بهینه سازی پایگاه قوانین سیستم فازی نوع TSK با استفاده از الگوریتمهای ترکیبی فراابتکاری

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 268

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-7-3_004

تاریخ نمایه سازی: 6 دی 1400

چکیده مقاله:

یکی از چالش­های اصلی در استفاده از سیستم­های فازی، چگونگی طراحی پایگاه قواعد فازی با پارامترهای بهینه سازی شده است؛ به نحوی که منجر به عملکرد رضایت بخش سیستم شود. در این مقاله از روش آموزش ترکیبی تکامل تفاضلی مبتنی بر تضاد(ODE)  و بهینه­سازی انبوه ذرات (PSO) به منظور بهینه­سازی پارامتر­های توابع عضویت گوسی پایگاه قواعد در سیستم فازی نوع تاکاگی – سوگنو - کانگ (TSK) استفاده شده است. همچنین از الگوریتم ترکیبی پیشنهادی، برای آموزش سیستم فازی TSK مرتبه صفر به منظور کنترل دو پلنت غیرخطی استفاده شده است و نتایج به دست آمده بیانگر این است که برای کنترل پلنت­های غیرخطی مدل، دقت شناسایی بهتری را نسبت به سایر رویکرد­های آموزشی از خود نشان می­دهد. همچنین در این مقاله از ترکیب الگوریتم­های ODE و PSO استفاده شده است و آن را در دو مسئله طراحی سیستم فازی دقت گرابه کار می گیرد. در این دو مدل، همه پارامترهای آزاد سیستم فازی TSK مرتبه یک، ازطریقHODEPSO بهینه می شوند. مدل های استفاده شده در این آزمایش­ها، سری آشوبناک مکی گلس و یک مسئله اقتصادی واقعی هستند که مقادیر آینده آن ها پیش بینی می شود. نتایج به دست آمده بیانگر آن است که HODEPSO حداقل خطای متوسط تست و آموزش را در مقایسه با دیگر روش­های آموزش دارد.  

کلیدواژه ها:

الگوریتم­های فراابتکاری تکامل تفاضلی مبتنی بر تضاد (ODE) ، بهینه­سازی انبوه ذرات (PSO) ، سیستم های فازی ، هوش جمعی (SI)

نویسندگان

حجت حمیدی

استادیار، گروه مهندسی فنآوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Using a Data Mining Tool and FP-growth Algorithm Application for Extraction of the Rules in Two Different Dataset [مقاله ژورنالی]
  • Analysis of Pre-processing and Post-processing Methods and Using Data Mining to Diagnose Heart Diseases [مقاله ژورنالی]
  • Abadpour, M., Hamidi, H. “Stabilization of V۹۴.۲ Gas Turbine Using ...
  • Mamdani, E. H. and Assilian, S. “An experiment in linguistic ...
  • Takagi T. and Sugeno, M. “Fuzzy identification of systems and ...
  • Procyk, T.J., Mamdani, E.M. “A linguistic self-organizing process controller”, Automatica ...
  • Yao, X., Ed., “Evolutionary Computation-Theory and Applications”, Singapore: World Scientific, ...
  • Fazzolari, M., Alcal´a, R., Nojima, Y., Ishibuchi, H.and Herrera, F. ...
  • Cordon, O., Gomide, F., Herrera, F., Hoffmann, F., Magdalena, L., ...
  • Papadakis, S. E., Theocharis, J. B. “A GA-based fuzzy modeling ...
  • Giordano, V., Naso, D. Turchiano, B. “Combining genetic algorithms and ...
  • Chiou, Y. C., Lan, L. W. “Genetic fuzzy logic controller: ...
  • Stavrakoudis, D. G., Galidaki, G. N., Gitas, I. Z., and ...
  • Lin, C. j. “A GA-based neural fuzzy system for temperature ...
  • Angelov, P.P., Buswell, R.A., “Automatic generation of fuzzy rule-based models ...
  • Storn, R. “System design by constraint adaptation and differential evolution.”, ...
  • Ilonen, J., Kamarainen, J.K., Lampinen, J. “Differential evolution training algorithm ...
  • Goldberg, E., Richardson, J., “Genetic algorithms with sharing for multimodal ...
  • Kristinsson, K.M., Dumont, G.A., “System identification and control using genetic ...
  • Kennedy, J., Eberhart, R. and Shi, Y. “Swarm Intelligence”, San ...
  • Zhao, L., Yang, Y. , Zeng, Y. “Eliciting compact T–S ...
  • Li, C., Wu, T. “Adaptive fuzzy approach to function approximation ...
  • Chen, D., Zhao, C. “Data-driven fuzzy clustering based on maximum ...
  • Chen, D., Wang, J., Zou, F., Zhang, H., Hou, W. ...
  • Melin, P., Olivas, F., Castillo, O., Valdez, F., Soria, J., ...
  • Mucientes, M., Casillas, J. “Quick design of fuzzy controllerswith good ...
  • Juang, C. F., Lu, C. M., Lo, C., Wang, C. ...
  • Juang, C. F., Kang, Y. P., Lo, C., “Fuzzy Controller ...
  • Chang, Y. H., Chang, C. W. , Tao, C. W., ...
  • Juang, C. F., and Chang, P. H. “Designing Fuzzy-Rule-Based Systems ...
  • Juang, C. F., Lo, C., “Zero-order TSK-type fuzzy system learning ...
  • Lee, C. H., Kuo, C. T., Chang, H. H., Chien, ...
  • Juang, C. F. “A Hybrid of Genetic Algorithm and Particle ...
  • Kannan, S., Slochanal, S.M.R., Subbaraj, p., and Padhy, N.PP, “Application ...
  • Zhang, W-J., Xie, X-F., “DEPSO: Hybrid Particle Swarm with Differential ...
  • Lin, C., Chen, C., and Lin, C., “A Hybrid of ...
  • Faruque Ali, Sk., Ramaswamy, A., “Optimal fuzzy logic control for ...
  • Lughofer, E. and Kindermann, S., “SparseFIS: Data-Driven Learning of Fuzzy ...
  • Prado, R. P., Garc´la-Gal´an, S., Mu˜noz Exp´osito, J. E., and ...
  • Juang, C., Hsiao, C. and Hsu, C. “Hierarchical Cluster-Based Multispecies ...
  • Huang, M., Lin, H., Yunkai, H., Jin, P., and Guo, ...
  • Tana, C.H., Yap, K.S., Yap, H.J., “Application of genetic algorithm ...
  • Muthukaruppan, S., Er, M.J. “A hybrid particle swarm optimization based ...
  • Xiong, N. “Fuzzy rule-based similarity model enables learning from small ...
  • Cheung, N. J., Ding X. , and Shen, H., “OptiFel: ...
  • García-Galán, S., Prado, R. P., and Muñoz Expósito, J. E. ...
  • Juang, C. F., Hung, C. W., Hsu, C. H. “Rule-Based ...
  • Zhao, W., Niu, Q., Li, K. and Irwin, G. W. ...
  • Hamidi, H. “A Combined Fuzzy Method for Evaluating Criteria in ...
  • Vafaei, A, Hamidi, H. and Monadjemi, S.A. “Evaluation and Check ...
  • Vafaei, A, Hamidi, H. and Monadjemi, S.A. “A Framework for ...
  • Hamidi, H. “A New Method for Transformation Techniques in Secure ...
  • نمایش کامل مراجع