Genetic Programming

معرفی مقاله

Local and global optimization for Takagi–Sugeno fuzzy system by memetic genetic programming

بهینه سازی محلی و جهانی برای سیستم فازی تاکاگی ــ سوگنو توسط برنامه ریزی ژنتیکی ممتیک (تقلیدی)


این مقاله روشی را برای اعمال یادگیری استاندارد عصبی- فازی برای سیستم های فازی تاگاشی- سوگنو که تحت چارچوب یک برنامه نویسی ژنتیک (GP) دستور زبان محور  تکامل یافته را ارائه می‌کند. این امر با معرفی هتروگلاسی در گره‌های GP اساسی امکان پذیر می‌شود و به آن ها توانایی تغییر رفتار بر‌اساس مرحله‌ی یادگیری مورد نظر را می‌دهد. گرامر فاقد متن از بیان اندازه‌ی قراردادی و سیستم‌های فازی مرکب پشتیبانی می‌کند و سیر تکامل را رهبری می‌کند. از حداقل مربعات بازگشتی و الگوریتم نزولی افت انتشار به عقب نیز در روش‌های تحقیق محلی استفاده شد. نسل دوم روش‌های ممتیک شامل برنامه نویسی ژنتیک با استفاده از روند تحقیقات محلی می‌باشد. این مقاله به موارد زیر پرداخته است: (الف)‌معرفی روش مورد نظر که به کارگیری یادگیری تحقیقات محلی‌در سیستم‌های هوشمند ایجاد‌شده توسط برنامه‌نویسی ژنتیکی را شامل می‌شود. (ب)‌معرفی مدل برای یادگیری ممتیک سیستم‌های فازی تاکاشی – سوگنو؛ (ج)‌نتایج تجربی‌ای که متغیرهای مدل را مورد ارزیابی قرار می‌دهند و به مقایسه‌ی مدل با مدل‌های هنری مبنا و مشکلات دنیای واقعی می‌پردازد (د) به کارگیری مدل پیشنهادی تحت کنترل.

 این مقاله روشی را برای در‌بر‌گرفتن روندهای نوروفازی استاندارد در سیستم‌های فازی تولید GP برای رگراسیون ارائه داد که با توسعه دادن به مجموعه‌ای عملی از GP برای حمایت از هتروگلاسی عمل می‌کند. در این سیستم GP ممتیک نوین (MMFIS)، فرایند توسعه توسط گرامر مستقل از متن کنترل می‌شود. بهینه سازی تحقیقات محلی شامل مربعات محدود بازگشتی برای بخش برآیند قوانین و همچنین انتشار رو به عقب شیب نزولی برای تنظیم و جایگزین MF در بخش‌های اولیه‌ی قوانین مربوط می‌شود. یادگیری تحقیقات محلی با مفهوم معادل الگوهای رفتاری در ارتباط است نتایج آن در ژن GP کد گذاری شده و به نسل‌های بعدی منتقل می‌شود. به منظور به کارگیری و استفاده از جستجوی محلی‌نرخ پارامتری خاصی که از بروز مسائل فرهنگی الهام گرفته شده بود ارائه گردیده است.

متغیرهای MEMFIS با یکدیگر مقایسه شدند و به منظور اجرای بهتر در موارد آزمایشی، پیکربندی ممتیک پیشنهاد داده شد. پس از آن سیستم مورد نظر در دو موضوع رگراسیون دنیای واقعی و یک مساله‌ی پیش‌بینی در حیطه‌ی مهندسی با سیستم‌های رگراسیون هنری متعدد مقایسه گردید. در هر دو مورد آزمایشی MEMFIS تعمیم‌پذیری بهتری از خود نشان داد‌و در مورد سوم نیز از لحاظ عملکرد در مقام دوم قرار گرفت. سپس از MEMFIS در کار کنترل پاندول معکوس استفاده گردید. در واقع بدون نیاز به اعمال هر گونه پیکر‌بندی قانون طراحی شده توسط انسان، فضای این مساله را برای نشان دادن تحقیقات عصبی‌– فازی تنظیم گردید. در مقایسه با نتایج تحقیقات قبلی، MEMFIS توانایی و ظرفیت بهتری برای استنتاج راه حل‌های رقابتی داشت. برای ارائه‌ی MEMFIS می‌توان قسمت‌های مختلفی از تحقیق را دنبال کرد. در طول این سیر تکامل، نمایه‌های یادگیری مختلف و نرخ تحقیقات محلی را مورد ارزیابی قرار گرفت. به جای استفاده از نرخ متغیر از پیش تعیین شده برای استناد به تحقیقات محلی نرخ تحقیق محلی انطباقی می‌تواند کارایی و بهره‌وری الگوریتم را بهبود بخشد. بر همین اساس می‌توان برای راه اندازی تحقیقات محلی مبتنی بر توزیع‌پذیری بر روی جمعیت از معیار فاصله بهره جست. در این مقاله از مفهوم هتروگلاس برای ادغام سه روش بهینه‌سازی استفاده شد: البته این مفهوم می‌تواند برای موارد دیگر همچون مسائل چند هدفه و یا ردیابی تکامل و انطباق خود نیز بکار گرفته شود. مدل پیشنهادی که برای یکی کردن یادگیری تحقیقات محلی با استفاده از برنامه‌نویسی ژنتیکی راهنمای گرامر مورد استفاده قرار می‌گیرد می‌تواند برای در‌بر‌گرفتن دیگر ساختارهای مبتنی بر GP نظیر شبکه‌های عصبی مبتنی بر GP و یا شبکه‌های پتری فازی مبتنی بر GP نیز مورد استفاده قرار گیرد. در نهایت آموزش نزولی شیب انتشار رو به عقب می‌تواند در مدل‌هایی مورد استفاده قرار گیرد که از برنامه نویسی ژنتیکی برای تکامل گروه مبتنی بر قانون فازی بهره می‌گیرند.


لینک دانلود

نظرات (0)
امکان ثبت نظر جدید برای این مطلب وجود ندارد.