Генетические нечеткие системы - это нечеткие системы, построенные с использованием генетических алгоритмов или генетического программирования, которые имитируют процесс естественной эволюции, чтобы идентифицировать его структуру и параметры.
Когда дело доходит до автоматического определения и построения нечеткой системы, учитывая высокую степень нелинейности вывода, традиционные инструменты линейной оптимизации имеют несколько ограничений. Таким образом, 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 устранения неопределенности и неточности. Например, задача моделирования водителя, припарковывающего автомобиль, связана с большими трудностями при написании 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 нечеткие. Обладая такими замечательными качествами, нечеткие системы широко и успешно применялись для задач управления, классификации и моделирования ( Mamdani , 1974) (Klir and Yuan, 1995) (Pedrycz and Gomide, 1998).
Несмотря на упрощенную конструкцию, идентификация нечеткой системы представляет собой довольно сложную задачу, которая включает в себя идентификацию (а) входных и выходных переменных, (б) базы правил (базы знаний), (в) функций принадлежности и ( г) параметры отображения.
Обычно база правил состоит из нескольких правил IF-THEN, связывающих вход (ы) и выход (ы). Простое правило нечеткого контроллера может быть таким:
ЕСЛИ (ТЕМПЕРАТУРА = ГОРЯЧАЯ) ТО (ОХЛАЖДЕНИЕ = ВЫСОКАЯ)
Числовое влияние / значение этого правила зависит от того, как сформированы и определены функции принадлежности HOT и HIGH.
Построение и идентификация нечеткой системы можно разделить на (а) структуру и (б) идентификацию параметров нечеткой системы.
Структура нечеткой системы выражается входными и выходными переменными и базой правил, в то время как параметрами нечеткой системы являются параметры правила (определяющие функции принадлежности, оператор агрегации и функцию импликации) и параметры отображения, относящиеся к отображение четкого множества в нечеткое , и наоборот. (Bastian, 2000).
Была проделана большая работа по разработке или адаптации методологий, способных автоматически определять нечеткую систему по числовым данным. В частности, в рамках мягких вычислений были предложены важные методологии с целью построения нечетких систем с помощью генетических алгоритмов (GA) или генетического программирования (GP).
Генетические алгоритмы для идентификации нечетких систем
Учитывая высокую степень нелинейности вывода нечеткой системы, традиционные инструменты линейной оптимизации имеют свои ограничения. Генетические алгоритмы продемонстрировали, что они являются надежным и очень мощным инструментом для выполнения таких задач, как создание нечеткой базы правил, оптимизация баз нечетких правил, создание функций принадлежности и настройка функций принадлежности (Cordón et al., 2001a). Все эти задачи можно рассматривать как процессы оптимизации или поиска в больших пространствах решений (Bastian and Hayashi, 1995) (Yuan and Zhuang, 1996) (Cordón et al., 2001b).
Генетическое программирование для нечеткой идентификации систем
Хотя генетические алгоритмы являются очень мощными инструментами для определения нечетких функций принадлежности заранее определенной базы правил, у них есть свои ограничения, особенно когда дело доходит до 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).
Многоцелевые генетические нечеткие системы
В последнее десятилетие многоцелевая оптимизация систем, основанных на нечетких правилах, вызвала широкий интерес исследовательского сообщества и практиков. Он основан на использовании стохастических алгоритмов многоцелевой оптимизации для поиска эффективности по Парето в сценарии с несколькими целями. Например, целью одновременной оптимизации может быть точность и сложность или точность и интерпретируемость. Недавний обзор этой области представлен в работе Fazzolari et al. (2013). Кроме того, [1] предоставляет обновленный и постоянно растущий список ссылок по этой теме.
Рекомендации
- 1974, EH Mamdani, Приложения нечетких алгоритмов для управления простым динамическим объектом, Proc. IEE 121 1584 - 1588.
- 1995, А. Бастиан, И. Хаяси: «Прогнозирующий гибридный генетический алгоритм для нечеткого моделирования», Журнал Японского общества нечеткой теории и систем, том 10, стр. 801–810
- 1995, Клир, Г. Б. 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, W. Pedrycz и F. Gomide, Введение в нечеткие множества: анализ и проектирование , MIT Press.
- 2000, А. Бастиан: «Идентификация нечетких моделей с помощью генетического программирования», нечеткие множества и системы 113, 333–350.
- 2001, О. Кордон, Ф. Эррера, Ф. Гомиде, Ф. Хоффманн и Л. Магдалена, Десять лет генетически-нечетких систем: текущие рамки и новые тенденции , Труды объединенного 9-го Всемирного конгресса IFSA и 20-й Международной конференции NAFIPS, С. 1241–1246, Ванкувер, Канада, 2001.
- 2001, О. Кордон, Ф. Эррера, Ф. Хоффманн и Л. Магдалена, Генетические нечеткие системы. Эволюционная настройка и изучение нечетких баз знаний , Достижения в области нечетких систем: приложения и теория, World Scientific.
- 1997, Х. Ишибучи, Т. Мурата, И.Б. Тюркшен, Одноцелевые и двухцелевые генетические алгоритмы для выбора лингвистических правил для задач классификации образов , Нечеткие множества и системы, Т. 89, № 2, стр. 135–150
- 2007, M. Cococcioni, B. Lazzerini, F. Marcelloni, Многоцелевой эволюционный подход на основе Парето к идентификации нечетких систем Мамдани, Soft Computing, V.11, N.11, pp. 1013–1031
- 2011, М. Кокоччони, Б. Лаззерини, Ф. Марчеллони, О сокращении вычислительных накладных расходов в многоцелевых генетических нечетких системах Такаги-Сугено , Прикладные мягкие вычисления, т. 11, № 1, стр. 675–688
- 2013, М. Фаззолари, Р. Алкала, Й. Нодзима, Х. Ишибучи, Ф. Эррера, Обзор применения многоцелевых эволюционных нечетких систем: текущее состояние и дальнейшие направления , IEEE T. Fuzzy Systems, т. 21, N 1. С. 45–65.
- [1] Эволюционная многокритериальная оптимизация систем с нечеткими правилами. Страница библиографии.