محاسبه احتمال شکست به روش تحلیلی به دلیل پیچیدگی ساختار سیستم های کنترلی غالبا غیرممکن است. بنابراین روشه ای تقریبی مختلفی نظیر مونت کارلو SORM ،FORM و . . . برای محاسبه احتمال شکست مورد استفاده قرار میگیرد. روش های FORM و SORM دارای سرعت بالاتر و دقت کمتر در محاسبه احتمال شکست میباشند، در حالیکه روش مونت کارلو دارای زمان اجرای بسیار بالا و دقت بهتری است. در این مقاله با ترکیب روش مونت کارلو با شبکه عصبی از نوع GMDH زمان اجرا به شدت کاهش می یابد، درحالی که دقت محاسبات نیز حفظ شده است کنترلر بهینه چندهدفی مقاوم PI برای سیستم مرتبه اول با استفاده از الگوریتم ژنتیک و به کمک روش پیشنهادی در این تحقیق طراحی میشود. در روش پیشنهادی و در فرایند بهینه سازی به جای شبیه سازی سیستم، فقط با فراخوانی یک تابع چندجمله ای که از فرایند آموزش و تعمیم در شبکه عصبی به صورت بهینه ایجاد شده است، به محاسبه توابع هدف پرداخته میشود. مقایسه نتایج، برتری قابل توجهی را نسبت به تحقیقات قبلی در این زمینه نشان میدهد.
