کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
470486 698501 2013 10 صفحه PDF 13 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
A Multi-Objective Evolutionary Algorithm for enhancing Bayesian Networks hybrid-based modeling
ترجمه فارسی عنوان
یک الگوریتم تکاملی چندهدفه برای بهبود مدلسازی هیبریدمحور شبکه‌های بیزین
کلمات کلیدی
الگوریتم چند هدف تکاملی - استنتاج فازی - شبکه های بیزی - شبیه سازی مونت کارلو - حواله ها -
فهرست مطالب مقاله
چکیده
مقدمه
چارچو ب روش
شبکه‌های بیزین
ساختار رابطۀ وابستگی
مدل شبیه‌سازیشکل1. روش هیبریدمحور برای مدلسازی سیستم پیچیدۀ تحت عدم قطعیت. 
فرایند تعیین وزن
مسالۀ بهینه‌سازی چندهدفه
الگوریتم تکاملی چندهدفه
بررسی تجربی
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.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
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 socio-economic 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.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Mathematics with Applications - Volume 66, Issue 10, December 2013, Pages 1971–1980
نویسندگان
, , ,