ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ДЛЯ СИНТЕЗУ ТА ОПТИМІЗАЦІЇ БАЗ ПРАВИЛ НЕЧІТКИХ СИСТЕМ
DOI:
https://doi.org/10.32347/2412-9933.2021.45.66-74Ключові слова:
нечітка система, база правил, інформаційна технологія для синтезу та оптимізації, система автоматичного управління, нечіткий регулятор, мобільний роботАнотація
В останні два десятиріччя інтелектуальні комп’ютерні системи, що базуються на теорії нечітких множин, нечіткої логіки та м’яких обчислень, доволі широко застосовуються в різних галузях науки і техніки для вирішення завдань управління, ідентифікації, моделювання складних фізичних та економічних явищ, класифікації, розпізнавання образів тощо. Сучасні дослідження в області створення і розвитку нечітких систем (НС) управління та прийняття рішень ведуться переважно в напрямі розроблення високоефективних методів та інформаційних технологій їх синтезу та структурно-параметричної оптимізації. Робота присвячена розробленню та дослідженню інформаційної технології для синтезу та оптимізації високоефективних баз правил (БП) з оптимальним набором консеквентів та оптимальною кількістю правил для НС типу Мамдані в умовах неповної вихідної інформації. Розроблена інформаційна технологія допомагає проводити ітераційний пошук оптимального вектора консеквентів БП на основі послідовного перебирання консеквентів кожного правила, а також здійснювати виявлення та виключення правил з БП, які не впливають на процес функціонування системи, для зменшення загальної кількості правил до оптимальної. Для дослідження ефективності запропонованої інформаційної технології в пропонованій роботі проведено синтез та оптимізація БП нечіткої системи автоматичного керування (САК) багатоцільовим мобільним роботом (МР), що здатен переміщуватися по похилих і вертикальних феромагнітних поверхнях. Отримані результати комп’ютерного моделювання засвідчили, що нечітка САК МР з оптимізованою БП на основі розробленої інформаційної технології має більш високі показники якості керування в порівнянні із САК з аналогічною БП, що розроблена на основі знань експертів. Також оптимізована БП за допомогою запропонованої інформаційної технології має менше правил ніж повна БП, яка синтезована на основі знань експертів, що в результаті дає змогу значно спростити подальшу програмно-апаратну реалізацію розробленої нечіткої САК МР. Крім того, в процесі синтезу та оптимізації БП для нечіткої САК МР представлена інформаційна технологія не вимагала суттєвих обчислювальних затрат, що загалом підтверджує її високу ефективність та доцільність застосування для проєктування баз правил різнотипних НС управління і прийняття рішень.
Посилання
Zadeh, L. A., Abbasov, A. M., Yager, R. R., Shahbazova, S. N., & Reformat, M. Z., (2014). Recent developments and new directions in soft computing. STUDFUZ 317, Cham: Springer, 466. DOI 10.1007/978-3-319-06323-2
Jamshidi, M., Kreinovich, V., & Kacprzyk, J. (2013). Advance trends in soft computing. Cham: Springer-Verlag, 468. DOI 10.1007/978-3-319-03674-8
Zadeh, L. A. (1994). The role of fuzzy logic in modeling, identification and control. Modeling Identification and Control, 15(3), 191–203. DOI: 10.1142/9789814261302_0041
Safaee, B., & Mashhadi, S. K. M. (2016). Fuzzy membership functions optimization of fuzzy controllers for a quad rotor using particle swarm optimization and genetic algorithm. Proceedings of 2016 4th International Conference on Control, Instrumentation, and Automation (ICCIA), pp. 256-261. DOI 10.1109/ICCIAutom.2016.7483170
Gupta, M., Behera, L., & Venkatesh, K. S. (2010). PSO based modeling of Takagi-Sugeno fuzzy motion controller for dynamic object tracking with mobile platform. International Multiconference Computer Science and Information Technology (IMCSIT), pp. 37–43. DOI: 10.1109/IMCSIT.2010.5680034
Kondratenko, Y. P., & Simon, D. (2018). Structural and parametric optimization of fuzzy control and decision making systems. Recent Developments and the New Direction in Soft-Computing Foundations and Applications. Studies in Fuzziness and Soft Computing, 361, 273-289. DOI: https://doi.org/10.1007/978-3-319-75408-6_22
Hampel, R., Wagenknecht, M., Chaker, N. (2000) Fuzzy control: Theory and practice. New York: Physika-Verlag, Heidelberg, 410. DOI 10.1007/978-3-7908-1841-3.
Kacprzyk, J. (1997). Multistage Fuzzy Control: A Prescriptive Approach. John Wiley & Sons, Inc., New York, NY, USA, 338.
Castillo, O., Ochoa, P., & Soria, J. (2016). Differential Evolution with Fuzzy Logic for Dynamic Adaptation of Parameters in Mathematical Function Optimization. Studies in Fuzziness and Soft Computing, 332, 361-374. https://doi.org/10.1007/978-3-319-26302-1_21
Kondratenko, Y. P., Klymenko, L. P., & Al Zu’bi, E. Y. M. (2013). Structural optimization of fuzzy systems’ rules base and aggregation models. Kybernetes, 42, 5, 831-843. DOI: http://dx.doi.org/10.1108/K-03-2013-0053
Ishibuchi, H., & Yamamoto, T. (2004). Fuzzy rule selection by multi-objective genetic local search algorithms and rule evaluation measures in data mining. Fuzzy Sets and Systems, 141, 1, 59–88. https://doi.org/10.1016/S0165-0114(03)00114-3
Simon, D. (2013). Evolutionary optimization algorithms: biologically inspired and population-based approaches to computer intelligence. John Wiley & Sons, Inc., Hoboken, New Jersey, USA, 772. ISBN: 978-0-470-93741-9
Simon, D. (2005). Estimation for fuzzy membership function optimization. International Journal of Approximate reasoning, 40, 224–242. https://doi.org/10.1016/j.ijar.2005.04.002.
Kondratenko, Y. P., Kozlov, O. V., & Korobko, O. V., (2018). Two modifications of the automatic rule base synthesis for fuzzy control and decision making systems. Book series: Communications in computer and information science, 854. Berlin. Heidelberg: Springer International Publishing, 570–582. DOI https://doi.org/10.1007/978-3-319-91476-3_47.
Kondratenko, Y. P., & Kozlov, O. V., (2019). Generation of Rule Bases of Fuzzy Systems Based on Modified Ant Colony Algorithms. Journal of Automation and Information Sciences, 51, 3, 4-25. DOI: 10.1615/JAutomatInfScien.v51.i3.20
Von Altrock, C., (2002). Applying fuzzy logic to business and finance. Optimus, 2, 38-39.
Duro, R. J., & Kondratenko, Y. P., (2015). Advances in Intelligent Robotics and Collaboration Automation. Series on Automation, Control and Robotics, River Publishers, Denmark, 328. DOI: 10.13052/rp-9788793237049
Kondratenko, Y. P., & Kozlov, A. V., (2019). Parametric optimization of fuzzy control systems based on hybrid particle swarm algorithms with elite strategy. Journal of Automation and Information Sciences, 51, 12, 25-45, DOI: 10.1615/JAutomatInfScien.v51.i12.40.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Олексій Козлов
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.