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

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

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

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

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

• 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.