Программная система автоматического формирования нечеткого логического контроллера
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
50 прогонов. Сравнение алгоритмов осуществлялось также по нескольким критериям. Данные экспериментов приведены в таблице А.2 в приложении. Наиболее эффективной среди всех структур оказалась следующая: Элитарная + пропорциональная селекция + Одноточечная рекомбинация + 10 индивидов х 200 поколений.
4.3 Сравнение эффективности подходов
Перед алгоритмами ставилась задача поиска наилучшего решения за 2000 вычислений целевой функции. Для каждого алгоритма использовалась оптимальная структура ГА. Для сравнения брались статистически усредненные значения за 50 прогонов. Сравнение осуществлялось по скорости сходимости алгоритмов к наилучшему решению. Графики работы оптимизационных алгоритмов (статистически усредненные по 50 прогонам) приведены на рисунках 4.3.1 и 4.3.2, соответственно, для нейросетевого и генетического подходов формирования БП и график коэволюционного алгоритма - на рисунке 4.3.3. На графиках отображен разброс решений (ось ординат) за каждые 20 вычислений целевой функции (ось абсцисс).
Рис. 4.3.1 График работы оптимизационного алгоритма при нейросетевом подходе (Получено решение с пригодностью f = 33,2290)
В результате проведенных исследований было установлено, что при наиболее эффективных параметрах оптимизационного алгоритма качество управления объектом (система тележка - перевернутый маятник) по БП, полученной с помощью ИНС выше, чем по БП, полученной с помощью ГА. Коэволюционный алгоритм занимает промежуточное положение между нейросетевым и генетическим подходами. Это доказывает, что коэволюционная процедура улучшает качество работы используемого алгоритма формирования БП, в нашем случае генетического. Включение же нейросетевого подхода формирования БП в коэволюционный алгоритм позволит ускорить процедуру оптимизации и повысить качество формируемой НСУ.
Рис. 4.3.2 График работы оптимизационного алгоритма при генетическом подходе (Получено решение с пригодностью f = 232,8956)
Рис. 4.3.3 График работы оптимизационного алгоритма при коэволюционном алгоритме (Получено решение с пригодностью f = 205.068)
Резкие скачки значений Min, Max и Mid в коэволюционном алгоритме обусловлены переходами от формирования БП к формированию термов лингвистических переменных и наоборот, а также изменением примеров в задачнике.
Заключение
В работе рассмотрены два подхода автоматического формирования БП нечеткого логического контроллера, алгоритм настройки семантики лингвистических переменных и коэволюционный алгоритм, формирующий НСУ в целом. Показана актуальность задачи автоматического формирования НСУ на современном этапе развития науки и техники.
Рассмотрена тестовая задача стабилизации перевернутого маятника. Приведен критерий для оценки БП, получаемых алгоритмами автоматического формирования.
Объяснены основные положения теории нечетких систем управления, нейронных сетей и генетических алгоритмов.
В работе приводится описание, структура, порядок работы с программой. На разработанной авторами программной системе проведены исследования эффективности работы рассматриваемых подходов и поиск оптимальной структуры оптимизационного алгоритма для задачи стабилизации перевернутого маятника.
Разработанная программная система может быть использована в качестве учебного пособия для изучения принципа работы нечетких систем управления и генетических алгоритмов, а также как инструмент автоматического формирования НСУ, либо БП.
Список литературы
1.Киселев В.В. Обучение в системах нечеткого управления. / Математические структуры и моделирование, вып.6, 2000. - с.78-90.
.Семенкин Е.С., Семенкина О.Э., Терсков В.А. Методы оптимизации в управлении сложными системами / Учебное пособие. - Красноярск: СибЮИ МВД РФ, 2000. - 254 с.
.Оссовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.
.Уоссермен Ф. Нейрокомпьютерная техника. / Теория и практика. - М.: Мир, 1984.
5.Goldberg D.E. Genetic algorithms in search, optimization and machine learning. / Reading, MA: Addison-Wesley, 1989.
1.Липинский, Л.В. Разработка и тестирование программной системы выбора эффективной структуры генетического алгоритма / Л.В. Липинский, В.А. Малько // Межвузовский сборник научных трудов Информатика и информационные технологии. - Красноярск: ИПЦ КГТУ, 2003 г. - с.160-162.
.Липинский, Л.В. Автоматическое формирование базы правил для нечетких систем с помощью нейронных сетей / Л.В. Липинский, В.А. Малько // Тезисы докладов VII Всероссийской научной конференции Решетневские чтения. - Красноярск: СибГАУ, 2003. - с. 217-218.
.Липинский, Л.В. Об автоматическом формировании базы правил для нечетких систем / Л.В. Липинский, В.А. Малько // Материалы докладов всероссийской научной конференции молодых ученых в 6-ти частях. - Новосибирск: Изд-во НГТУ, 2003. Часть 1. - с.198-199.
.Липинский, Л.В. Программная система автоматического генерирования базы знаний нечеткого контроллера / Л.В. Липинский, В.А. Малько, Е.С. Семенкин // Вестник КемГУ. Журнал теоретических и прикладных исследований. - Выпуск 1(17) - Кемерово: КемГУ, 2004. - с.34-40.
.Липинский, Л.В. Программная система автоматического проектирования нечеткого контроллера для задачи управления перевернутым маятником / Л.В. Липинский, В.А. Малько // Вестник университетского комплекса. Сборник научных трудов. - Выпуск 1(15). - Красноярск: ВСФ РГУИТП, НИИ СУВПТ, 2004. - с.211-218.
.Липинский, Л.В. Использован
Copyright © 2008-2014 geum.ru рубрикатор по предметам рубрикатор по типам работ пользовательское соглашение