Укр
Eng
Журнал
Автору

ПОШУК ОПТИМАЛЬНИХ ФУНКЦІЙ НАЛЕЖНОСТІ НЕЧІТКИХ СИСТЕМ НА ОСНОВІ БІОІНСПІРОВАНИХ ЕВОЛЮЦІЙНИХ АЛГОРИТМІВ

УДК 681.5

Volume 66, Issue 1, 2021, pages 55-75

DOI: https://doi.org/10.34229/0572-2691-2021-1-5

Завантажити статтю

Козлов Олексій Валерійович, кандидат технічних наук, доцент Чорноморського національного університету імені Петра Могили, Миколаїв

Кондратенко Юрій Пантелійович, доктор технічних наук, професор, зав. кафедрой Чорноморського національного університету імені Петра Могили, Миколаїв

Abstract

Сучасні дослідження в області створення та розвитку інтелектуальних систем на основі нечіткої логіки ведуться переважно в напрямку розробки високоефективних методів їх синтезу і структурно-параметричної оптимізації. В останні роки у звʼязку з інтенсивним розвитком інформаційних технологій та апаратних засобів обчислювальної техніки досить перспективними для вирішення зав­дань синтезу й оптимізації нечітких систем є біоінспіровані інтелектуальні методи глобального пошуку, до яких відносяться еволюційні та ройові методи, що моделюють процеси природного відбору, а також колективної поведінки різних груп соціальних тварин, комах і мікроорганізмів в природі. Дана стаття присвячена розробці і дослідженню методу пошуку оптимальних функцій належності нечітких систем на основі біоінспірованих еволюційних алгоритмів глобальної оптимізації. Отриманий метод дозволяє знаходити оптимальні функції належності лінгвістичних термів при вирішенні компромісних задач багатокритеріальної структурної оптимізації різних нечітких систем з метою підвищення їх ефективності і зниження ступеня складності подальшої параметричної оптимізації. У запропонованому методі для знаходження глобального оптимуму розвʼя­зуваної задачі ітеративні процедури проводяться на основі комбінації декількох різних біоінспірованих еволюційних алгоритмів з подальшим аналізом отриманих результатів і вибором найкращого варіанту вектору функцій належності. Викладено теоретичні основи та інформаційна модель реалізації обчислювального покрокового методу структурної оптимізації нечітких систем, а також наведено різні варіанти проведення його пошукових процедур. Зокрема, розглянуто особливості застосування та адаптації під розв'язувану задачу пошуку таких біоінспірованих еволюційних алгоритмів, як генетичний, штучних імунних систем і біогеографічний.

REFERENCES

  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 p. DOI 10.1007/978-3-319-06323-2
  2. Advance trends in soft computing. M. Jamshidi, V. Kreinovich, J. Kacprzyk, Eds. Cham: Springer-Verlag, 2013.468 p. DOI 10.1007/978-3-319-03674-8
  3. Kondratenko Y.P., Korobko O.V., Kozlov O.V. Synthesis and optimization of fuzzy controller for thermoacoustic plant. Lotfi A. Zadeh et al. (Eds.) Recent Developments and New Direction in Soft-Computing Foundations and Applications, Studies in Fuzziness and Soft Computing. Berlin, Heidelberg: Springer-Verlag, 2016. 342. Р. 453–467. DOI 10.1007/978-3-319-32229-2_31
  4. Zadeh L.A. The role of fuzzy logic in modeling, identification and control. Modeling Identification and Control. 1994. 15(3). P. 191–203. DOI: 10.1142/9789814261302_0041
  5. Mamdani E.H. Application of fuzzy algorithms for control of simple dynamic plant. Proceedings of IEEE. 1974. 121. P. 1585–1588. DOI: 10.1049/piee.1974.0328
  6. Kosko B. Fuzzy Systems as Universal Approximators. IEEE Trans. on Computers. 1994. 43, N 11. P. 1329–1333. DOI: 10.1109/12.324566
  7. Gupta M, Behera L., Venkatesh K.S. PSO based modeling of Takagi-Sugeno fuzzy motion controller for dynamic object tracking with mobile platform. International Multiconference Computer Science and Information Technology (IMCSIT). 2010. P. 37–43. DOI: 10.1109/IMCSIT.2010.5680034
  8. Safaee B., Mashhadi S.K.M. Fuzzy membership functions optimization of fuzzy controllers for a quad rotor using particle swarm optimization and genetic algorithm. Proceedings of 2016 4th International Conference on Control, Instrumentation, and Automation (ICCIA). 2016. P. 256–261. DOI 10.1109/ICCIAutom.2016.7483170
  9. Kondratenko Y.P., Kozlov O.V. Mathematical model of ecopyrogenesis reactor with fuzzy parametrical identification. Lotfi A. Zadeh et al. (Eds.) Recent Developments and New Direction in Soft-Computing Foundations and Applications, Studies in Fuzziness and Soft Computing. Berlin, Heidelberg: Springer-Verlag, 2016. 342. Р. 439–451. DOI 10.1007/978-3-319-32229-2_30
  10. Kondratenko Y.P., Kozlov O.V., Korobko O.V. Two modifications of the automatic rule base synthesis for fuzzy control and decision making systems. Medina J., Ojeda-Aciego M., Verdegay J.L., Pelta D.A., Cabrera I.P., Bouchon-Meunier B., Yager R.R. (Eds.) Information processing and management of uncertainty in knowledge-based systems. Theory and foundations. 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
  11. Simon D. Evolutionary optimization algorithms: biologically inspired and population-based approaches to computer intelligence. John Wiley & Sons, Inc., Hoboken, New Jersey, USA, 2013. 772 p. ISBN: 978-0-470-93741-9
  12. Kondratenko Y., Khalaf P., Richter H., Simon D. Fuzzy real-time multi-objective optimization of a prosthesis test robot control system. Yuriy P. Kondratenko, Arkadii A. Chikrii, Vyacheslav F. Gubarev, Janusz Kacprzyk (Eds.) Advanced Control Techniques in Complex Engineering Systems: Theory and Applications. Dedicated to Professor Vsevolod M. Kuntsevich. Studies in Systems, Decision and Control. 203. – Cham: Springer Nature Switzerland AG, 2019, P. 165–185. DOI: 10.1007/978-3-030-21927-7_8
  13. Субботін С.О., Олійник А.О., Олійник О.О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей. Запоріжжя: ЗНТУ. 2009. 375 с. ISBN 978–966–7809–96–6
  14. Zhu J., Lauri F., Koukam A., Hilaire V. Fuzzy logic control optimized by artificial immune system for building thermal condition. Siarry P., Idoumghar L., Lepagnot J. (Eds.) Swarm Intelligence Based Optimization. ICSIBO 2014. Lecture Notes in Computer Science. 8472. Springer, Cham, 2014. P. 42–49. DOI: 10.1007/978-3-319-12970-9_5
  15. Melendez A., Castillo O. Evolutionary optimization of the fuzzy integrator in a navigation system for a mobile robot. Recent Advances on Hybrid Intelligent Systems. 2013. P. 21–31. https://
    doi.org/10.1007/978-3-642-33021-6_2
  16. Smiley A, Simon D. Evolutionary optimization of atrial fibrillation diagnostic algorithms. International Journal of Swarm Intelligence. 2016. 2, N 2/3/4. P. 117–133. DOI: 10.1504/IJSI.2016.10002173
  17. Kondratenko Y.P., Kozlov O.V. Generation of rule bases of fuzzy systems based on modified ant colony algorithms. Journal of Automation and Information Sciences. 2019. 51, N 3. P. 4–25. DOI: 10.1615/JAutomatInfScien.v51.i3.20
  18. 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.
  19. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетическте алгоритмы и нечеткие системы. М. : Горячая линия. Телеком. 2006. 452 с.
  20. Kacprzyk J. Multistage fuzzy control: A prescriptive approach. John Wiley & Sons. Inc., New York, NY, USA,1997. 338 p.
  21. Kozlov O., Kondratenko G., Gomolka Z., Kondratenko Y. Synthesis and optimization of green fuzzy controllers for the reactors of the specialized pyrolysis plants. Kharchenko V., Kondratenko Y., Kacprzyk J. (Eds.) Green IT Engineering: Social, Business and Industrial Applications. Studies in Systems, Decision and Control. 2018. 171. Springer, Cham. P. 373–396. DOI 10.1007/978-3-030-00253-4_16
  22. Kondratenko Y.P., Simon D. Structural and parametric optimization of fuzzy control and decision making systems. Zadeh L., Yager R., Shahbazova S., Reformat M., Kreinovich V. (Eds.) Recent Developments and the New Direction in Soft-Computing Foundations and Applications. Studies in Fuzziness and Soft Computing. 2018. 361. Springer, Cham. P. 273–289. DOI: https://doi.org/10.1007/978-3-319-75408-6_22
  23. Ovreiu M., Simon D. Biogeography-based optimization of neuro-fuzzy system parameters for diagnosis of cardiac disease. Proceedings of Genetic and Evolutionary Computation Conference. 2010. P. 1235–1242. DOI: 10.1145/1830483.1830706
  24. Nabi A, Singh N.A. Particle swarm optimization of fuzzy logic controller for voltage sag improvement. Proceedings of 2016 3rd International Conference on Advanced Computing and Communication Systems (ICACCS). 2016. 01. P. 1–5. DOI 10.1109/ICACCS.2016.7586345
  25. Alves R.T., Delgado M.R., Lopes H.S., Freitas A.A. An artificial immune system for fuzzy-rule induction in data mining. Yao X. et al. (Eds.) Parallel Problem Solving from Nature — PPSN VIII. PPSN 2004. Lecture Notes in Computer Science. 2004. 3242. Springer, Berlin, Heidelberg. P. 1011–1020. https://doi.org/10.1007/978-3-540-30217-9_102
  26. Castillo O., Ochoa P., Soria J. Differential evolution with fuzzy logic for dynamic adaptation of parameters in mathematical function optimization. Angelov P., Sotirov S. (Eds.) Imprecision and Uncertainty in Information Representation and Processing. Studies in Fuzziness and Soft Computing. 2016. 332. Springer, Cham. P. 361–374. https://doi.org/10.1007/978-3-319-26302-1_21
  27. Khan S. et al. Design and implementation of an optimal fuzzy logic controller using genetic algorithm. Journal of Computer Science. 2008. 4, N 10. P. 799–806. DOI: 10.3844/jcssp.2008.799.806
  28. Cordon O., Gomide F., Herrera F., Hoffmann F., Magdalena L. Ten years of genetic fuzzy systems: current framework and new trends. Fuzzy Sets and Systems. 2004. 141, N 1. P. 5–31. https://doi.org/10.1016/S0165-0114(03)00111-8
  29. Liu X.-H., Kuai R., Guan P., Ye X.-M., Wu Z.-L. Fuzzy-PID control for arc furnace electrode regulator system based on genetic algorithm. Proceedings of the Eighth International Conference on Machine Learning and Cybernetics. Baoding, 2009. P. 683–689. DOI: 10.1109/ICMLC.2009.5212457
  30. Zhao J., Han L., Wang L., Yu Z. The fuzzy PID control optimized by genetic algorithm for trajectory tracking of robot arm. 2016 12th World Congress on Intelligent Control and Automation (WCICA). Guilin, China, 2016. P. 556–559. DOI: 10.1109/WCICA.2016.7578443
  31. Chen Ch., Li M., Sui J., Wei K., Pei Q. A genetic algorithm-optimized fuzzy logic controller to avoid rear-end collisions. Journal of advanced transportation. 2016. 50. P. 1735–1753. https://doi.org/10.1002/atr.1426
  32. Li H.F., Feng Z.G, Wang J. GA based design of fuzzy control law for hypersonic vehicle. 2008 2nd International Symposium on Systems and Control in Aerospace and Astronautics. 2008. P. 1–4. DOI: 10.1109/ISSCAA.2008.4776229
  33. Li L., Zhu Q., Gao Sh. Design and realization of waterjet propelled craft autopilot based on fuzzy control and genetic algorithms. Proceedings of the 2006 IEEE International Conference on Mechatronics and Automation. Luoyang, China, 2006. P. 1362–1366. DOI: 10.1109/ICMA.2006.257826
  34. Prakash A., Deshmukh S.G. A multi-criteria customer allocation problem in supply chain environment: An artificial immune system with fuzzy logic controller based approach. Expert Systems with Applications. 2011. 38, N 4. P. 3199–3208. https://doi.org/10.1016/j.eswa.2010.09.008
  35. Visconti A., Tahayori H. Artificial immune system based on interval type-2 fuzzy set paradigm. Applied Soft Computing. 2011. 11, N 6. P. 4055–4063. https://doi.org/10.1016/j.asoc.2010.12.011
  36. Hachicha N., Jarboui B., Siarry P. A fuzzy logic control using a differential evolution algorithm aimed at modelling the financial market dynamics. Information Sciences. 2011. 181. P. 79–91. https://doi.org/10.1016/j.ins.2010.09.010
  37. Minku F.L., Ludermir T. Evolutionary strategies and genetic algorithms for dynamic parameter optimization of evolving fuzzy neural networks. Evolutionary Computation, The 2005 IEEE Congress. 2005. 3. P. 1951–1958. DOI: 10.1109/CEC.2005.1554934
  38. Thomas, G., Lozovyy, P., Simon, D. Fuzzy Robot Controller Tuning with Biogeography-Based Optimization. Modern Approaches in Applied Intelligence: 24th International Conference on Industrial Engineering and Other Applications of Applied Intelligent Systems. IEA/AIE 2011, Syracuse, NY, USA, June 28 – July 1, Proceedings, Part II, 2011. P. 319–327. DOI: 10.1007/978-3-642-21827-9_33
  39. Zhang, M., Jiang, W., Zhou, X. et al. A hybrid biogeography-based optimization and fuzzy C-means algorithm for image segmentation. Soft Computing. 2019. 23. P. 2033–2046. https://doi.org/10.1007/s00500-017-2916-9
  40. Piegat A. Fuzzy modeling and control. Springer, Heidelberg, 2001. 728 p. DOI 10.1007/978-3-7908-1824-6
  41. Kondratenko Y.P., Kondratenko N.Y. Soft computing analytic models for increasing efficiency of fuzzy information processing in decision support systems. Chapter in book: Decision Making: Processes, Behavioral Influences and Role in Business Management, R. Hudson (Ed.), Nova Science Publishers. New York. 2015. P. 41–78.
  42. 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. DOI: http://dx.doi.org/10.1108/K-03-2013-0053
  43. Катренко А.В., Пасічник В.В., Пасько В.П. Теорія прийняття рішень : підручник. Київ: Видавнича група BHV, 2009. 448 с.
  44. Kondratenko Y., Kondratenko, G., Sidenko, I. Multi-criteria decision making for selecting a rational IoT platform. Proceedings of 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies. DESSERT 2018, 24-27 May 2018, Kiev, Ukraine. P. 147–152. DOI: 10.1109/DESSERT.2018.8409117
  45. Nazarenko A.M., Karpusha M.V. Modeling and identification in the problems of multicriteria optimization with linear and quadratic performance criteria under statistical uncertainty. Journal of Automation and Information Sciences. 2014. 46, N 3. P. 17–29. DOI: 10.1615/JAutomatInfScien.v46.i3.30
  46. 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.
  47. Kondratenko Y., Kondratenko G., Sidenko I. Multi-criteria decision making and soft computing for the selection of specialized IoT platform. Chertov O., Mylovanov T., Kondratenko Y., Kacprzyk J., Kreinovich V., Stefanuk V. (Eds.) Recent Developments in Data Science and Intelligent Analysis of Information. Proceedings of the XVIII International Conference on Data Science and Intelligent Analysis of Information. June 4–7, 2018, Kyiv, Ukraine. ICDSIAI 2018, Advances in Intelligent Systems and Computing, Vol. 836, Springer International Publishing, 2019. P. 71–80. DOI: 10.1007/978-3-319-97885-7_8
  48. Puris A., Bello R., Molina D., Herrera F. Variable mesh optimization for continuous optimization problems. Soft Computing. 2011. 16, N 3. P. 511–525. DOI: 10.1007/s00500-011-0753-9
  49. Mehrabian A.R., Lucas C. A novel numerical optimization algorithm inspired from weed colonization. Ecological Informatics. 2006. 1. P. 355–366. DOI: 10.1016/j.ecoinf.2006.07.003
  50. Li J., Li Y., Tian S. et al. An improved cuckoo search algorithm with self-adaptive knowledge learning. Neural Comput & Applic. 2020. 32. P. 11967–11997. DOI: 10.1007/s00521-019-04178-w
  51. Kondratenko Y.P., Zaporozhets Y.M., Rudolph J., Gerasin O.S., Topalov A.M., Kozlov O.V. Features of clamping electromagnets using in wheel mobile robots and modeling of their interaction with ferromagnetic plate. Proc. of the 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). 2017. 1. Bucharest, Romania. P. 453–458. DOI: 10.1109/IDAACS.2017.8095122