Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đơn giản hóa thiết kế tự động của bộ điều khiển logic mờ bằng cách sử dụng lập trình tiến hóa
Tóm tắt
Với sự xuất hiện của nhiều loại Thuật toán Tiến hóa như Thuật toán Di truyền, Lập trình Tiến hóa, Chiến lược Tiến hóa và Tiến hóa Khác biệt, mọi khía cạnh của thiết kế bộ điều khiển logic mờ đều đã được tối ưu hóa và tự động hóa. Dù không thể phủ nhận rằng những kỹ thuật tự động này có thể sản xuất ra một bộ điều khiển logic mờ tối ưu, cấu trúc của bộ điều khiển như vậy thường có phần khó hiểu và trong nhiều trường hợp, những tối ưu hóa này thực sự không cần thiết. Chúng tôi tin rằng việc thiết kế tự động một bộ điều khiển logic mờ có thể được đơn giản hóa bằng cách sử dụng một cơ sở quy tắc tổng quát như cơ sở quy tắc MacVicar-Whelan và sử dụng một thuật toán tiến hóa để tối ưu hóa chỉ các hàm thành viên của các tập hợp mờ. Hơn nữa, bằng cách hạn chế sự chồng chéo của các tập hợp mờ, sử dụng hàm thành viên tam giác và giá trị đơn, cũng như giảm số lượng tham số để biểu diễn các hàm thành viên, thiết kế có thể được đơn giản hóa hơn nữa. Bài báo này mô tả phương pháp đơn giản hóa thiết kế và một số thí nghiệm được thực hiện để xác định tính hợp lệ của nó.
Từ khóa
#Bộ điều khiển logic mờ #Thuật toán Tiến hóa #Thiết kế tự động #Hàm thành viên #Cơ sở quy tắc MacVicar-WhelanTài liệu tham khảo
Bäck T (1996) Evolutionary algorithms in theory and practice. Oxford University Press, New York
Berenji HR, Kheddar P (1994) Learning and tuning fuzzy logic controllers through reinforcements. IEEE Trans Neural Netw 3(5):724–740
Brubaker DI (1992) Fuzzy-logic basics: intuitive rules replace complex math. EDNASIA Mag 37(13):111–116
Cheong F, Lai R (2000) Constraining the optimization of a fuzzy logic controller using an enhanced genetic algorithm. IEEE Trans Syst Man Cybernet B 30:31–46
Feldman DS (1993) Fuzzy logic synthesis with genetic algorithms. In: Proceedings of the 5th international conference on genetic algorithms, pp 312–317
Fogel Û (1995) Evolutionary computation: toward a new philosophy of machine intelligence. IEEE Press, Piscataway
Fogel DB, Fogel LJ, Atmar JW (1991) Meta-evolutionary programming. In: Chen RR (ed) Proceedings of the 25th Asilomar conference on signals, systems and computers. Pacific Grove, pp 540–545
Fogel DB, Fogel LJ, Atmar JW, Fogel GB (1992) Hierarchic methods of evolutionary programming. In: Proceedings of the 1st annual conference on evolutionary programming. Evolutionary Programming Society, San Diego, pp 175–182
Fogel LJ, Owens AJ, Walsh MJ (1966) Artificial intelligence through simulated evolution. Wiley, New York
Guerrieri R, Rovatti R, Baccarani G (1995) An enhanced two-level Boolean synthesis methodology for fuzzy rules minimization. IEEE Trans Fuzzy Syst 3(3):288–299
Ishibuchi H, Murata T (1997) Minimizing the fuzzy rule base and maximizing its performance by a multi-objective genetic algorithms. In: Proceedings of the 6th IEEE international conference on fuzzy systems, pp 259–264
Kosko B (1992) Neural networks and fuzzy systems. Prentice-Hall, Englewood Cliffs
Lee MA, Takagi H (1993) Integrating design stages of fuzzy systems using genetic algorithms. In: Proceedings of the 2nd IEEE nternational conference on fuzzy systems, pp 612–617
Price K, Storn R (1997) Differential evolution. Dr. Dobbs J 18–24
Rechenberg I (1973) Evolutionstrategie: Optimierung Technischer Systeme nach Prinzipien der Biologischen Evolution. Frommann-Holzboog, Stuttgart
Saravanan N, Fogel DB, Nelson KM (1995) A comparison of methods for self-adaptation in evolutionary algirithms. BioSystems 36:157–166
Schwefel H-P (1981) Numerical optimization of computer models. Wiley, New York
Thrift P (1992) Fuzzy logic synthesis with genetic algorithms. In: Proceedings of the 4th international conference on genetic algorithms, pp 509–513
Whelan M, Fuzzy PJ (1976) sets for man-machine interaction. Int J Man Mach Stud 8:687–697
Yager RR, Filev DP (1994) Essentials of fuzzy modeling and control. Wiley, New York