Генетические нечеткие системы
В информатике и операций исследовании генетические нечеткие системы — это нечеткие системы, созданные с использованием генетических алгоритмов или генетического программирования, которые имитируют процесс естественной эволюции, чтобы определить ее структуру и параметры.
Когда дело доходит до автоматического определения и построения нечеткой системы, учитывая высокую степень нелинейности выходных данных, традиционные инструменты линейной оптимизации имеют несколько ограничений. Поэтому в рамках мягких вычислений методы генетических алгоритмов (ГА) и генетического программирования (ГП) успешно используются для идентификации структуры и параметров нечетких систем.
Нечеткие системы
[ редактировать ]Нечеткие системы — это фундаментальные методологии представления и обработки лингвистической информации с механизмами борьбы с неопределенностью и неточностью. Например, задача моделирования водителя, паркующего автомобиль, усложняет запись краткой математической модели по мере того, как описание становится более подробным. Однако уровень сложности заключается не столько в использовании простых лингвистических правил, которые сами по себе нечетки. Обладая такими замечательными свойствами, нечеткие системы широко и успешно применяются для решения задач управления, классификации и моделирования ( Мамдани , 1974 г.) (Клир и Юань, 1995 г.) (Педрич и Гомид, 1998 г.).
Идентификация нечеткой системы, хотя и упрощена по своей конструкции, представляет собой довольно сложную задачу, включающую в себя идентификацию(а) входных и выходных переменных, (б) базы правил (базы знаний), (в) функций принадлежности и (г) параметров отображения.
Обычно база правил состоит из нескольких правил ЕСЛИ-ТО, связывающих входные и выходные данные.Простое правило нечеткого контроллера может быть таким:
ЕСЛИ (ТЕМПЕРАТУРА = ГОРЯЧАЯ), ТО (ОХЛАЖДЕНИЕ = ВЫСОКАЯ)
Численное влияние/значение этого правила зависит от того, как формируются и определяются функции принадлежности HOT и HIGH.
Построение и идентификацию нечеткой системы можно разделить на (а) структуру и (б) идентификацию параметров нечеткой системы.
Структура нечеткой системы выражается входными и выходными переменными и базой правил, а параметрами нечеткой системы являются параметры правил (определяющие функции принадлежности, оператор агрегирования и функцию импликации) и параметры отображения, связанные с отображение четкого множества в нечеткое и наоборот. (Бастиан, 2000).
Была проделана большая работа по разработке или адаптации методологий, способных автоматически идентифицировать нечеткую систему по числовым данным. В частности, в рамках мягких вычислений были предложены важные методологии с целью построения нечетких систем с помощью генетических алгоритмов (ГА) или генетического программирования (ГП).
Генетические алгоритмы нечеткой идентификации систем
[ редактировать ]Учитывая высокую степень нелинейности выходных данных нечеткой системы, традиционные инструменты линейной оптимизации имеют свои ограничения. Генетические алгоритмы показали себя надежным и очень мощным инструментом для выполнения таких задач, как создание базы нечетких правил, оптимизация баз нечетких правил, генерация функций принадлежности и настройка функций принадлежности (Cordón et al., 2001a). Все эти задачи можно рассматривать как процессы оптимизации или поиска в больших пространствах решений (Бастиан и Хаяши, 1995) (Юань и Чжуан, 1996) (Кордон и др., 2001b).
Генетическое программирование для идентификации нечеткой системы
[ редактировать ]Хотя генетические алгоритмы являются очень мощными инструментами для идентификации нечетких функций принадлежности заранее определенной базы правил, они имеют свои ограничения, особенно когда речь идет об идентификации входных и выходных переменных нечеткой системы из заданного набора данных. Генетическое программирование использовалось для идентификации входных переменных, базы правил, а также задействованных функций принадлежности нечеткой модели (Bastian, 2000).
Многокритериальные генетические нечеткие системы
[ редактировать ]В последнее десятилетие многоцелевая оптимизация систем, основанных на нечетких правилах, привлекла широкий интерес в исследовательском сообществе и практиках. Он основан на использовании стохастических алгоритмов многокритериальной оптимизации для поиска эффективности Парето в сценарии с множеством целей. Например, целями одновременной оптимизации могут быть точность и сложность или точность и интерпретируемость. Недавний обзор этой области представлен в работе Fazzolari et al. (2013). Кроме того, [1] содержит актуальный и постоянно пополняющийся список ссылок по этой теме.
Ссылки
[ редактировать ]- 1974, Э.Х. Мамдани, Применение нечетких алгоритмов для управления простым динамическим объектом, Учеб. ИЭЭ 121 1584–1588.
- 1995, А. Бастиан, И. Хаяси: «Упреждающий гибридный генетический алгоритм для нечеткого моделирования», Журнал Японского общества нечеткой теории и систем, том 10, стр. 801–810.
- 1995, Клир, ГБ Юань, Нечеткие множества и нечеткая логика - теория и приложения , Прентис-Холл.
- 1996, Ю. Юань и Х. Чжуан, «Генетический алгоритм для генерации правил нечеткой классификации», Нечеткие множества и системы, т. 84, № 4, стр. 1–19.
- 1998, В. Педрич и Ф. Гомид, Введение в нечеткие множества: анализ и проектирование , MIT Press.
- 2000, А. Бастиан: «Идентификация нечетких моделей с использованием генетического программирования», Нечеткие множества и системы 113, 333–350.
- 2001, О. Кордон, Ф. Эррера, Ф. Гомид, Ф. Хоффманн и Л. Магдалена, Десять лет генетически-нечетких систем: современная структура и новые тенденции , Материалы совместного 9-го Всемирного конгресса IFSA и 20-й Международной конференции NAFIPS, стр. 1241–1246, Ванкувер, Канада, 2001 г.
- 2001, О. Кордон, Ф. Эррера, Ф. Хоффманн и Л. Магдалена, Генетические нечеткие системы. Эволюционная настройка и изучение нечетких баз знаний , Достижения в нечетких системах: приложения и теория, World Scientific.
- 1997, Х. Ишибучи, Т. Мурата, И.Б. Тюркшен, Однокритериальные и двухкритериальные генетические алгоритмы для выбора лингвистических правил для задач классификации образов , Нечеткие множества и системы, Т. 89, № 2, стр. 135–150
- 2007, М. Кокоччиони, Б. Лаццерини, Ф. Марчеллони, Многокритериальный эволюционный подход на основе Парето к идентификации нечетких систем Мамдани , Soft Computing, V.11, N.11, стр. 1013–1031.
- 2011, М. Кокоччиони, Б. Лаззерини, Ф. Марчеллони, О сокращении вычислительных затрат в многокритериальных генетических нечетких системах Такаги-Сугено , Applied Soft Computing, т. 11, № 1, стр. 675–688.
- 2013, М. Фаццолари, Р. Алькала, Ю. Нодзима, Х. Ишибучи, Ф. Эррера, Обзор применения многокритериальных эволюционных нечетких систем: текущий статус и дальнейшие направления , IEEE T. Нечеткие системы, т. 21, N . 1, стр. 45–65.
- [1] Эволюционная многокритериальная оптимизация нечетких систем, основанных на правилах. Страница библиографии.