شبکۀ MLP^[42]
انواع مختلفی از شبکه های عصبی مانند پرسپترون، همینگ، هاپفیلد و غیره وجود دارد که در این تحقیق از شبکۀ MLP استفاده شده است ، در ادامه بیشتر توضیح داده می شود.
شبکه های پرسپترون چند لایه
به طور کلی شبکه های پرسپترون چند لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله مراتبی، یک شکل پیش خورد با یک یا چند لایه میانی )پنهان ( بین لایه های ورودی و خروجی را شکل می دهد.
هر لایه می تواند از تعدادی نرونهای مختلف با توابع تبدیل متفاوت برخوردار باشد. یعنی مدلهای نرونها در لایه ها می توانند متفاوت در نظر گرفته شوند. در شبکه MLP دو نوع سیگنال عموماً استفاده می شوند که بهتر است از هم تمیز داده شوند . یک نوع سیگنال هایی هستند که در مسیر رفت، حرکت می کنند )از چپ به راست ( و دسته دیگر سیگنال هایی هستند که در مسیر برگشت )از سمت راست به چپ( حرکت می کنند. به دسته اول، سیگنالهای تابعی^[۴۳] و به دسته دوم، سیگنالهای خطا^[۴۴] گویند. دلیل این نامگذاری این است که سیگنالهای دسته نخست، بر اساس تابعی از ورودیهای هر نرون و پارامترهای شبکه متناظر با آن محاسبه می شوند و سیگنالهای دسته دوم، به خاطر منشعب شدن از سیگنال خطا و توزیع برگشت از لایه خروجی به لایه های دیگر شبکه، به سیگنال خطا موسومند و خلاصه این که سیگنال تابعی، در مسیر رفت در شبکه از لایه ای به لایه دیگر توزیع می شود و سیگنالهای خطا در مسیر برگشت در شبکه منتشر می گردد.
مدل تک ورودی در شبکه های عصبی
نرون کوچکترین واحد پردازشگر اطلاعات است و اساس شبکه های عصبی را تشکیل می دهد. نرون یک واحد تحلیل گر است که سیگنال ها را از طریق نرون های متعدد دیگر و از طریق راه های ورودی رشته ای به نام دندریت ها دریافت و ترکیب می کند. وقتی که نرون، بالاتر از یک میزان معین (آستانه) تحریک شود، برانگیخته می شود و یک سیگنال الکتریکی را در طول یک مسیر به نام آکسون هدایت می کند. ارتباط بین آکسون یک نرون و دندریت نرون دیگر را سیناپس^[۴۵] می نامند. یک نرون منفرد می تواند دارای ۱۰۰ تا ۱۰۰۰۰ سیناپس باشد و با ۱۰۰۰ نرون دیگر ارتباط برقرار کند. شکل ۴-۸ ساختار یک نرون تک ورودی را نشان می دهد. اسکالرهایP و α به ترتیب ورودی و خروجی می باشد.

شکل ‏۳‑۸. ساختار یک نرون تک ورودی
میزان تاثیر p روی α به وسیلۀ مقدار اسکالر Wتعیین می شود. ورودی دیگر، که مقدار ثابت ۱ است، در جملۀ بایاس^[۴۶] (b) ضرب می شود سپس باWP جمع می شود. این حاصل جمع، ورودی خالص n برای f خواهد بود. بدین ترتیب خروجی نرون با معادلۀ زیر تعریف می شود:

( 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. )

(۳- ۵)
مدل چند ورودی شبکه عصبی
عموماً یک نرون بیش از یک ورودی دارد. شکل ۴-۹ نرونی با R ورودی را نشان می دهد. بردار ورودی با P نمایش داده می شود. اسکالرهای عناصر بردار P هستند. مجموعۀ سیناپس های عناصر ماتریس W را تشکیل می دهند. در این حالت،W یک بردار سطری با عناصرj=1,2,…,R و است. هر عنصر از بردار ورودی P در عنصر متناظر از Wضرب می شود. نرون، یک جمله بایاس (b) دارد که با حاصل ضرب وزن (W) با ورودی P جمع می شود . ورودی خالص n ، مطابق فرمول زیر محاسبه می شود:
(۳- ۶)
که در آن داریم:
(۳- ۷) و
در نهایت خروجی به صورت زیر خواهد بود:

شکل ‏۳‑۹. نرونی با R ورودی
تکنولوژی شبکه عصبی از چندین جنبه مزیتهای قابل توجهی نسبت به رویکرد سنتی سیستمهای خبره ۲ دارد. نخست، از آن جایی که شبکه های عصبی برای ساختاردهی نیازی به پایگاه دانش ندارند، استفاده از آنها در زمینه هایی که دانش اندکی وجود دارد، مناسب است. سیستمهای خبره سنتی، مرزهای موجود در طرحهای درون داد- برون داد را به صورت خطی ارائه می دهند، در حالی که شبکه های عصبی قادرند آنها را به صورت غیر خطی ارائه دهند. این ویژگی شبکه های عصبی در حل برخی مسائل بسیار سودمند است . همچنین، اگرچه در بیشتر نرم افزارهای مربوط به سیستمهای خبره می توان احتمالات مربوط به طبقه بندی را به نوعی در قواعد دخالت داد، به طور معمول این احتمالات باید به صورت صریح و مشخص وارد سیستم شوند. برخی از انواع شبکه های عصبی قادرند این احتمالات را از طریق فرایند آموزش، استنباط کنند. زمانی که درون دادها همبستگی زیادی با هم دارند، سیستم های خبره مبتنی بر قاعده^[۴۷] به سختی می توانند از داده های تاریخی، قواعد را توسعه دهند. این مشکل در پارادایم های یادگیری شبکه های عصبی وجود ندارد . بالاخره اینکه، عمل پردازش در شبکه های عصبی می تواند با سرعت بیشتری نسبت به سیستمهای سنتی صورت گیرد، زیرا شبکه ها تمامی اطلاعات موجود در مورد یک مساله را بصورت همزمان بررسی می کنند “Medsker et al . ۱۹۹۲”
کاربرد شبکه های عصبی مصنوعی
مدل سازی و تقریب توابع
طبقه بندی و خوشه بندی
فشرده سازی
بهینه سازی
کنترل و شناسایی سیستم
پیش بینی و استخراج ویژگی
مدل اتورگرسیو مرتبۀ P یا AR(P)
این مدل به صورت زیر تعریف می شود:
(۳-۸)
که فرایند تصادفی محض با میانگین صفر و واریانس است.
فرایند اتورگرسیو تقریباً مانند مدل رگرسیون چندگانه است، با این تفاوت که روی متغیّر های مستقل رگرسیون نشده است بلکه روی مقادیر گذشتۀ خودش رگرسیون شده است به همین جهت این فرایند را اتورگرسیو می نامند. به‌طور کلی در فرایند های AR(P) فرض بر این است که مقدار حال یک سری زمانی به مقادیر بلافاصله گذشتۀ آن همراه با یک خطای تصادفی ، بستگی دارد.
روش گردآوری اطلاعات
بطور کلی برای جمع آوری اطلاعات در این پایان نامه از اسناد کتابخانه ای استفاده شده است. و از طریق داده های پایگاه اطلاع رسانی مرکز پخش و پالایش فرآورده های نفتی ایران^[۴۸] استخراج شده است.
تعریف بهینه سازی
بهینه سازی بدین مفهوم است که در بین پارامتر های یک تابع بدنبال مقادیری باشیم که تابع را کمینه یا بیشینه کند. کلیۀ مقادیر مناسب جهت این امر را، راه حل های ممکن و بهترین مقدار از بین مقادیر را راه حل بهینه^[۴۹] می نامند. الگوریتم های بهینه سازی هر دو نوع مسائل بیشینه سازی و کمینه سازی را پوشش می دهند. به این علّت که هر مسألۀ بیشینه سازی قادر به تبدیل به مسائل کمینه سازی می باشد.
انواع روش های بهینه سازی
می توان روش های بهینه سازی را در دو حوزۀ بهینه سازی کلاسیک ، یعنی روش های مبتنی بر مشتق ریاضیاتی و بهینه سازه های ابتکاری یا تکاملی طبقه بندی کرد.
کلاسیک ها
روش های کلاسیک مبتنی بر مشتق ریاضی است. یکی از نقایص این روش ها این است که در مسائل پیچیده و چندبعدی و یا مسائلی که ویژگی های گسستگی ، مشتق ناپذیری نویز و اغتشاش اطلاعات ، فضای حالت ناپیوسته و معادله های غیرخطّی پیچیده ای دارند، فقط تا حدّ یافتن بهینه های محلی پیش می روند و از یافتن بهینۀ جامع و کلّی مسأله ناتوان هستند. در این روش برای برون رفت از جواب های محلّی اقدامی انجام نداده که همین عامل منجر به این می شود که با جواب های محلّی مسأله را تمام شده بدانند و همین جواب محلّی به عنوان جواب بهینه اعلام شود.
روش های ابتکاری^[۵۰]
روش های ابتکاری (فرا ابتکاری یا تکاملی) نیز نامیده می شوند. برای حل مشکلات بیان شده که غالباً مسائل بهینه سازی با آنها روبروست تدوین شده است. اگرچه نمی توان هیچ تضمینی قائل شد، اما آزمون این روش ها در مسائل مختلف فنی و مهندسی، اقتصاد، مالی و غیره نشان داده است که در صورت اجرای درست و انتخاب مناسب پارامتر‌های مربوطه از این روش می توان به پاسخ های مناسب تری نسبت به همتاهای کلاسیک شان دست یافت. عملکرد بهتر این روش ها به ماهیّت طراحی آنها باز می گردد، به عیارت دیگر ، اصولاً این روش ها بوجود آمده اند تا کم و کاستی های روش های کلاسیک را جبران و بهبود دهند.
فصل چهارم تجزیه و تحلیل داده‌ها
مقدمه
تجزیه و تحلیل داده ­ها برای پاسخ به سوالات تحقیق از اهمیت خاصی برخوردار است. این بخش اصلی­ترین و مهم­ترین بخش تحقیق به­شمار می­رود. در این فصل ابتدا نتایج به دست آمده با بهره گرفتن از روش فراابتکاری علف­های هرز، توده ذرّات و الگوریتم شبکه های هوش مصنوعی بیان می­ شود. سپس نتایج هریک ارائه می­گرددو با یکدیگر مقایسه می شوند در نهایت نیز کارایی این سه روش در انجام پیش ­بینی مورد بحث قرار می­گیرد. برای مقایسه کارایی از انواع خطاهای رایج در پیش ­بینی استفاده می­ شود. بنابراین توضیحی مختصر نیز از انواع خطاهای پیش ­بینی ارائه می­گردد.
جمع ­آوری داده­ ها
مصرف فرآورده های سوختی نفتی همچون نفت سفید، نفت کوره، بنزین موتور، نفت گاز داده ­های مورد نیاز این پژوهش می باشند که از پایگاه اطلاع رسانی شرکت پالایش و پخش فرآورده های نفتی گردآوری و به­دست آمده است جهت تجزیه و تحلیل داده های مربوط به مصرف این چهار فرآورده نفتی از سال های ۱۳۰۶ تا سال ۱۳۹۱ جمع آوری شده و مورد استفاده قرار گرفته است. جداول ۴-۱ تا ۴-۴ ونمودارهای ۴-۱ تا ۴-۴ مصرف این فرآورده ها را به تفکیک نشان می دهد.
جدول ‏۴‑۱. میزان مصرف بنزین موتور از سال ۱۳۰۶ تا ۱۳۹۱