Программная система автоматического формирования нечеткого логического контроллера
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
нение генов хромосом индивидов полученной популяции для восстановления потерянной информации;
Оценивание. Оценивание пригодности индивидов популяции.
Замещение. Отбор индивидов в следующее поколение из популяции родителей и потомков.
Решением будет наилучший индивид в последнем поколении, либо наилучший найденный индивид, сохраненный в отдельной ячейке памяти.
Глава 3 Методы и алгоритмы автоматического формирования нечетких систем управления
Для упрощения работы с БП при оптимизации нами был предложен следующий способ преобразования БП из вида if x = A then y = B к целочисленному виду. Каждому терму лингвистических переменных присваивался номер, соответствующий порядку его расположения на числовой оси. Например, в случае описания переменной 5-ю термами, им будут присвоены следующие номера - Отрицательное большое = 0, Отрицательное малое = 1, Ноль = 2, Положительное малое = 3 и Положительное большое = 4 (см. рис. 3.1).
Рис. 3.1 Порядок нумерации терм лингвистических переменных
Тогда, в случае n входов и одного выхода, БП будет представлять собой n-мерный массив. Порядковые номера терм входных лингвистических переменных будут служить индексами данного массива, а элементами массива будут являться номера терм выходной переменной.
3.1 Генетический подход к формированию БП для нечеткой системы управления
Каждый индивид в ГА представляет собой решение - БП, содержащую все правила, необходимые для управления системой, и принадлежащую множеству всех возможных БП.
В ГА БП кодируется бинарной строкой фиксированной длины. Поскольку БП представляет собой n-мерный целочисленный массив, то ее кодировка не составляет особой сложности (см. рис.3.1.1). Если учесть тот факт, что БП симметрична относительно точки равновесия (точка в БП, где все входные параметры принимают нулевые значения), то длину хромосомы можно уменьшить в два раза. Тем самым мы уменьшаем время, затрачиваемое на поиск лучшего решения, и одновременно увеличиваем качество найденных решений.
Рис. 3.1.1 Кодирование решений в ГА
После кодирования БП в хромосому запускается механизм обычного ГА, параметры которого были подобраны наиболее эффективным образом на основании проведенных нами исследований.
На первом этапе работы ГА происходит случайная генерация решений - БП (начальной популяции). Затем, эта популяция проходит процесс эволюции в форме естественного отбора. В каждом поколении относительно хорошие решения дают потомков, которые заменяют относительно плохие решения, иiезающие из популяции. Функция пригодности играет роль внешней среды, которая определяет хорошие и плохие решения, т.о. функция пригодности назначает каждому индивиду число, пропорциональное мере адаптации индивида к внешней среде.
Полученная таким образом БП достаточно хорошо справляется с управлением системой, однако, поскольку поисковое пространство дискретно и содержит порядка 7875 точек, из которых надо выбрать наилучшую, то оптимизационному алгоритму сложно справиться с такой задачей. Вследствие чего, в сформированной БП существуют пробелы, попадая в которые система теряет управляемость. Возникает необходимость более эффективного подхода к формированию базы правил.
.2 Нейросетевой подход к формированию БП для нечеткой системы управления
Другим подходом к формированию БП является нейросетевой. Он заключается в интегрировании ИНС в НСУ с последующим ее обучением. Данное интегрирование осуществляется заменой базы нечетких правил в НСУ нейронной сетью. Таким образом, число входов нейронной сети равно числу входных лингвистических переменных, число выходов сети равно единице. Принцип работы такой системы изображен на рисунке 3.2.1.
Рис. 3.2.1 Блок-схема работы нечеткой системы при замене Базы Правил нейронной сетью
Интегрирование ИНС в НСУ позволяет уменьшить размерность поискового пространства, поскольку, в этом случае, происходит подмена задачи оптимизации БП на задачу подбора коэффициентов синаптических связей (весов) нейронной сети, аппроксимирующей данную БП. Размер поискового пространства второй задачи в несколько раз ниже, чем первой, что соответственно уменьшает время на поиск наиболее эффективной БП. Свойство обобщения ИНС позволяет получать решения даже на те задачи, на которые система не обучалась.
Структура нейронной сети и параметры оптимизационного алгоритма были подобраны наиболее эффективным образом по результатам проведенных экспериментов. В нашей работе ИНС обучается без учителя с помощью генетического алгоритма.
По окончанию обучения ИНС происходит извлечение БП из черного ящика сети и представление ее (БП) в понятном пользователю формате. В дальнейшем, управление системой осуществляется по БП, извлеченной из обученной ИНС, без участия самой ИНС.
.3 Настройка семантики лингвистических переменных
Настройка семантики лингвистических переменных осуществляется генетическим алгоритмом. При этом оптимизационному алгоритму необходимо найти массив точек, которые представляют собой вершины термов лингвистических переменных.
Основную сложность при оптимизации термов лингвистических переменных составляет кодирование терм в бинарную строку. Это связано со следующими фактами (проблемами):
.каждая лингвистическая перем
Copyright © 2008-2014 geum.ru рубрикатор по предметам рубрикатор по типам работ пользовательское соглашение