ГЕНЕРАЦІЯ БАЗ ПРАВИЛ НЕЧІТКИХ СИСТЕМ НА ОСНОВІ МОДИФІКОВАНИХ МУРАШИНИХ АЛГОРИТМІВ

Козлов Олексій Валерійович, кандидат технічних наук, доцент кафедри Національного університету суднобудування імені адмірала Макарова, м. Миколаїв
Кондратенко Юрій Пантелійович, доктор технічних наук, професор Чорноморського державного університету ім. Петра Могили, м. Миколаїв

pages 59–79

DOI: 10.1615/JAutomatInfScien.v51.i3.20

Розроблено і досліджено метод генерації баз правил нечітких систем типу Мамдані з формуванням оптимальних консеквентів на основі модифікованих мурашиних алгоритмів. Отриманий метод дозволяє ефективно генерувати бази правил з оптимальними консеквентами для нечітких систем типу Мамдані в таких випадках: при недостатньому обсязі вхідної інформації (в умовах високого ступеня невизначеності інформації); при досить великій кількості правил, для яких складання бази правил нечіткої системи на основі знань експертів не завжди ефективно; при різному рівні кваліфікації експертів. Дослідження ефективності запропонованого методу проведено при розробці бази правил нечіткого регулятора типу Мамдані для системи автоматичного керування температурою реактора спеціалізованого піролізного комплексу, призначеного для переробки полімерних відходів. При цьому генерація консеквентів бази правил даного нечіткого регулятора проводилася при різних регульованих параметрах методу, таких як загальна кількість агентів і кількість елітних агентів в популяції. На основі аналізу результатів проведених експериментів визначено оптимальну конфігурацію популяції агентів методу, для якої оптимальний вектор консеквентів бази правил може бути знайдений при найменших обчислювальних і часових витратах. Також результати комп’ютерного моделювання перехідних процесів показали, що система автоматичного керування температурою з розробленої базою правил нечіткого регулятора на основі запропонованого авторами методу з оптимальною конфігурацією параметрів має істотно менше значення цільової функції і більш високі показники якості керування, ніж система з базою правил на основі знань експертів, що, в свою чергу,підтверджує високу ефективність даного методу.
Ключові слова: нечітка система, база правил, метод генерації, мурашиний алгоритм, нечіткий регулятор, система автоматичного керування.

1. Recent developments and new directions in soft computing. L.A. Zadeh, A.M. Abbasov, R.R. Yager, S.N. Shahbazova, M.Z. Reformat, Eds. STUDFUZ 317, Cham: Springer, 2014. 466 р. DOI 10.1007/978-3-319-06323-2.
2. Hampel R., Wagenknecht M., Chaker N. Fuzzy control: Theory and practice. New York: Physika-Verlag, Heidelberg, 2000. 410 p. DOI 10.1007/978-3-7908-1841-3.
3. Kosko B. Fuzzy systems as universal approximators. IEEE Trans. on Computers. 1994. 43, N 11. P. 1329–1333. DOI: 10.1109/12.324566.
4. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети. Винница: УНІВЕРСУМ-Вінниця, 1999. 300 с.
5. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics. 1985. SMC–15, N 1. P. 116–132. DOI: 10.1109/TSMC.1985.6313399.
6. Advance trends in soft computing. M. Jamshidi, V. Kreinovich, J. Kacprzyk, Eds. Cham: Springer-Verlag, 2013. 468 p. DOI https://doi.org/10.1007/978-3-319-03674-8.
7. Zadeh L.A. The role of fuzzy logic in modeling, identification and control. Modeling
Identification and Control. 1994. 15(3). P. 191–203.
https://doi.org/10.1142/9789814261302_0041.
8. Piegat A. Fuzzy modeling and control. Physica, 2013. 69. 728 p. DOI 10.1007/978-3-7908-1824-6.
9. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетическте алгоритмы и нечеткие системы. М.: Горячая линия. Телеком, 2006. 452 с.

10. Yager R.R., Filev D.P. Essentials of fuzzy modeling and control. Sigart Bulletin. 1994. 6, N 4. P. 22–23. https://doi.org/10.1002/(SICI)1097-4571(199512)46:10<791::AID-ASI12>3.0.CO;2-H.
11. Kondratenko Y., Simon D. Structural and parametric optimization of fuzzy control and decision making systems. recent developments and the new direction in soft-computing foundations and applications. Selected Papers from the 6th World Conference on Soft Computing. Berkeley, USA, 2016. Series: Studies in Fuzziness and Soft Computing. 2018. 361. Springer International Publishing. P. 273–289. DOI https://doi.org/10.1007/978-3-319-75408-6_22.
12. Fuzzy optimization. W.A. Lodwick, J. Kacprzhyk, Eds. STUDFUZ 254. Berlin; Heidelberg: Springer-Verlag, 2010. 530 p. DOI 10.1007/978-3-642-13935-2.
13. Kondratenko Y.P., Al Zubi E.Y.M. The Optimisation approach for increasing efficiency of digital fuzzy controllers. Annals of DAAAM for 2009 & Proceeding of the 20th Int. DAAAM Symp. "Intelligent Manufacturing and Automation", Published by DAAAM International. Vienna, Austria, 2009. P. 1589–1591.
14. Kondratenko Y.P., Altameem T.A., Al Zubi E.Y.M. The optimisation of digital controllers for fuzzy systems design. Advances in Modelling and Analysis. 2010. Ser. A. 47. P. 19–29.
15. Simon D. H. ∞ estimation for fuzzy membership function optimization. International Journal of Approximate reasoning. 2005. 40. P. 224–242. https://doi.org/10.1016/j.ijar.2005.04.002.
16. Simon D. Evolutionary optimization algorithms: biologically inspired and population-based approaches to computer intelligence. John Wiley & Sons, 2013. 772 р. ISBN: 978-0-470-93741-9.
17. Kondratenko Y.P., Klymenko L.P., Al Zu’bi E.Y.M. Structural optimization of fuzzy systems’ rules base and aggregation models. Kybernetes. 2013. 42, N 5. P. 831–843. https://doi.org/10.1108/ K-03-2013-0053.
18. Ishibuchi H., Yamamoto T. Fuzzy rule selection by multi-objective genetic local search algorithms and rule evaluation measures in data mining. Fuzzy Sets and Systems. 2004. 141, N 1. P. 59–88. https://doi.org/10.1016/S0165-0114(03)00114-3.
19. Субботін С.О., Олійник А.О., Олійник О.О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей. Запоріжжя: ЗНТУ, 2009. 375 с.
20. Haupt R., Haupt S. Practical genetic algorithms. New Jersey: John Wiley & Sons, 2004. 261 p.
21. Quijano N., Passino K.M. Honey bee social foraging algorithms for resource allocation: theory and application. Columbus: Publishing house of the Ohio State University. 2007. 39p. https://doi.org/10.1016/j.engappai.2010.05.004.
22. Kim D.H., Cho C.H. Bacterial foraging based neural network fuzzy learning. Proceedings of the 2 nd Indian International Conference on Artificial Intelligence (IICAI 2005). Pune: IICAI, 2005. P. 2030–2036.
23. Engelbrecht A. A study of particle swarm optimization particle trajectories. A. Engelbrecht Information Sciences, 2006. N 176(8). P. 937–971. https://doi.org/10.1016/j.ins.2005.02.003.
24. Kondratenko Y.P., Kozlov O.V., Korobko O.V. Two modifications of the automatic rule base synthesis for fuzzy control and decision making systems. Chapter in a book: “Information processing and management of uncertainty in knowledge-based systems. Theory and foundations”. Medina J., Ojeda-Aciego M., Verdegay J.L., Pelta D.A., Cabrera I.P., Bouchon-Meunier B., Yager R.R. (Eds.). Book series: Communications in computer and information science, 854. Berlin. Heidelberg: Springer International Publishing. 2018. Р. 570–582. DOI https://doi.org/ 10.1007/978-3-319-91476-3_47.
25. Олейник Ал. А. Сравнительный анализ методов оптимизации на основе метода муравьиных колоний. Комп’ютерне моделювання та інтелектуальні системи. Запоріжжя: ЗНТУ, 2007. С. 147–159.
26. Gan R., Guo Q., Chang H., Yi Y. Improved ant colony optimization algorithm for the traveling salesman problems. Journal of Systems Engineering and Electronics, 2010. P. 329–333. DOI: 10.3969/j.issn.1004-4132.2010.02.025.
27. Chen R.-M., Shen Y.-M., Wang C.-T. Ant colony optimization inspired swarm optimization for grid task scheduling. International Symposium on Computer, Consumer and Control (IS3C). 2016. P. 461–464. DOI: 10.1109/IS3C.2016.122.
28. Chengming Q. Vehicle routing optimization in logistics distribution using hybrid ant colony algorithm TELKOMNIKA Indonesian Journal of Electrical Engineering. 2013. 11, N 9. P. 5308–5315. DOI: 10.11591/telkomnika.v11i9.3284.
29. Dorigo M., Birattari M. Ant colony optimization. Encyclopedia of machine learning, Sammut C., Webb G.I. (eds.), 2011. Springer, Boston, MA. 1341 p. DOI https://doi.org/10.1007/978-1-4899-7687-1.

30. Benhala B., Ahaitouf A., Fakhfakh M., Mechaqrane A. New adaptation of the ACO algorithm for the analog circuits design optimization. International Journal of Computer Science (IJCSI). 2012. 9, N 3. P. 360–367.
31. Khaluf Y., Gullipalli S. An efficient ant colony system for edge detection in image processing. Proceedings of the European Conference on Artificial Life. 2015. P. 398–405. DOI:http://dx.doi.org/ 10.7551/978-0-262-33027-5-ch071.
32. Kozlov O., Kondratenko G., Gomolka Z., Kondratenko Y. Synthesis and optimization of green fuzzy controllers for the reactors of the specialized pyrolysis plants. Chapter in a book: «Green IT Engineering: Social, business and industrial applications. Studies in Systems, decision and control». Kharchenko V., Kondratenko Y., Kacprzyk J. (Eds.). 171. Springer, Cham, 2018. P. 373–396. DOI: 10.1007/978-3-030-00253-4_16.
33. Kondratenko Y.P., Kozlov O.V. Mathematic modelling of reactor’s temperature mode of multiloop pyrolysis plant. Lecture Notes in Business Information Processing: Modelling and Simulation in Engineering, Economics and Management. 2012. 115. Springer-Verlag, Berlin, Heidelberg, Р. 178–187. DOI https://doi.org/10.1007/978-3-642-30433-0_18.
34. Kondratenko Y.P., Kozlov O.V., Kondratenko G.V., Atamanyuk I.P. Mathematical model and parametrical identification of ecopyrogenesis plant based on soft computing techniques. Chapter in a book: “Complex systems: Solutions and challenges in economics, management
and engineering”. Christian Berger-Vachon, Anna María Gil Lafuente, Janusz Kacprzyk, Yuriy Kondratenko, José M. Merigó, Carlo Francesco Morabito (Eds.). Book Series: Studies in Systems, Decision and Control. 125. Berlin. Heidelberg: Springer International Publishing. 2018. Р. 201–233. DOI https://doi.org/10.1007/978-3-319-69989-9_13.