Abstract:
อ้อยเป็นพืชเศรษฐกิจที่สำคัญที่ใช้ในอุตสาหกรรมการผลิตน้ำตาล แต่ปริมาณอ้อยที่เกษตรกรผลิต
เพื่อส่งเข้าสู่โรงงานมีความไม่แน่นอน ส่งผลให้โรงงานผลิตน้ำตาลมีความเสี่ยงในแง่ของวัตถุดิบในการผลิต การพยากรณ์ปริมาณผลผลิตอ้อยของเกษตรกรจะช่วยให้โรงงานผลิตน้ำตาลสามารถคาดการณ์และวางแผนการผลิตได้เหมาะสม งานวิจัยนี้จึงนำเสนอขั้นตอนวิธี (mu+lambda) adaptive evolution strategies สำหรับสร้างสมการพยากรณ์ ปริมาณผลผลิตอ้อยของเกษตรกร ขั้นตอนวิธีที่นำ เสนอเป็นการนำเอาข้อดีของสองอัลกอริทึมมารวมกัน กล่าวคือ นำความสามารถของ genetic algorithm ในการหารูปแบบของสมการมารวมกับความสามารถของ evolution strategies ในการปรับค่าสัมประสิทธิ์ สมการที่ได้จากขั้นตอนวิธีที่นำเสนอถูกนำมาทดสอบกับข้อมูลของเกษตรกร ผู้ปลูกอ้อยใน 24 จังหวัดของประเทศไทย ในปี ค.ศ. 2010 – 2014 ผลการทดลองพบว่าขั้นตอนวิธีที่นำเสนอมี ความถูกต้องในการพยากรณ์ปริมาณผลผลิตประมาณ 88% ซึ่งเมื่อเทียบกับวิธีที่เป็นที่นิยมอย่าง back propagation neural network (BPNN) พบว่าขั้นตอนวิธีที่นำเสนอมีความแม่นยำมากกว่าในทุกกรณีทดสอบ นอกเหนือจากการพยากรณ์ปริมาณผลผลิตแล้ว งานวิจัยนี้ยังนำเสนอโมเดลการพยากรณ์คุณภาพของ ผลผลิตอ้อยด้วย (CCS) ผู้วิจัยได้ศึกษาเปรียบเทียบโมเดลพยากรณ์ที่ได้จาก 3 ขั้นตอนวิธี กล่าวคือ back propagation neural network (BPNN), (mu+lambda) adaptive evolution strategies และ deep neural network ซึ่งผลการวิจัยพบว่าโดยเฉลี่ยแล้ว deep neural network
ให้ค่าความผิดพลาดในการพยากรณ์ปริมาณ ผลผลิตน้อยสุด ส่วนในแง่ของการพยากรณ์คุณภาพ วิธี (mu+lambda) adaptive evolution strategies ให้ค่าความผิดพลาดต่ำสุด
