Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Компьютерлік ғылым мен операциялық зерттеулерде генетикалық тұманды жүйелер – генетикалық алгоритмдер немесе генетикалық бағдарламалау арқылы құрылатын, олардың құрылымын және параметрлерін анықтау үшін табиғи эволюция процесін имитациялайтын тұманды жүйелер. Тұманды жүйені автоматты түрде анықтау және құру кезінде, шығыстың жоғары дәрежедегі сызықтық еместігіне байланысты, дәстүрлі сызықтық оптимизация құралдарының бірнеше шектеулері бар. Сондықтан, жұмсақ есептеулер аясында генетикалық алгоритмдер (ГА) және генетикалық бағдарламалау (ГП) әдістері тұманды жүйелердің құрылымын және параметрлерін анықтау үшін табысты қолданылған.
In computer science and operations research, Genetic fuzzy systems are fuzzy systems constructed by using genetic algorithms or genetic programming, which mimic the process of natural evolution, to identify its structure and parameter. When it comes to automatically identifying and building a fuzzy system, given the high degree of nonlinearity of the output, traditional linear optimization tools have several limitations. Therefore, in the framework of soft computing, genetic algorithms (GAs) and genetic programming (GP) methods have been used successfully to identify structure and parameters of fuzzy systems.
Ұялы жүйені анықтау үшін генетикалық алгоритмдер
Қаңқалы жүйенің шығысының жоғары дәрежедегі сызықтықсыздығын ескере отырып, дәстүрлі сызықтық оңтайландыру құралдарының шектеулері бар. Генетикалық алгоритмдер тұйық ережелер базасын жасау, тұйық ережелер базасын оңтайландыру, мүшелік функцияларды құру және мүшелік функцияларды реттеу сияқты тапсырмаларды орындау үшін сенімді және өте қуатты құрал болып көрсеткен (Cordón және басқалар, 2001a). Бұл тапсырмалардың бәрін үлкен шешім кеңістіктеріндегі оңтайландыру немесе іздеу процестері ретінде қарастыруға болады (Бастиан және Хаяши, 1995) (Юан және Чжуан, 1996) (Cordón және басқалар, 2001b).
Given the high degree of nonlinearity of the output of a fuzzy system, traditional linear optimization tools do have their limitations. Genetic algorithms have demonstrated to be a robust and very powerful tool to perform tasks such as the generation of fuzzy rule base, optimization of fuzzy rule bases, generation of membership functions, and tuning of membership functions (Cordón et al., 2001a). All these tasks can be considered as optimization or search processes within large solution spaces (Bastian and Hayashi, 1995) (Yuan and Zhuang, 1996) (Cordón et al., 2001b).
Ұялы жүйені анықтау үшін генетикалық бағдарламалау
Генетикалық алгоритмдер алдын ала анықталған ереже базасының ажарытқыш мүшелік функцияларын анықтау үшін өте қуатты құралдар болып табылады, бірақ олардың шектеулері бар, әсіресе берілген деректер жиынтығынан ажарытқыш жүйенің кіріс және шығыс айнымалыларын анықтау кезінде. Генетикалық бағдарламалау кіріс айнымалыларын, ереже базасын, сондай-ақ ажарытқыш модельдің мүшелік функцияларын анықтау үшін қолданылған (Бастиан, 2000).
While genetic algorithms are very powerful tools to identify the fuzzy membership functions of a pre defined rule base, they have their limitation especially when it also comes to identify the input and output variables of a fuzzy system from a given set of data. Genetic programming has been used to identify the input variables, the rule base as well as the involved membership functions of a fuzzy model (Bastian, 2000)
Көп мақсатты генетикалық тұмарық жүйелер
Соңғы онжылдықта, тұйық ережелерге негізделген жүйелерді көп мақсатты оптимизациялау ғылыми қауымдастық пен тәжірибелі мамандардың қызығушылығын қозғады. Бұл, бірнеше мақсатты жағдайда Парето тиімділігін табу үшін көп мақсатты оптимизацияға арналған стохастикалық алгоритмдерді қолдануға негізделген. Мысалы, бір уақытта оптимизацияланатын мақсаттар дәлдік пен күрделілік, немесе дәлдік пен түсіндірілгіштік болуы мүмкін. Fazzolari және авторлар (2013) бұл сала бойынша соңғы шолуды ұсынады. Сонымен қатар, [1] осы тақырып бойынша жаңарып тұратын және үнемі кеңейіп келе жатқан сілтемелер тізімін ұсынады.
In the last decade multi objective optimization of fuzzy rule based systems has attracted wide interest within the research community and practitioners. It is based on the use of stochastic algorithms for Multi objective optimization to search for the Pareto efficiency in a multiple objectives scenario. For instance, the objectives to simultaneously optimize can be accuracy and complexity, or accuracy and interpretability. A recent review of the field is provided in the work of Fazzolari et al. (2013). In addition, [1] provides an up to date and continuously growing list of references on the subject.