Алгоритм эволюционной стратегии для настройки нечеткой системы
Классический алгоритм эволюционной стратегии для настройки нечеткой системы приведен ниже: Вход: Таблица наблюдений; Выход: Оптимизированная база правил. Значение ошибки нечеткого вывода. Алгоритм: Шаг 1. Задание количества термов Шаг 2. Построение базы правил для каждой хромосомы: • Построение нечетких термов, равномерно распределенных по каждой переменной • Задание консеквентов для каждого правила методом ближайшего из таблицы наблюдение Шаг 3. Генерация хромосом Шаг 4. Подсчет ошибок Шаг 5. Выбор параметров алгоритма эволюционной стратегии: • задание количества итераций • количество точек скрещивание и алгоритм скрещивание • вероятность мутации • тип алгоритма селекции Шаг 6. Генерация начальной популяции Шаг 7. Вычисление меры приспособленности. Если достигнуто условие выхода Шаг 11, иначе Шаг 8 Шаг 8. Применение алгоритма скрещивания Шаг 9. Применение алгоритма мутации Шаг 10. Селекция и отбор хромосом для новой популяции. Переход на Шаг 7 Шаг 11. Вывод решения – «наилучшей» хромосомы
Алгоритмическая часть программы
В среде визуального программирования Microsoft Visual Studio 2010 была написана программа, предназначенная для параметрической идентификации нечетких систем, в основе которой лежат алгоритм эволюционной стратегии. Входными данными является таблица наблюдений, выходными – набор параметров нечеткой системы, обеспечивающий наиболее адекватное построение модели, и значения основных ошибок, по которым оценивается адекватность. Реализованы несколько типов оператора скрещивания: многоточечный и унифицированный тип. Селекция – случайный отбор, турнирный отбор, рулеточный отбор и стратегия элитаризма. В результате применения оператора мутации случайным образом вносятся изменения в гены некоторых особей. Исследована многоточечная случайная мутации.
Заключение
В ходе разработки и исследования системы параметрической идентификации нечетких моделей были получены тестовые результаты на тестовых функциях, которые показали необходимость в доработке и возможной модернизации. В дальнейшем планируется тестирование системы на реальных данных, сравнение результатов с методами генетического алгоритма. Модернизация эволюционной стратегии засчет применения матриц ковариации. Также возможно применение других функций принадлежности. Но об этом в следующий раз.
Литература
1. S. Hoche, and S. Wrobel. A Comparative Evaluation of Feature Set Evolution Strategies for Multirelational Boosting. Proc. 13th Int. Conf. on ILP 2003. 2. Espinosa J., Vandewalle J., Wertz V. Fuzzy logic, identification and predictive control. — London: Springer-Verlag, 2005. — 263 p. 3. Рутковская Д., Пилиньский М., Рутковский Л.: Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия-телеком, 2006. — 452 с. 4. Ходашинский И.А. Технология идентификации нечетких моделей типа синглтон и Мамдани. / Труды VII международной конференции «Идентификация систем и задачи управления» SICPRO ’08. Москва, 28-31 января 2008 г. Институт проблем управления им. В.А. Трапезникова РАН. — М: Институт проблем управления им. В.А. Трапезникова РАН, 2008. — С. 137-163. 5. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. — М.: «Нолидж», 2000. 352 c. 6. Пантелеев А.В., Летова Т.А. Методы оптимизации в примерах и задачах. — М.: Высш. шк., 2005. — 544 c