Математические методы моделирования, управления и анализа данных
УДК 004.414.23
НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ ПАРАМЕТРАМИ ГЕНЕТИЧЕСКОГО АЛГОРИТМА, НАСТРАИВАЕМАЯ ГЕНЕТИЧЕСКИМ АЛГОРИТМОМ
Я. С. Матюхина
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Рассматривается управление параметрами генетического алгоритма с помощью нечеткого контроллера, который настраивается генетическим алгоритмом.
Ключевые слова: эволюционный алгоритм, генетический алгоритм, нечеткий контроллер.
FUZZY CONTROL SYSTEM BY PARAMETERS OF THE GENETIC ALGORITHM, MANAGED BY GENETIC ALGORITHM
Y. S. Matyukhina
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected]
The paper considers the management of parameters in genetic algorithm by means of the indistinct controller, managed by genetic algorithm
Keywords: evolutionary algorithm, genetic algorithm, fuzzy controller.
Введение. На сегодняшний день эволюционные алгоритмы [1] широко и успешно применяются в задачах проектирования аппаратно-программных комплексов, в том числе и в таких сферах, как разработка систем управления космическими аппаратами. Интеллектуальные информационные технологии применяются для решения задач моделирования, классификации и прогнозирования [2]. Проектирование информационных технологий является достаточно сложной интеллектуальной процедурой. Затруднение вызывает как разработка интеллектуальных информационных технологий, так и процесс выбора их эффективных структур. Например, при проектировании генетического алгоритма необходимо осуществить выбор его оптимальных настроек. Неудачный выбор параметров для конкретной задачи может существенно снизить эффективность работы генетического алгоритма. Это приводит к серьезным трудностям для расширения возможности применения эволюционных алгоритмов.
Именно по этой причине имеется необходимость в разработке методов самонастройки
[3] и внедрения их в генетический алгоритм, минуя процесс выбора настроек алгоритма.
Одним из методов управления настройками является применение нечеткого контроллера
[4], который представляет собой регулятор, построенный на основе нечеткой логики. В основе операции нечеткого логического вывода лежат функции принадлежности для определенных лингвистических переменных и база правил, которая содержит нечеткие высказывания. Правильно составленная база правил
для нечеткого контроллера способствует повышению эффективности алгоритма. Сформировав нечеткий контроллер один раз, можно его применять для широкого спектра различных задач оптимизации. Возникла идея использовать генетический алгоритм для выбора наилучшей базы правил для нечетких контроллеров управления вероятностью мутации, селекции и скрещивания, данная процедура была добавлена к основному генетическому алгоритму (см. рисунок).
Сравним средние надежности нечеткой системы управления генетическим алгоритмом и нечеткой системы управления параметрами генетического алгоритма, настраиваемой автоматически (см. таблицу).
К полученным результатам был применен критерий Стьюдента с пороговым значением 0.05, (5,36738E-05 > 0.05), следовательно, результаты статистически значимы.
Схема нечеткой системы управления параметрами генетического алгоритма, настраиваемая генетическим алгоритмом
Решетневские чтения. 2017
Средние надежности алгоритмов
Задача НС управления ГА НС упр. параметрами ГА, настраиваемая ГА
1 0,84 0,8811111111
2 0,88 0,9077777778
3 0,7 0,8037037037
4 0,72 0,7755555556
5 0,56 0,6162962963
6 0,58 0,637037037
7 0,6 0,6977777778
8 0,66 0,7259259259
9 0,9 0,9177777778
10 0,54 0,6059259259
11 0,92 0,9585185185
12 0,98 0,9792592593
13 0,98 1
14 0,56 0,6259259259
Полученные результаты показали, что нечеткая система управления параметрами генетического алгоритма, настраиваемая с помощью генетического алгоритма, имеет на всех функциях надежность значительно больше, чем стандартный генетический алгоритм.
Библиографические ссылки
1. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing. Springer Verlag Berlin, 2003.
2. Haupt R. L., Haupt S. E. Practical genetic algorithms. John Wiley & Sons, Inc., Hoboken, New Jersey, 2004.
3. Матюхина Я. С. Методы самонастройки в эволюционных алгоритмах // Решетневские чтения : материалы ХХ Междунар. науч. конф. (09-12 ноября 2016, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2016. Ч. 2. С. 63-64.
4. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М. : Горячая линия-Телеком, 2006.
5. Сайт. URL: http://coco.lri.fr/BBQB2009/rawdata/.
References
1. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing. Springer Verlag Berlin, 2003.
2. Haupt R. L., Haupt S. E. Practical genetic algorithms. John Wiley & Sons, Inc., Hoboken, New Jersey, 2004.
3. Matyukhina Y. S. Self-tuning methods in evolutionary algorithms // Materialy XX Mezhdunar. nauch. konf. "Reshetnevskie chteniya" [Materials XX Intern. Scientific. Conf "Reshetnev reading"]. Krasnoyarsk, 2016. P. 63-64.
4. Rutkovskaya D., Pilinsky M., Rutkowski L. Neural networks, genetic algorithms and fuzzy systems. M. : Hotline Telecom, 2006.
5. Available at: http://coco.lri.fr/BBQB2009/rawdata/.
© Матюхина Я. С., 2017