لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه:28
فهرست مطالب
1- مقدمه:
2- مرور ادبیات
2-1- پیش بینی قیمت نفت خام
2-2- کاربرد شبکه عصبی در پیش بینی
2-3- الگوریتم ژنتیک در شبکه عصبی
3- داده ها
4- شبکه عصبی سنتی: «آزمون و خطا»
4-1- بازسازی فضای برداری
4-2- پیش پردازش داده ها
4-3- تعیین معماری شبکه عصبی
4-4- آموزش و آزمایش شبکه عصبی
5- شبکه عصبی تلفیقی: «بکارگیری الگوریتم ژنتیک»
5-1- بازنمایی معماری شبکه در قالب کروموزوم
5-2- تابع برازش (Fitness Function)
5-3- روند اجرای گام های الگوریتم ژنتیک (Genetic Algorithm)
5-3-1- جمعیت اولیه (Initial Population)
5-3-2- انتخاب (Selection)
5-3-3- تولید مثل (Cross-over)
5-3-4- جهش (Mutation)
5-3-5- مبارزه انتخاباتی (Election Tournament)
5-3-6- نخبه سالاری (Elitism)
5-3-7- همگرایی (Convergence)
5-4- آموزش و آزمایش شبکه عصبی
6- نتایج محاسباتی
7- نتیجه گیری و تحقیقات آتی
مقدمه:
تصمیمات امروز مدیریت، براساس شرایطی که در آینده محقق خواهد شد اتهاذ می گردند. لذا آگاهی از شرایط آتی، برای بهبود تصمیماتی که امروز گرفته می شوند امری حیاتی است و این اطلاع نیز تنها با پیش بینی های دقیق و قابل اطمینان که بر مدل های مناسب استوار باشند میسر است.
نفت خام کالایی است که به صورت بین المللی خرید و فروش می گردد. با اینکه قیمت نفت، اساساً از برهم کنش عرضه و تقاضا شکل می گیرد اما به شدت تحت تأثیر وقایعی نظیر سطح موجودی ها، مسائل سیاسی، هیجانات بازار و حتی آب و هوا می باشد. این شرایط باعث شده است که بازار نفت، بازاری بسیار متغیر و پیچیده باشد که درک مکانیسم بنیادین و قواعد حاکم بر آن به سادگی میسر نیست.
پیچیدگی های ذکر شده باعث شده است که مدل های خطی پیش بینی، عملکرد مناسبی در این زمینه نداشته باشند. بدین جهت است که محققین به استفاده از روش های غیرخطی برای پیش بینی روی آورده اند. یکی از این روش ها، روش شبکه عصبی می باشد که با الهام از سیستم عصبی انسان به وجود آمده است. شبکه عصبی عملکرد مناسبی در پیش بینی سری های زمانی مختلف از خود نشان داده است.
علیرغم مزایای پیش گفته، یکی از مشکلات عمده ای که در استفاده از شبکه عصبی وجود دارد، فرآیند «آزمون و خطا» برای تعیین معماری بهینه آن می باشد که کاری طاقت فرسا و زمان بر است. با توجه به قدرت فراوان الگوریتم ژنتیک در جستجوی فضاهای جواب بزرگ و پیچیده، محققین اخیراً از الگوریتم ژنتیک برای تعیین معماری بهینه استفاده کرده اند.
این مقاله تلفیقی از شبکه عصبی و الگوریتم ژنتیک ارائه داده است که می تواند به نحو مناسبی به پیش بینی قیمت نفت بپردازد. در این رویکرد، ابتدا کروموزومی که ژن های آن نمایش دهنده پارامترهای معماری شبکه می باشند تعریف می شود. سپس یک جمعیت اولیه تصادفی (نسل اول) از این کروموزوم ها ایجاد می گردد که با طی کردن روند تکاملی به سمت معماری بهینه حرکت می کند. بهترین عضو از آخرین نسل، معماری بهینه (یا نزدیک به بهینه) می باشد.
داده های مورد استفاده برای برآورد مدل ترکیبی پیشنهادی، قیمت های نفت خام West Texas Intermediate (WTI) در بازه زمانی 1988 تا 2004 می باشند و قیمت های سال 2005 و 2006 نیز برای آزمایش مدل پیشنهادی و سنجیدن میزان کارآیی آن بکار گرفته شده اند. مقایسه های انجام شده نشان می دهند که پیش بینی های مدل پیشنهادی، بر سایر روش ها برتری دارد.
2- مرور ادبیات
در این قسمت، ابتدا برخی از تحقیقاتی که اخیراً در زمینه پیش بینی قیمت نفت انجام شده، به صورت مختصر مورد بررسی قرار گرفته و نتایج گزارش شده توسط آنها به صورت کلی مقایسه شده است. آنگاه کاربردهای مختلف شبکه عصبی در سایر مسائل پیش بینی، به صورت عام، ذکر شده و نهایتاً تحقیقاتی که در سال های اخیر در زمینه استفاده از الگوریتم ژنتیک در شبکه عصبی انجام شده اند آمده است.
تحقیق در مورد شبکه عصبی و الگوریتم ژنتیک در پیش بینی قیمت نفت
