیازمند بررسی­های بیشتر است. در جدول (۲-۴) روش­های معمول یادگیری نگاشت­های ادراکی فازی به همراه برخی ویژگی­های آنها نشان داده شده است.
جدول (۲-۵): روش­های یادگیری نگاشت ادراکی فازی