سیستم ژنتیک فازی
سیستم ژنتیک فازی
برای ورود به سایت متخصص ترین افراد در زمینه سیستمهای ژنتیک فازی
اینجا را کلبک کنید!
سیستم های ژنتیک فازی به سیستمهایی گفته می شود که از الگوریتم ژنتیک برای آموزش و یادگیری سیستمهای فازی (کنترلر فازی) استفاده می شود. از الگوریتم ژنتیک در تنظیم و بهینه سازی توابع عضویت، استخراج و بهینه کردن قوانین فازی و یا بهینه سازی همزمان توابع عضویت و قوانین فازی استفاده می شود. الگوریتم ژنتیک که مشهورترین الگوریتم تکاملی در مبحث آموزش ماشین می باشد می تواند به طرق مختلف برای کد کردن یک سیستم فازی بکار رود. برای مثال فرض کنید که برای سیستم فازی قوانینی مناسب تعریف نموده ایم و می خواهیم توابع عضویت از نوع گوسی را توسط الگوریتم ژنتیک بهینه و تنظیم نماییم. فرض می کنیم که سیستم فازی ما یک ورودی و یک خروجی می باشد و تعداد 3 تابع عضویت رود بعد ورودی و 3 تابع عضویت هم بر روی بعد خروجی در نظر گرفته ایم. از آنجایی که هر تابع گوسی با دو پارامتر (c, σ) مشخص می شود پس در کل 12=2×6 پارامتر بهینه سازی وجود دارد که باید درون کروموزوم کد گذاری شود. مهمترین قسمت در طراحی سیستم فازی توسط الگوریتم ژنتیک و یا هر الگوریتم دیگری تعریف یک تابع هدف مناسب می باشد. در کارهای کنترلی معمولا تابع هدف مینیمم کردن خطای ردیابی می باشد.
تابع عضویت گوسی
سیستم های ژنتیک فازی (فازی ژنتیکی) مورد استفاده در مقالات:
طراحی اتوماتیک سیستم های فازی را می توان به صورت یک مسئله جستجو و بهینه سازی که هدف آن طراحی پایگاه اطلاعات است، در نظر گرفت. سیستم های فازی که به منظور یادگیری و بهینه سازی پایگاه اطلاعات از الگوریتم ژنتیکی استفاده می کنند، سیستم های فازی ژنتیکی نام دارند. ساختار سیستم های فازی ژنتیکی به صورت شکل زیر می باشد.
سیستم ژنتیک فازی
عملکرد یک سیستم فازی ژنتیکی را می توان در یکی از سه گروه زیر طبقه بندی کرد:
- تنظیم پایگاه داده ها
- یادگیری قوانین
- یادگیری پایگاه اطلاعات
که در زیر به معرفی مختصر هر یک می پردازیم.
تنظیم ژنتیکی (Genetic Tuning): در پروسه تنظیم فرض بر این است که یک کنترلرفازی با مجموعه قوانین مشخص موجود می باشد و هدف یافتن مقادیر بهینه پارامترهای پایگاه داده ها ( پارامترهای توابع عضویت و توابع مقیاس گذاری ) می باشد.
یادگیری ژنتیکی پایگاه قوانین: در این پروسه فرض بر این است که توابع عضویت از پیش تعریف شده ای در پایگاه داده ها موجود می باشد و هدف یافتن قوانین فازی است. سه روش به منظور یادگیری قوانین پیشنهاد شده است: روش میشیگان، روش پیتزبرگ و روش یادگیری قوانین با تکرار. در روش میشیگان، هر کروموزوم نشان دهنده یک قانون فازی می باشد و در نتیجه برای نشان دادن کل قوانین، از جمعیتی از کروموزوم ها استفاده می کنیم. در روش پیتزبرگ، هر کروموزوم نشان دهنده کل پایگاه قوانین است به نحوی که ژن های آن از قوانین فازی تشکیل می شود در روش سوم که ترکیبی از دو روش قبلی است، هر کروموزوم نشان دهنده یک قانون فازی است به طوری که هر قانون فازی با روش تکرار و اجرای زیاد الگوریتم ژنتیکی وارد پایگاه قوانین می شود.
یادگیری ژنتیکی پایگاه اطلاعات: در این پروسه، هیچ سیستم و یا کنترلر فازی از پیش تعیین شده ای موجود نمی باشد و هدف یافتن کل پایگاه اطلاعات است. بدین منظور کروموزوم ها ، پارامتر های توابع عضویت و قوانین فازی را در بر می گیرند. این پروسه دارای فضای جستجوی ناهمگون و گسترده ای است.
توجه! اگر شما نیز موضوع و یا مقاله دیگری در زمینه طراحی و یا بهینه سازی سیستم فازی، کنترل فازی با الگوریتمهای تکاملی از جمله ژنتیک، الگوریتم پرندگان و… دارید می توانید درخواست خود را از طریق فرم
تماس با ما و یا میل
ieeematlab.ir@gmail.com و یا شماره تماس 09357866505 در میان بگذارید تا با بهترین کیفیت و کمترین زمان برای شما آماده کنیم. با تشکر تیم منطق فازی