Hybrid Self-Organizing Modeling Systems

روش گروهی مدیریت داده (GMDH) یک روش مدل‌سازی استقرایی معمولی است که بر اساس اصول خودسازماندهی برای مدل‌سازی سیستم‌های پیچیده ساخته شده است. با این حال، شناخته شده است که اغلب در وظایف رگرسیون ناپارامتری عملکرد کمتری دارد، در حالی که مدل‌سازی سری‌های زمانی GMDH تمایل به یافتن چندجمله‌ای‌های بسیار پیچیده را نشان می‌دهد که نمی‌توانند به خوبی نوسانات آینده و نادیده سری را مدل‌سازی کنند. به منظور کاهش این مشکلات، GMDH اخیراً با برخی از تکنیک‌های هوش محاسباتی (CI) ترکیب شده است که منجر به سیستم‌های هوشمند هیبریدی قوی‌تر و انعطاف‌پذیرتر برای حل مسائل پیچیده و دنیای واقعی می‌شود. موضوع اصلی این کتاب ارائه به شیوه ای بسیار واضح ترکیبی از برخی تکنیک های هوش محاسباتی و رویکرد GMDH است.

هیبریدهای مورد بحث در کتاب شامل الگوریتم GP-GMDH (Genetic Programming-GMDH)، الگوریتم GA-GMDH (Genetic Algorithm-GMDH)، DE-GMDH (تکامل متفاوت- الگوریتم GMDH) و الگوریتم PSO-GMDH (بهینه سازی ازدحام ذرات). همچنین شرح بازی اخیراً معرفی شده (الگوریتم تکامل مدل‌های تطبیقی ​​گروهی) ارائه شده است.

شخصیت ترکیبی مدل‌ها و توانایی خود سازماندهی آنها به این سیستم‌های مدل‌سازی خودسازمانده ترکیبی می‌دهد. یک مزیت نسبت به مدل‌های استاندارد داده کاوی.

راه‌حل‌های مدل‌سازی و داده‌کاوی چندین مشکل واقعی در حوزه‌های مهندسی، بیوانفورماتیک، مالی و اقتصاد ارائه شده است. این کتاب از جمله افرادی که در زمینه‌های شبکه‌های عصبی، یادگیری ماشین، هوش مصنوعی، مدل‌سازی و تجزیه و تحلیل سیستم پیچیده و بهینه‌سازی کار می‌کنند، سود می‌برد.

The Group Method of Data Handling (GMDH) is a typical inductive modeling method that is built on principles of self-organization for modeling complex systems. However, it is known to often under-perform on non-parametric regression tasks, while time series modeling GMDH exhibits a tendency to find very complex polynomials that cannot model well future, unseen oscillations of the series. In order to alleviate these problems, GMDH has been recently hybridized with some computational intelligence (CI) techniques resulting in more robust and flexible hybrid intelligent systems for solving complex, real-world problems. The central theme of this book is to present in a very clear manner hybrids of some computational intelligence techniques and GMDH approach.

The hybrids discussed in the book include GP-GMDH (Genetic Programming-GMDH) algorithm, GA-GMDH (Genetic Algorithm-GMDH) algorithm, DE-GMDH (Differential Evolution-GMDH) algorithm, and PSO-GMDH (Particle Swarm Optimization) algorithm. Also included is the description of the recently introduced GAME (Group Adaptive Models Evolution algorithm.

The hybrid character of models and their self-organizing ability give these hybrid self-organizing modeling systems an advantage over standard data mining models.

The modeling and data mining solutions of several real-life problems in the areas of engineering, bioinformatics, finance, and economics are presented in the chapters. The book will benefit amongst others, people who are working in the areas of neural networks, machine learning, artificial intelligence, complex system modeling and analysis, and optimization.