یادگیری هوشمند قوانین ‎eca‎ در محیط های پویای رویدادی

با پیشرفت سیستم های هوشمند مدیریتی و کنترلی، استفاده از داده های دریافتی مربوط و منسجم سازی آنها جهت تصمیم گیری های سودمند، حائز اهمیت است. امروزه از این سیستم ها در محیط های پویا برای سرعت عمل و دقت بیشتر استفاده می گردد. چهارچوب تصمیم گیری ها در برخی از این سیستم ها براساس قوانین سیستم است و یکی از انواع قوانین مورد استفاده در محیط های پویا، قوانین ‎‎رویداد، شرایط، عملکرد eca(event condition action) ‎ است. گذر زمان و تغییر شرایط محیطی، از جمله عامل هایی هستند که موجب کاهش سودمندی این قوانین می گردند؛ زیرا در هر برهه زمانی درخواست ها و نیازهای کاربران از سیستم تغییر می یابد. همچنین به دلیل پویایی محیط و عدم اطلاع از نرخ رخ دادن شرایط جدید و ناشناخته مرتبط، نرخ تغییرات در قوانین مشخص نیست و می تواند کم یا زیاد باشد. از این رو جهت حفظ کارآیی مورد نظر سیستم، یک سیستم هوشمند یادگیری قوانین مورد نیاز است. در این رساله، برای اولین بار یادگیری هوشمند قوانین ‎‎‎eca‎‎‎ بررسی شده است و روشی نوین با اتکا به توسعه روش درخت فازی انعطاف پذیر ‎mflexdt‎با شبکه های عصبی برای به کارگیری در محیط های پویا ارائه خواهد شد که علاوه بر در نظر گرفتن شرایط عدم قطعیت، از بی توجهی و از بین رفتن داده ها (به دلیل عدم امکان ذخیره تمامی آن ها) در مراحل مختلف نیز جلوگیری می نماید. همچنین به دلیل حساسیت زمان، سرعت عمل و وجود داده های جریانی در محیط های پویا، یک مدل یادگیری سلسله مراتبی نیز مطرح می شود. در این رساله با در نظر گرفتن تجارت الکترونیک و مدیریت منابع در گرید به عنوان مسائل مورد مطالعه، کارآیی روش پیشنهادی با شبیه سازی مورد سنجش و ارزیابی قرار گرفته است.