شبکه عصبی بهبود یافته با الگوریتم ژنتیک یک ابزار بسیار نوین و کارامد جهت پیش بینی بر اساس هوش مصنوعی می باشد. این ابزار قابلیت توسعه تحقیقاتی دارد. در ابتدا لازم است تا شبکه عصبی خاکستری به خوبی شناخته شود. در شبکه عصبی کلاسیت، ارتباطات بین نود ها به صورت بایاس یا وزن مشخص می شود. وزن ها اعداد قطعی هستند که تلاش می کنند رابطه بین ورودی و خروجی را ایجاد کنند. این وزن ها با الگوریتم های مختلف مثل الگوریتم ژنتیک بهینه سازی می شوند. این وزن ها در شبکه عصبی کلاسیک همواره یک عدد ثابت هستند. این در حالی است که در شبکه عصبی خاکستری وزن ها به صورت یک بازه [a,b] در نظر گرفته می شود. حسن این نوع شبکه عصبی آن است که می تواند خطای پیش بینی را کاهش دهد. نکته قابل توجه در این خصوص آن است که برای پیاده سازی شبکه عصبی خاکستری، حتما نیاز به تحلیل خاکستری می باشد. تحلیل خاکستری روشی است که ویظفه جمع، تفریق، ضرب، تقسیم و مقایسه اعداد خاکستری را بر عهده دارد. در ادامه به تحلیل تحلیل خاکستری پرداخته می شود.
اصل اساسی GCA تعیین درجه شباهت توالی داده متفاوت است، که درجه همبستگی نامیده می شود. هر چه منحنی های دو داده مشابه تر باشند، درجه همبستگی بزرگتر می شود، و این نشان می دهد که رابطه بین دو توالی داده نزدیک است. مراحل ساخت مدل و راه حل به شرح زیر است.
مرحله 1: ویژگی اصلی توالی داده به این صورت تعیین می شود (X0 = (x01, x02, … , x0k, …, x0N، که در آن N طول توالی داده است. توالی داده اصلی مرتبط به این صورت است Xi = (xi1, xi2, … , xik, …, xiN)، i = 1, 2, …, m، که در آن m تعداد فاکتورهاست.
مرحله 2: Y0 = (y01, y02, … , y0k, …, y0N) توالی داده ویژگی بهینه و ( Yi = (yi1, yi2, … , yik, …, yiN توالی داده مرتبط نرمال است.
مرحله 3: محاسبه عدد مرتبط
در محاسبه عدد مرتبط از علم تحلیل خاکستری استفاده می شود که می توانید در اینجا دنبال کنید
در مرحله نهایی اجرای روش شبکه عصبی خاکستری بهبود یافته با الگوریتم ژنتیک، لازم است وزن نود ها که به صورت اعداد بازه ای هستند، از الگوریتم ژنتیک استفاده می شود. برای یادگیری شیوه استفاده از الگوریتم ژنتیک در شبکه عصبی خاکستری می توانید پست زیر را مطالعه کنید