Výše popsané regulátory PID mají špatné indikátory kvality při řízení nelineárních a komplexních systémů, jakož i v případě nedostatečných informací o řídicím objektu. Charakteristiky regulátorů v některých případech mohou být zlepšeny metodami fuzzy logiky, neuronových sítí a genetických algoritmů. Uvedené metody v zahraničí se nazývají "měkké výpočetní techniky", zdůrazňují svůj rozdíl od "pevného výpočtu", sestávajícího ve schopnosti provozovat s neúplnými a nepřesnými údaji. V jednom regulátoru, kombinace uvedených metod (fázová pID, neuro-pid, neuro-fáze-pípnutí, mohou být použity neurofázové regulátory.
Hlavní nevýhodou fuzzy a neuronových regulátorů je složitost jejich nastavení (vypracování základny fuzzy pravidel a učení neuronové sítě).
5.7.1. Fuzzy logika v PID regulátorů
Fuzzy výstup se provádí následovně. Předpokládejme, že změna chyby je rozdělena do sad, oblast změny regulační expozice - na sadě a že pomocí odborníka bylo možné formulovat následující pravidla provozu regulátoru [ Astrom]:
|
Pravidlo 1: Pokud \u003d a \u003d, pak \u003d Pravidlo 2: IF \u003d a \u003d, pak \u003d Pravidlo 3: Pokud \u003d a \u003d, pak \u003d Pravidlo 4: Pokud \u003d a \u003d, pak \u003d Pravidlo 5: Pokud \u003d a \u003d, pak \u003d Pravidlo 6: Pokud \u003d a \u003d, pak \u003d Pravidlo 7: Pokud \u003d a \u003d, pak \u003d Pravidlo 8: Pokud \u003d a \u003d, pak \u003d Pravidlo 9: Pokud \u003d a \u003d, pak \u003d. |
Pravidla jsou často zaznamenávána do kompaktnější tabulkové formy (obr. 5.91).
Pomocí pravidel můžete získat hodnotu ovládací proměnné na výstupu fuzzy regulátoru. K tomu je nutné najít funkci příslušenství sady s proměnnou vytvořenou v důsledku provedení výstupních operací přes sady patřících do systému pravidel (5.118).
|
e. |
||||
|
Obr. 5.91. Zastoupení fuzzy pravidel v tabulkové formě |
||||
Provoz "a" v pravidlech (5.118) odpovídá křižovatce souborů a výsledek aplikace všech pravidel odpovídá operaci souboru souborů [Rutkovskaya]. Funkce příslušenství pro překročení dvou sad, například a (viz pravidlo 1) je jako [Rutkovskaya]
Funkce příslušenství získaného křížením nebo kombinováním lze určit různými způsoby, v závislosti na významu řešeného úkolu. V tomto smyslu je teorie fuzzy sady také fuzzy. V [Rutkovskaya], 10 různých definic funkcí příslušenství pro průsečík sad, ale není řečeno, který je třeba vybrat, aby vyřešil konkrétní úkol. Zejména srozumitelnější činnost hledání funkcí příslušenství v případě křižovatky a sjednocení souborů, s analogií s pravidly násobení a přidávání pravděpodobností:
|
|
Použití prvních dvou způsobů, jak najít funkci příslušenství, je však obvykle výhodnější, protože Zároveň je zachována většina pravidel určených pro konvenční soupravy [UQ].
Příslušenství pro každou ze sad obsažených v fuzzy proměnné v pravidlech (5.118) se získá ve formě [Rutkovskaya]
Zde každá z 9 rovnic odpovídá jedné z pravidel (5.118). Výsledná funkce manažera kontrolního expozice získaná po použití všech 9 pravidel je jako kombinuje funkce příslušenství všech pravidel:
Pokud se získá výsledná funkce manažera kontrolního expozice, vyvstává otázka, která musí být vybrána hodnota regulační expozice. Pokud používáte pravděpodobnostní interpretaci teorie fuzzy sad, stane se jasnou, jakou hodnotu lze získat analogií s matematickým očekáváním kontrolního efektu ve formě:
|
|
.Tato metoda defazifikace je nejčastější, ale ne jediný.
Pro konstrukci fuzzy regulátorů, P, a, PD a PD + a PD + a PD + a PID + a PID-PID nařízení [mann] se obvykle používají. Vzhledem k tomu, že vstupní signály pro systém fuzzy výstupu používají chybový signál, přírůstek chyb, čtverec chyby a integrální integrální [mann]. Provádění fuzzy PID regulátoru způsobuje problémy, protože musí mít trojrozměrnou tabulku pravidel v souladu se třemi pojmy v rovnici řadiče PID, což je velmi obtížné vyplnit, s použitím odpovědí odborníků. Velký počet pID-like fuzzy regulátoru struktur lze nalézt v [mann].
Konečná konfigurace fuzzy regulátoru nebo nastavení blízké optimální, stále zůstává obtížným úkolem. Za tímto účelem, výcvik algoritmů styl \u003d "Barva: červená"\u003e a genetické vyhledávače, které vyžadují velké výpočetní prostředky a čas.
Aplikace fuzzy logiky pro nastavení koeficientů regulátoru PID
Konfigurace regulátoru provedeného metodami uvedenými v části "Výpočet parametrů" a "Automatické nastavení a adaptace" nejsou optimální a mohou být zlepšeny dalším seřízením. Úprava lze provádět operátorem na základě pravidel (viz "Ruční nastavení, na základě pravidel") nebo automaticky pomocí fuzzy logické jednotky (obr. 5.92). Blok fuzzy logiky (fázový blok) používá databázi nastavení přizpůsobení a fuzzy výstupní metody. Fáze-nastavení umožňuje snížit překročení, snížit čas založení a zvýšit robustnost řadiče PID [AnoIL].
Proces automatického ladění regulátoru pomocí fuzzy logiky jednotky začne hledat počáteční aproximace koeficientů regulátoru. To obvykle provádí metodou Siegler-Nikols, založená na období vlastních oscilací v uzavřeném systému a smyčkových smyčkách. Následující je formulována funkce kritérií potřebná k nalezení optimálních hodnot nastavení parametrů pomocí optimalizačních metod.
V procesu nastavení regulátoru se používá několik kroků [HSUAN]. Nejprve vyberte rozsahy vstupních a výstupních signálů automatické ladicí jednotky, ve formě funkcí patřících požadovaných parametrů, pravidla fuzzy výstupu, mechanismus logického výstupu, metoda defazifikace a rozsahy rozsáhlého rozsahu Multiplikátory potřebné k přepočítávání jasných proměnných do fuzzy.
Vyhledávání parametrů regulátoru se provádí optimalizačními metodami. K tomu je cílová funkce vybrána jako integrál ze součtu čtverců chyby řízení a čas založení. V kritériu minimalizace je někdy přidána rychlost zvýšení výstupní proměnné objektu.
Jako požadované parametry (parametry, které chcete najít), vyberte polohu Maxima vlastností příslušenství (viz obr. 5.90) \u200b\u200ba rozsáhlé koeficienty na vstupu a výstupu fázového bloku. Optimalizační úloha přidává omezení rozsahu změn poloh funkcí příslušenství. Optimalizace funkce kritérií může být provedena například za použití genetických algoritmů.
Je třeba poznamenat, že v případech, kdy jsou informace dostatečné k získání přesného matematického modelu objektu, bude tradiční regulátor vždy lepší než fuzzy, protože v syntéze fuzzy regulátoru jsou uvedeny počáteční údaje přibližně.
5.7.2. Umělé neuronové sítě
Neuronové sítě, jako je fuzzy logika, se používají v PID regulátorech dvěma způsoby: vybudovat samotný regulátor a vybudovat blok konfigurace svých koeficientů. Neuronová síť má schopnost "studie", což umožňuje použití zkušeností odborníků naučit neuronovou síť k umění zřízení koeficientů Controller PID. Regulátor neuronové sítě je podobný knoflíku řízení tabulky (viz "Ovládání tabulky"), nicméně, to je charakterizováno speciálními konfiguračními metodami ("učení") vyvinuté pro neuronové sítě a metody interpolace dat.
Na rozdíl od fuzzy regulátoru, kde znalec by měl formulovat pravidla nastavení v jazykových proměnných, při použití neuronové sítě z odborníka, znění pravidel není nutné - stačí, aby bylo možné konfigurovat regulátor několikrát v procesu učení neuronové sítě.
Neuronové sítě byly nabízeny v roce 1943 MAC Statlock a Pitts v důsledku studia nervové aktivity a biologických neuronů. Umělý neuron je funkční blok s jedním výstupem a vstupy, které implementuje nelineární konverzi v obecném případě 
, kde - koeficienty hmotnosti (parametry) se vstupními proměnnými; - konstantní ofset; - "" aktivační funkce "Neuron, například typ (Sigmoidální funkce), kde je nějaký parametr. Neuronová síť (obr. 5.93) sestává z množství neuronových neuronů, počet spojení může být tisíce. Vzhledem k nelinearitě aktivačních funkcí a velkým počtem přizpůsobitelných koeficientů (v [Kato], 35 neuronů byly použity v přívodní vrstvě a 25 ve výstupu, zatímco počet koeficientů byl 1850) Neurální síť může provádět neurální síť Lineární zobrazení několika vstupních signálů v sadě výstupu.
Typická struktura automatického řídicího systému s regulátorem PID a neuronovou sítí jako blok automatického ladění je znázorněna na Obr. 5.94 [Kawafuku, Kato]. Neuronová síť v této struktuře provádí roli funkčního konvertoru, který pro každou sadu signálů generuje koeficienty regulátoru PID. Způsob reverzní chyby) [Terech]. Používají se také jiné minimální metody vyhledávání, včetně genetických algoritmů, metodou modelování žíhání, metoda nejmenších čtverců.
Proces učení neuronové sítě je následující (obr. 5.95). Expert poskytuje schopnost upravit parametry regulátoru v uzavřeném automatickém řídicím systému při různých vstupních efektech. Předpokládá se, že expert je schopen to udělat s kvalitou dostatečnou pro praxi. Dočasné grafy (oscilogramy) proměnných získaných v systému upraveném na odborníka jsou napsány do archivu a poté jsou přiváděny do neuronové sítě připojené k řadiči PID (obr. 5.95 
Obr. 5.95. Systém tréninku neuronových sítí v automatické melodii
Doba trvání procesu učení je hlavní překážkou způsobu širokého použití metod neuronových sítí v regulátorech [UPFA] PID. Další nedostatky neuronových sítí jsou nemožnost předpovědět chybu řízení pro vstupní efekty, které nebyly zahrnuty do sady vzdělávacích signálů; Nedostatek kritérií pro výběr počtu neuronů v síti, doba trvání školení, rozsahu a počtu odborných vlivů. Žádný z publikací nezkoumalo robustnost ani regulátor stability.
5.7.3. Genetické algoritmy
1. Výběr původní populace chromozomů velikosti N.
2. Posouzení přizpůsobivosti chromozomů v populaci.
3. Zkontrolujte podmínky pro zastavení algoritmu.
4. Výběr chromozomů.
5. Použití genetických operátorů.
6. Tvorba nové populace.
7. Přechod na str. 2.
Pro provoz algoritmu musíte nastavit dolní a horní hranice změny požadovaných parametrů, pravděpodobnost přechodu, pravděpodobnosti mutace, velikosti obyvatelstva a maximální počet generací.
Počáteční chromozomová populace je generována náhodně. Adaptabilita chromozomů se odhaduje pomocí cílové funkce v kódované formě. Dále se ve skupině shromažďují chromozomy s lepší adaptabilitou, v nichž se provádějí genetické přechodové operace nebo mutace. Crossing vám umožňuje dostat se od dvou rodičů slibný potomek. Mutační operátor provádí změny chromozomu. V případě binárních kódování se mutace spočívá v měnícím se náhodném bitu v binárním slova.
Obr. 5.97), pak jsou genetické informace vyměňovány vpravo od vybrané pozice [Fleming].
Po provedení genetického algoritmu dekódování binárních reprezentací na inženýrské hodnoty.
Posouzení přizpůsobivosti chromozomu v populaci pro vyhodnocení koeficientů regulátoru PID mohou být vybrány například jako
,
kde - aktuální hodnota chyby řízení je čas.
Výběr chromozomu se provádí metodou rulety. Existují odvětví na ruletovém kole a šířka sektoru je úměrná funkce přizpůsobivosti. Čím větší je hodnota této funkce, tím větší je výběr chromozomu odpovídajícího.
ISBN 978-5-9912-0320-3 Publisher Webová stránka: www.techbook.ru n Edrenne N Sítě, genetické algoritmy a fuzzy systémy <...> Neuronický síť, genetické algoritmy a fuzzy systémy: Za. s polským.<...> BBK 30.17 Adresa vydavatelství www.techbook.ru Vědecká publikace Rutkovskaya Danuta, Pilignan Machi, Rutkovsky Leshk Neuronický Síť, Genetické algoritmy a fuzzy systémy 2nd edice, stereotypní editor A. S.<...> Adaptivní Lineární pozastaveno zmije S sigmoidem na výstupu.<...> Příklady optimalizace <...> Příklady optimalizace Funkce pomocí programu Evolver. . <...> Řešení kombinatorických úkolů pomocí programu Evolver. . <...> Příklady optimalizace Funkce pomocí programu FLEXTOOL.<...> Příklady optimalizace Funkce pomocí programu Evolver. . <...> Dále jsou uvedeny dva algoritmus algoritmus inverzní rozdělení chyby algoritmus <...> Dále jsou uvedeny dva algoritmus Učení vícevrstvých neuronových sítí: klasické a nejčastěji používané algoritmus inverzní rozdělení chyby, stejně jako výrazně rychlejší algoritmusna základě recidivujícího metody nejmenších čtverců.<...> algoritmus Učení těchto sítí: algoritmus inverzní rozdělení Chyby a opakující se algoritmus <...> Proto v této kapitole budeme diskutovat především na základní prvky vícevrstvých neuronových sítí - systémů typu perceptron a adulline (s lineárním a nelineárním výstupem), po kterém definujeme dva algoritmus Učení těchto sítí: algoritmus inverzní rozdělení Chyby a opakující se algoritmus Metoda nejmenších čtverců.<...> Hyperplanes PersecepTron 23.<...>
Neuronal_seti, _geneticic_algoritms_i_nester_systems.pdf.
D. Rutkovskaya M. P Iliansky L. Rutkovsky n eorny e Sítě, genetické algoritmy a fuzzy systémy Hot Line-Telecom Wydawnictwo Naukowe Pwn 2nd Edition
P.1.
Neural_seti, _genenetic_algoritms_i_nesty_systems_ (1) .pdf2. vydání
Str.3.
UDC 681.322 BBK 30.17 P90 Rutkovskaya D., Pilinsky M., Rutkovsky L. P90 Neuronové sítě, genetické algoritmy a fuzzy systémy: per. s polským. I. D. Rudinsky. - 2. ed., Stereotyp. - M.: Hotline - Telecom, 2013. - 384 C.: IL. ISBN 978-5-9912-0320-3. Kniha je věnována problematice "intelektuálního výpočtu". Obsahuje základní znalosti genetických algoritmů, evoluční programování, fuzzy systémů, stejně jako vazby pro tyto směry s neuronovými sítěmi. Pro vědecké a inženýrské a technické pracovníky v oblasti informatiky a výpočetní techniky zabývající se tvorbou a využíváním intelektuálních systémů, stejně jako postgraduálních studentů a studentů různých specialit v oblasti výpočetní techniky. BBK 30.17 Adresa vydavatelství na internetu www.techbook.ru Vědecká publikace Rutkovskaya Danuta, Pilian Machi, Ruttkovsky Leshk Neural sítí, genetické algoritmy a fuzzy systémy 2. vydání, stereotyp editor A. S. Popov Počítač Pokládání T. S. Levykina Umělec kryt VG Sitnikova podepsal Tisk 01/09/2013. Formát 60 × 90/16. Tisk digitálního UD. l. 24. Cirkulace 200 kopií. Ed. № 13320 ISBN 978-5-9912-0320-3 © Rutkovskaya D., Pilignan M., Rutkovsky L. 1997, 2013 © Vydavatel Wydawnicwo Naukowe Pwn, 1997, 1999, 2004 © Rudinsky I. D., překlad z Polish, 2004, 2013 © Hotline-Telecom Vydavatel, 2004, 2013
P.4.
Předmluva obsahu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Předmluva k ruské publikaci. . . . . . . . . . . . . . . . . . . . . . . 12 1. Úvod. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 odkazů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2. Vícevrstvé neuronové sítě a jejich učení algoritmy 18 2.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2. Neuron a jeho modely. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3. Persheppon. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4. Systémy typu Adline. . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4.1. Lineární zavěšená adder. . . . . . . . . . . . . . . 26 2.4.2. Adaptivní lineární suspendované adder. . . . . 30 2.4.3. Adaptivní lineární vážený přísad se sigmoidem na výstupu. . . . . . . . . . . . . . . . . . . . . . . 31 2.5. Algoritmus pro reverzní chybu. . . . . . . . . . 33 2.6. Použití opakující se metody nejmenších čtverců pro učení neuronových sítí. . . . . . . . . . . . . . . . . . . . . 37 Seznam odkazů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3. Fuzzy sady a fuzzy závěr. . . . . . . . . . . . . . . . 45 3.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.2. Hlavní pojmy a určení teorie fuzzy sad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.3. Operace na fuzzy sadách. . . . . . . . . . . . . . . . . . . 56 3.4. Princip expanze. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 3.5. Fuzzy čísla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 3.6. Trojúhelníkové normy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 3.7. Fuzzy vztahy a jejich vlastnosti. . . . . . . . . . . . . . . . . . 78 3.8. Fuzzy závěr. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 3.8.1. Základní pravidla výstupu v binární logice. . . . . . 83 3.8.2. Základní pravidla výstupu v fuzzy logice. . . . . . 84 3.8.2.1. Zobecnit pravidlo Fuzzy Modus Ponens. . . 84 3.8.2.2. Zobecněný fuzzy modus tollens pravidlo. . . 87 3.8.3. Pravidla pro fuzzy implikace. . . . . . . . . . . . . . . . . . 88.
Page5.
6 Obsah 3.9. Fuzzy Management. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 3.9.1. Classic Fuzzy Management Modul. . . . . . 92 3.9.1.1. Pravidla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 3.9.1.2. Fuzzizační jednotka. . . . . . . . . . . . . . . . . . . . . . 94 3.9.1.3. Vývojová jednotka. . . . . . . . . . . . . . . . . . 94 3.9.1.4. Defuzisisification jednotka. . . . . . . . . . . . . . . . . . . . . 105 3.9.2. Metoda fuzzy Management Takagi-Sugeno. . . . . . . 106 3.10. Navrhování databáze fuzzy pravidel na základě číselných dat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 3.10.1. Budování fuzzy pravidla. . . . . . . . . . . . . . . . . 110 3.10.2. Úloha parkovací vozík. . . . . . . . . . . . . . . . . . . 115 3.10.3. Poznámka. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 odkazů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 4. Genetické algoritmy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 4.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 4.2. Genetické algoritmy a tradiční optimalizační metody. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 4.3. Hlavní pojmy genetických algoritmů. . . . . . . . . . 126 4.4. Klasický genetický algoritmus. . . . . . . . . . . . . . . . 130 4.5. Ilustrace provedení klasického genetického algoritmu. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 4.6. Kódování parametrů úkolů v genetickém algoritmu 139 4.7. Hlavní věta na genetických algoritmech. . . . . . . . . 144 4.8. Modifikace klasického genetického algoritmu. . . 157 4.8.1. Výběrové metody. . . . . . . . . . . . . . . . . . . . . . . . . . . 157 4.8.2. Speciální reprodukční postupy. . . . . . . . . . . . . . . 160 4.8.3. Genetické operátory. . . . . . . . . . . . . . . . . . . . . . 161 4.8.4. Metody kódování. . . . . . . . . . . . . . . . . . . . . . . . . 163 4.8.5. Měřítko funkce přizpůsobivosti. . . . 164 4.8.6. V genetickém algoritmu. . . . . . . . . . . . . . . . 166 4.8.7. Genetické algoritmy pro optimalizaci multi-kritéria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 4.8.8. Genetické menšiny. . . . . . . . . . . . . . . . . . 169 4.9. Příklady optimalizace funkcí pomocí programu FLEXTOOL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170 4.10. Evoluční algoritmy. . . . . . . . . . . . . . . . . . . . . . . . 206 4.11. Aplikace evolučních algoritmů. . . . . . . . . . . . . . 213.
Page 6.
Obsah 7 4.11.1. Příklady optimalizace funkce pomocí Evolveru. . . . . . . . . . . . . . . . . . . . . . . . . 214 4.11.2. Řešení kombinatorických úkolů pomocí programu Evolver. . . . . . . . . . . . . . . . . . . . . . . . . 246 4.12. Evoluční algoritmy v neuronových sítích. . . . . . . . 250 4.12 1. Nezávislé použití genetických algoritmů a neuronových sítí. . . . . . . . . . . . . . . . . . . . . . . . . 252 4.12.2. Neuronové sítě podporují genetické algoritmy. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252 4.12.3. Genetické algoritmy pro podporu neuronových sítí. . . . . . . . . . . . . . . . . . . . . . . . . . 253 4.12.4. Použití genetických algoritmů pro učení neuronových sítí. . . . . . . . . . . . . . . . . . . 256 4.12.5. Genetické algoritmy pro výběr topologie neuronových sítí. . . . . . . . . . . . . . . . . . . . . . . . . . 256 4.12.6. Adaptivní interakční systémy. . . . . . 257 4.12.7. Typický cyklus evoluce. . . . . . . . . . . . . . . . . . . . . 257 4.12.7.1. Vývoj váhových hmotností. . . . . . . . . . . . . . . . . . . 259 4.12.7.2. Evolution Síťová architektura. . . . . . . . . . . . . . . 261 4.12.7.3. Vývoj pravidel učení. . . . . . . . . . . . . . . 264 4.13. Příklady modelování evolučních algoritmů v příloze k neuronovým sítím. . . . . . . . . . . . . . . . . . 266 4.13.1. Evolver a programy společnosti BrainMaker. . . . . . . . . . . . . . 268 4.13.2. Program GTO. . . . . . . . . . . . . . . . . . . . . . . . . . . 274 odkazů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303 5. FILE-Neural Control moduly. . . . . . . . . . . . . . . . 307 5.1. Modul fuzzy kontroly se strukturou definovanou v procesu defuzyifikace. . . . . . . . . . . 308 5.1.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308 5.1.2. Design modulu. . . . . . . . . . . . . . . . . . . . . . . . . 309 5.1.3. Struktura modulu. . . . . . . . . . . . . . . . . . . . . . . . . . . 311 5.1.4. Použití algoritmu konverze chyb. . . . . . . . . . . . . . . . . . . . . 313 5.1.5. Modulu modulu. . . . . . . . . . . . . . . . . . . . . . . 320 5.1.6. Použití fuzzy řídicího modulu pro předpovídání náhodných časových řad. . . . 322 5.1.7. Použití modulu Fuzzy Management k řešení nástavby nástavby. . . . . . . . . . . . . 326 5.1.8. Poznámka. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330.
Str.7.
8 Obsah 5.2. Prezentace fuzzy řídicího modulu ve formě standardní neuronové sítě. . . . . . . . . . . . . . . . . . . . . . . 330 5.3. Modul fuzzy kontroly s neuronovou síť pro provádění defazzy. . . . . . . . . . . . . . . . . . . . . . 333 5.3.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333 5.3.2. Design modulu. . . . . . . . . . . . . . . . . . . . . . . . . 334 5.3.3. Struktura modulu. . . . . . . . . . . . . . . . . . . . . . . . . . . 335 5.3.4. Modulové algoritmy. . . . . . . . . . . . . . . . . . 337 5.3.5. Řešení úkolu stabilizace obráceného kyvadla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342 5.3.6. Poznámka. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 5.4. Modul pro správu souborů se schopností opravit pravidla. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 5.4.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 5.4.2. Samoorganizace fáze učení. . . . . . 349 5.4.3. Fázové vzdělávání s učitelem. . . . . . . . . . . . . . . . . . . . 354 5.4.4. Poznámka. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356 5.5. Modul fuzzy řídicího typu Takagi-sugeno: případ nezávislých lingvistických proměnných. . . . . . 356 5.5.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356 5.5.2. Neurální realizace příslušenství. . 357 5.5.3. Takagi-sugeno moduly. . . . . . . . . . . . . . . . . . . . . . . 359 5.5.4. Provádění podmínek. . . . . . . . . . . . . . . . . . . . . . . . . 359 5.5.5. Provádění závěrů. . . . . . . . . . . . . . . . . . . . . . 361 5.5.6. Poznámka. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365 5.6. Modul fuzzy řídicího typu Takagi-sugeno: případ závislých lingvistických proměnných. . . . . . . 365 5.6.1. Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365 5.6.2. Neuronové sítě pro fuzzy výstup. . . . . . . . . . 366 5.6.3. Struktura systému. . . . . . . . . . . . . . . . . . . . . . . . . . 368 5.6.4. Metoda učení. . . . . . . . . . . . . . . . . . . . . . . . . . . . 372 5.6.5. Řešení úkolu parkovacích nákladních vozidel. . . . . . . . . . . . 374 5.6.6. Poznámka. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378 odkazů. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379 Předmět. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381.
Str.8.
Předmluva dvacáté století skončilo pod náznakem revoluce v oblasti zpracování informací. Svědčili jsme jak rychlý růst množství dostupných údajů a zvýšení rychlosti jejich zpracování a přenosu, jakož i kapacitu skladovacích zařízení. Je jasně vidět, že tyto jevy jsou nejen vzájemně propojeny, ale také posilují se. V situaci avalanche-podobného zvýšení ve výši informační a výpočetní kapacity vzniká zřejmá otázka, jak může naše schopnost znát okolní svět, s tak velkými a neustále rostoucími technickými schopnostmi? Pomoc pochází ze schválených klasických matematických metod vytvořených Newtonem, Leibnitsa, Eulerem a dalšími genies minulosti, položil základy moderních výpočetních algoritmů. Díky nim máme specializované výpočetní postupy pro rozpoznávání obrazu a projevu, řídit systémy různých tříd a řešení jiných podobných problémů. Nezávislý výzkum umělé inteligence vedl k vytvoření odborných a prognostických systémů založených na symbolickém zpracování a pravidlech s použitím základny. Všechny výše uvedené přístupy však zahrnují použití buď vysoce specializovaných výpočetních technik nebo specializovaných znalostních bází, nejčastěji uzavřené v tvrdém korzetu binární logiky. Další omezení použití těchto metod je spojeno s tím, že neumožňují přímé řešení úkolů při použití výpočetních systémů s univerzální architekturou, společné pro většinu praktických aplikací. Proto přistupujeme k původu a podstatě výpočtových technologií, které tvoří předmět této knihy. Tyto technologie v kombinaci v anglicky mluvící literatuře zvané výpočetní inteligenci, vám umožní získat nepřetržité nebo diskrétní řešení v důsledku školení o dostupných údajích. Jednou z podtřídek metody v diskusi se skládá z neuronových sítí pomocí stochastických algoritmů pro učení modelu s učitelem nebo samoreganizací. Jsou určeny pro zpracování řvoucích digitálních dat, podle kterého vzdělávací algoritmy staví jednosměrné nebo recidivující modely zájmů procesů. Tyto modely se vyznačují pravidelnou strukturou složenou z nelineárních prvků sjednocených rozsáhlým síť lineárních spojů a často doplněnou místními nebo globální zpětnou vazbou. Při modelování procesů mohou být neuronové sítě rozšířeny o aplikaci technologie zpracování informací na bázi fuzzy sad a fuzzy výstupu. Tato metoda je spojena s vyhodnocením funkcí patřících prvků, které jsou nastaveny s fuzzy logických operátorů. Navrhovaný přístup nejen uvolňuje požadavky na správnost údajů ve stavebním procesu
Pp .9.
10 Předmluva modelu, ale také umožňuje popsat komplexní systémy pomocí proměnných, jejichž hodnoty jsou určeny na intuitivní úrovni. Vyplývající z paradigmatu modelování, řízení, řešení atd. vede k tvorbě lingvistických argumentů logických funkcí. Tyto funkce popisující skutečné objekty mohou být rafinovány v procesu učení na dostupných datech. Dalším přístupem je formulovat pravidla přímo v procesu učení. To určuje inteligenci a komplementaritu neuronových modelů a systémů založených na fuzzy logice. Lingvistické operátoři, kteří používáme v každodenní komunikaci, a iterativní proces učení spolu vedou k inteligentním logalitním modelům, určeném konceptem výpočetní inteligence (výpočetní techniky). Intelektualita je v tomto případě chápána jako schopnost aplikovat znalosti akumulované během procesu učení, jako příležitost generovat výstupní pravidla a jak se schopnost zobecnit informace. Důležitá třída učení algoritmů, které obohatily neurální a fuzzy technologie, jsou evoluční algoritmy. Pracují s populacemi chromosomu měřené fitness funkcími a používají evoluční a genetické stanovení změn v pořadí bitů nebo čísel. Prostor možných řešení je tedy účinně zkoumáno. Optimální řešení je hledáno v sérii po sobě jdoucích aproximací argumentů s nejlepšími hodnotami adaptabilních funkcí generovaných v důsledku mutace a zmačkaných chromozomů. Autorem těchto poznámek jako předseda Výboru pro Symposium Comquitional Intelligence: napodobující život, který se konal v Orlandu v roce 1994, stála na počátku fúze těchto tří vědeckých trendů a vznik nového integrálního průmyslu znalostí. On rád vítá "neuronové sítě, genetické algoritmy a fuzzy systémy" - inovativní knihu o polském vydavatelském trhu. Kromě diskuse o základních prvcích neuronových sítí popisujícím fuzzy systémů a evolučních algoritmů, tato práce obsahuje původní vědecké výsledky autorů. Kniha poskytuje podrobnosti o realizaci specifických technických řešení, včetně různých procesorů a tréninkových systémů založených na fuzzy logice. Velká pozornost je věnována praktickému využití řady aplikačních balíčků. Tematická kniha je spojena s vědeckými oblastmi všech kulatých konferencí o neuronových sítích a jejich žádosti pořádané profesorem L. Rutkovsky a polské partnerství neuronové sítě v letech 1994 a 1996 Tato publikace pod vedením profesora L. Rutkovského je nesmírně relevantní, cenné a jedinečné. Vyplní rozsáhlý výklenek na CCTC vědeckém trhu Polska. Kniha bude zvláště užitečná inženýři různých specialit, ekonomů, fyziků, matematiků a profesionálů počítačových věd, stejně jako studenti.
Str.10
Předmluva 11 těchto a přilehlých oblastí znalostí. Autoři by měli blahopřáli s velkým úspěchem ve formě této nádherné vědecké práce. Tato kniha by neměla nejen vynásobat uznání jejich zásluh, ale také přilákat nové řady nadšenců této vzrušující vědecké disciplíny. Červenec 1996, Yatez Jurad, člen IEEE. University of Louisville, Spojené státy americké
Zařízení fuzzy sad a fuzzy logiky již dlouho bylo úspěšně použito k řešení problémů, ve kterých jsou počáteční údaje nespolehlivé a slabě formátované. Silné stránky tohoto přístupu.
Popis podmínek a metody pro řešení jazykového problému blízké přírodní;
Universality: Podle tatové věty (fuzzy aproximace teorém), osvědčená společností Cosko (V. Kosko) v roce 1993, jakýkoli matematický systém může být aproximován systémem založeným na fuzzy logice;
Účinnost (související s univerzálností), ilustrující řadou vět vět podobných větám o úplnosti pro umělé neuronové sítě, například věta: pro každou skutečnou nepřetržitou funkci, fuzzy expertní systém, který tvoří výstupní funkce, je takový
kde je symbol přijaté vzdálenosti mezi funkcemi.
Některé nevýhody jsou zároveň charakteristické pro fuzzy systémy:
Původní soubor postulovaných fuzzy pravidel je formulována odborníkem člověka a může být neúplná nebo protichůdná;
Formulář a parametry funkcí příslušenství popisujících vstupní a výstupní proměnné systému jsou vybrány subjektivně a nemusí být poměrně reflexní skutečná platnost.
Pro odstranění alespoň částečně byly tyto nevzbané nevzvány, aby vytvořily fuzzy systémy adaptivní, upravující, jak fungují, pravidla a parametry funkcí příslušenství. Jedním z nejúspěšnějších příkladů těchto systémů jsou fuzzy neuronové sítě.
Fuzzy neuronová síť formálně podle struktury identické s vícevrstvou neuronovou sítí s učením, například podle algoritmu konverze chyb, ale skryté vrstvy v něm odpovídají fázím fuzzy systému:
První vrstva neuronů provádí funkci zavedení fuzzifikace (fuzifikace) na základě specifikovaných funkcí příslušenství vstupů;
Druhá vrstva zobrazuje soubor fuzzy pravidel;
Třetí vrstva provádí funkci defuzzifikace (defuzzifikace).
Každá z těchto vrstev je charakterizována množinou parametrů (funkce příslušenství, fuzzy rozhodujících pravidel, aktivačních funkcí, hmotnostních vazeb), jejichž stanovení se provádí ve skutečnosti i pro konvenční neuronové sítě.
Níže jsou uvedeny teoretické aspekty tvorby podobných sítí, a to zařízení fuzzy logiky a vlastně fuzzy neuronových sítí ve vztahu k rozhodovacím úkolům v podmínkách nejistoty.
Kromě toho je v této kapitole značná pozornost věnována zvážení genetických algoritmů, které, stejně jako fuzzy neuronové sítě se týkají třídy hybridních systémů. Nejoblíbenější je aplikace, ve které jsou genetické algoritmy používány v procesu učení neuronových sítí, včetně fuzzy, hledat optimální strukturu a sadu závaží koeficienty.
1Tento článek popisuje provedení struktury genetického algoritmu, jakož i možnost použití takových algoritmů v úkolech učení neuronových sítí. Článek analyzoval a zdůraznil výhody genetických algoritmů při hledání optimálních řešení ve srovnání s klasickými metodami. Schéma konstrukce každého kroku genetického algoritmu je podrobně popsáno, včetně práce různých mutačních operací, jako je mutace založená na přírůstku a klasickém mutačním operátorovi. Navrhuje se navíc nový provozovatel mutace, který zahrnuje pracovní algoritmy popsané výše mutační operátory. Schéma představení dat umělé neuronové sítě jako genetického materiálu je také poskytnuta možnosti dalšího zpracování dat pomocí genetických algoritmů, včetně schématu konverze dat uložených v matrici v jednom chromozomu, což snižuje počet iterací v procesu učení.
genetický algoritmus
trénink neuronové sítě
1. Aksenov S.V., Novoseltsy v.b. Organizace a použití neuronových sítí (metody a technologie) / pod celkem. ed. Vb. Novoseltseva. - Tomsk: nakladatelství NTL, 2006. - 128 p.
2. batyrshin i.z. Fuzzy hybridní systémy. Teorie a praxe / ed. N.g. Yarushkina. - M.: Fizmatlit, 2007. - 208 p.
3. Gladkov L.A. Genetické algoritmy / L.A. Gladkov, v.v. Kurechik, V.M. Kurechik. - M.: Fizmatlit, 2006. - 320 p.
4. Osovo C. Neuronové sítě pro zpracování informací / trans. z polštiny i.d. Rudinsky. - M.: Finance a statistiky, 2002. - 344 p.
Nejpřijenějším způsobem, jak nastavit vážné koeficienty umělých neuronových sítí, lze považovat za genetické algoritmy. Důvodem je skutečnost, že v počáteční fázi nejsou absolutně žádné informace o směru pohybu, pokud jde o nastavení váhy matrice. Pod nejistotou, evoluční metody, včetně genetických algoritmů, mají nejvyšší šance na dosažení požadovaných výsledků. Klasický genetický algoritmus provozuje systém binární číslo, i když v nedávné době často pracuje, ve kterém operátoři genetických algoritmů provádějí operace na množství reálných čísel. To umožňuje výrazně rozšířit možnost použití popsaných algoritmů.
Zvažte matematický model úkolu. Dan Vector. X. S rozměrem 256, což je kódovaný obraz známého rozpoznatelného symbolu. Také jíst vektor Y. S rozměrem 10, což odráží požadované výsledek rozpoznávání, označující identitu symbolu na referenční vzor. Je nutné najít hmotnostní matrici W.Prvky, jejichž jsou reálná čísla v segmentu, které mají být prováděny na rovnost:
X.* W \u003d.Y. (1)
Je nutné konfigurovat hmotnostní matrici W. S pomocí genetického algoritmu. V rámci problému má zvažovaná matrice následující rozměr: počet řádků je 10, což představuje všechny znaky popisující arabské postavy; Počet sloupců je určen velikostí seznámení, nakreslené pod každým znakem, 256 sloupců.
Z hlediska důkazů a jednoduchosti porozumění by měla být každá kolona hmotnostní matrice považována za chromozom, která povede k přítomnosti 256 chromozomů, které v agregátu bude odrážet každý jednotlivec. S praktickým implementací je však mnohem pohodlnější použít jednodušší strukturu, i když méně vizuální. To je způsobeno tím, že je velmi obtížné realizovat přechodové operace a mutace v přítomnosti několika chromozomů. Každý jedinec ve vyvinutém genetickém algoritmu může být reprezentován jako pouze jeden chromozom, který významně zjednodušuje implementaci softwaru v počítači. Toho lze dosáhnout následujícím způsobem. Chromosom začne s prvním sloupcem matice váhy a každý další sloupec bude jednoduše přidán do konce již existujícího "jediného" chromozomu. Tato metoda je znázorněna na obrázku 1.
Obr. 1. Transformace hmotnostní matriceW ve vektoru váhyVw.
Klasický genetický algoritmus se skládá z řady nejdůležitějších fází. Tyto kroky mohou být ve skutečnosti uspořádány v chronologickém pořadí.
- Inicializace - tvorba zdrojové populace.
- Vyhodnocení fitness - výpočet funkce vhodnosti pro každého jednotlivce (v našem případě chromozomu).
- Výběr je vzorek založený na posouzení adaptability nejrozmanitějších chromozomů, které budou mít právo podílet se na crossingových operacích.
- CrossingRigner - překračování dvou jedinců.
- Mutace je úmyslná umělá změna určitých genů v jednotlivých chromozomech.
- Formování nové populace je snížení počtu jednotlivců na základě posouzení adaptability spolu s výběrem "nejlepšího" jednotlivce.
- Zkontrolujte kritérium pro zastavení algoritmu - pokud je dosaženo požadovaného stavu vyhledávání - výstup, jinak přechod ke kroku č. 3.
- Extrakce nejlepšího řešení - nejlepším řešením je považováno za jedinec s maximální hodnotou funkce vhodnosti.
Všechny popsané fáze jsou naprosto spravedlivé v rámci řešeného úkolu. Praktická implementace prvního kroku jakéhokoliv genetického algoritmu ve většině případů není náhodně nic jiného než inicializace. Každý gen jakéhokoliv chromozomu je přiřazen náhodnou hodnotu z intervalu přípustných hodnot. V souladu s tím, při nastavování hmotnosti matice W, každý gen obdrží genetické informace ve formě náhodné hodnoty v segmentu. Provádění softwaru takové metody inicializace je nejjednodušší a má své výhody a nevýhody. Výhody jsou následující.
- Není vyžadováno použití dalších algoritmů.
- Inicializace se provádí rychle a nezačne počítače.
- Snížil šance na vstup do lokálního optima.
Jako nedostatek může být v rozvinutém algoritmu poznamenána absence akumulovaných znalostí o přizpůsobitelných koeficientech. V důsledku inicializačního fáze je tedy hotová populace řešení. Navzdory absurdnosti můžeme hovořit o přítomnosti řešení v první fázi. Po obdržení původní populace je přechod na druhou etapu posoudit přizpůsobivost.
Posouzení přizpůsobivosti jednotlivců v obyvatelstva je vypočítat hodnotu funkce vhodnosti pro každý člen obyvatelstva. A čím vyšší je tato hodnota, tím více jednotlivec splňuje požadavky vyřešeného problému. V rámci úkolu má hmotnost matice část neuronové sítě, která provádí rozpoznání obrázků. A genetický algoritmus se provádí ve fázi výuky neuronové sítě. Jinými slovy, je nutné přinést hmotnostní matici tomuto druhu, ve kterém bude chybová chyba rozpoznávání obrazu minimální. Funkce vhodnosti odhaduje chybu rozpoznávání každého referenčního obrazu a tím méně chyb, tím vyšší je hodnota funkce vhodnosti. Úkolem je minimalizovat chybu rozpoznávání. Chcete-li to udělat, porovnejte výsledný vektor Y ' s referenčním vzorkem Y..
Výběrová fáze stanoví volbu těch jedinců, jejichž genetický materiál bude zapojen do tvorby následujících obyvatel řešení, tj. Při vytváření jiné generace. Popsaná volba je vyrobena podle principu přirozeného výběru, díky kterému maximální kurzy mají jednotlivce s nejvyššími hodnotami funkce vhodnosti. Existuje poměrně velká sada výběrových metod. Jeden z nejznámějších a nejčastějších použitých je metoda rulety. Toto jméno intuitivně pomáhá porozumět svým principům. Každý jednotlivec obdrží specifický sektor na "kolečku", jejichž velikost přímo závisí na hodnotě funkce vhodnosti.
Zde vyplývá, že čím vyšší je hodnota funkce vhodnosti, tím větší je velikost odvětví na "ruletové kolo". Čím větší je odvětví, tím vyšší je pravděpodobnost "vítězství" příslušného jednotlivce. A v důsledku toho pravděpodobnost výběru určitého jedince se ukáže, že je úměrná hodnotě funkce přizpůsobivosti. Použití metody "rulety" často vede k předčasnému konvergenci algoritmu, což je, že nejlepší jednotlivci začnou ovládat populace, ale ne optimální. Po několika generacích bude obyvatelstvo téměř úplně sestávat z kopií nejkrásnějších jednotlivců. Je však velmi nepravděpodobné, že dosažené řešení bude optimální, protože počáteční populace je generována náhodně a představuje pouze malou část vyhledávacího prostoru. Aby se zabránilo předčasnému konvergenci genetického algoritmu, použije se hodnoty funkce přizpůsobivosti. Scaling Funkce vhodnosti umožňuje vyloučit situaci, kdy průměr a nejlepší jednotlivci začnou tvořit stejný počet podobných potomků v následujících generacích, což je extrémně nežádoucí jev. Je třeba poznamenat, že měřítko také brání případům, kdy navzdory významné nehomogenitě obyvatelstva, průměrná hodnota funkce adaptability se neliší od maxima. Škálování funkce přizpůsobivosti není nic jiného než konverze jeho typu. Jsou izolovány tři hlavní transformace: lineární, výkonová a sigma oříznutí. Vyvinutý algoritmus používá konverzi sigma klipu.
, (2)
kde ale - malé číslo, zpravidla od 1 do 5; - průměrná hodnota funkce adaptability na populaci; Δ - standardní odchylka nad populací. V případě, kdy jsou získané hodnoty převedené funkce negativní, jsou rovny 0.
Tato metoda výběru můžete také upravit do určité míry nebo vytvořit výběr na základě syntézy několika metod najednou.
Dalším krokem v genetickém algoritmu je rekombinace nebo křížový závěs. Každý segment chromozomu je individuální k závěru určité informace. Účelem rekombinace je získat takovou kombinaci chromozomových mezer, ve kterém bude jedinec nejlepším řešením v současném genetickém materiálu. Výsledkem je, že hlavním úkolem operace CrossingGrower je dosáhnout nakonec nejvíce funkčních značek, které byly přítomny v sadách zdrojových řešení. Takový mechanismus pro řešení optimalizačních úkolů, na rozdíl od existujících metod, nenahrazuje jedno řešení do druhého, a přijímá nová možná řešení výměnou informací mezi nimi.
Crossing je nejdůležitějším provozovatelem genetického algoritmu, protože je to s pomocí operátora zesíťovadla s informacemi mezi řešeními. Potomci obsahují kombinaci specifických rysů obou rodičů. Účinnost jakéhokoliv genetického algoritmu je v přímé proporcionální závislosti na účinnosti přechodu. Kromě toho produktivita genetického algoritmu závisí na úspěchu zesítění v prvním místě. V rámci úkolu byl implementován objednaný operátor zesítění. Objednaný zesíťovec provádí fázovanou rutinní transformaci genetického materiálu, přiblíží se k optimálnímu řešení.
Na Obr. 2 ukazuje proces získání nových osob pomocí objednaného zesítění. Existují dva mateřské chromozomy: VW1 a VW2. Genetický materiál je reálná čísla od 0 do 1. Objednaný křížový vodič funguje následovně. Zpočátku je "řezný bod" určen náhodně. V další fázi první potomek New_VW1 zdědí levou část rodičovského chromozomu VW1. Plnění zbývajících genů nového chromozomu se provádí na úkor informací uložených na druhém rodiči VW2. Algoritmus přináší chromosomem VW2 od samého počátku a provádí extrakci genů, které se liší od genů již umístěných v potomci, více než hodnotou E \u003d 0,02. Nízká hodnota E je nastavena v algoritmu, aby se určila "příbuzenství" genů. S každým následným krokem a zejména v závěrečných fázích algoritmu, má smysl snížit hodnotu této hodnoty pro dosažení přesnějších výsledků. Podobný postup se provádí po obdržení druhého potomku New_VW2. Druhý potomek New_VW2 zdědí levou část rodičovského chromozomu VW2. Plnění zbývajících genů výsledného chromozomu se provádí na úkor informací umístěných na druhém rodiči VW1.
Obr. 2. Princip provozu objednaného zesítění.
Algoritmus analyzuje chromozom VW1 z prvního genu a poskytuje objednané generaci genů, které se liší od genů, které se již umístěno v potomci, více než hodnotou E \u003d 0,02. V důsledku každého provozovatele cvičení se objeví dva noví jedinci v populaci. Ovládání počtu operací crossoverů se používá křížový koeficient K K.Určení podílu potomků vyrobených v každé iteraci. Počet potomků je určen následujícím vzorcem:
Počet p \u003d.kolo (Velikost P.* K k)*2, (3)
kde Velikost P.- velikost populace, Počet p. - počet přijatých potomků, kolo - Operace zaokrouhlení.
Vysoká hodnota koeficientu křížení K K. Umožňuje zvýšit počet oblastí vyhledávacích prostor a snižuje riziko vstupu místního optima, ale příliš mnoho hodnoty zadaného parametru povede k nárůstu provozní doby algoritmu, stejně jako k nadměrnému studiu oblasti s nízkým plánováním vyhledávacího prostoru.
Dalším krokem v genetickém algoritmu je mutace. Mutace je změna, která vede k projevu kvalitativně nových vlastností genetického materiálu. Mutace se vyskytují náhodně a způsobují, že se změnily v konstrukci genotypu.
Jako součást řešení optimalizačních úkolů, genové mutace mají největší význam, což je ve většině případů ovlivněno jedním nebo více geny. Mutace se může nějakým způsobem vypadat, ať už se jedná o výměnu genů s pozicemi nebo kopírování hodnoty jiného genu atd. V každém genetickém algoritmu je nutné určit volbu typu mutace. V tomto genetickém algoritmu, gen obsahuje reálná čísla od 0 do 1. Podle toho by měl operátor mutace provádět specifické změny v genetickém materiálu, tj. Změňte hodnoty určitých genů bez spoléhání se na stávající geny. Podstatou vyvinutého mutačního operátora je následující. Ve studovaném chromozomu se náhodně izoluje náhodné množství genů. Mořský koeficient K m.určuje intenzitu mutací. Určuje podíl genů podrobených mutacím na aktuální iteraci, založený na jejich celkovém počtu. Pokud je koeficient mutace příliš malý, pak se situace, ve kterých mnoho užitečných genů jednoduše bude jednoduše v populaci. Zároveň, použití velké hodnoty koeficientu mutace povede k množství náhodných poruch a výrazně zvýší čas hledání. Potomci přestanou být jako jejich rodiče, algoritmus již nebude schopen studovat na základě zachování dědičných známek. Konverze se používá k vybraným genům, což způsobuje změnu hodnoty aktuálního genu na nějakou malou hodnotu. Hodnota je vybrána s takovým účtem, takže po změně hodnoty i-byl v segmentu.
Obr. 3. Náhodná mutace založená na přírůstku.
Na Obr. 3 ukazuje, jak se mutace provádí pomocí přírůstku. Geny s čísly 2 a 45 úspěšně získaly nový význam, což povede ke změně čtení funkce vhodnosti mutujícího jedince. Zatímco mutace genového čísla 6 se ukázalo být nepřijatelná, a proto byla ignorována. Použití mutací založených na -ness umožňuje přispět k obyvatelstvu nový genetický materiál. To povede ke zvýšení vyhledávacího prostoru, který je nezbytný pro efektivní vyhledávání optimálního. Samozřejmě má smysl využít klasického operátora mutace, který je založen na náhodné změně v řádu genů. To také vede k získání dostatečně dobrých výsledků v časných fázích provozu genetického algoritmu. Při řešení pozornosti problému se používá také multipoint mutace operátor. Algoritmus je náhodně v souladu s koeficientem intenzity, několik genů zvolí několik genů, jejichž hodnoty se dále mění s hodnotami sousedních genů. Práce klasického vícebodového operátora je znázorněna na OBR. čtyři.
Použití v jednom algoritmu najednou najednou několik typů mutačního operátora umožňuje efektivní hledání optimálního řešení. Co umožňuje na krátkou dobu, aby se dostalo docela dobré výsledky, stejně jako přidělit nejvhodnější pro studium "okolí řešení".
Provozovatel mutace se vztahuje na potomky jednotlivců přijatých po operaci přechodu. Úbcoméry s mutacemi zůstávají v populaci před začátkem tvorby nové populace. Počet mutujících jedinců je určen vzorcem:
,
kde K m k.- koeficient klasické mutace; K m δ. - Mutační koeficient na základě δ- posunutí; K m. - obecný mutační koeficient; Počet m. - počet jednotlivců, kteří podstoupili mutaci; Počet p. - počet potomků; kolo - Operace zaokrouhlení.
Obr. 4. Klasická multipoint operátorová mutace.
Ze vzorce je vidět, že algoritmus umožňuje v procentuálním poměru regulovat rovnováhu mezi klasickým multipointovým operátorem mutace a mutace na základě d-přírůstek. S touto funkcí můžete nastavit algoritmus pod konkrétním úkolem. S nárůstem podílu operátora klasického mutace se zvyšuje péče o hledání v blízkosti nejlepších řešení založených na současném genetickém materiálu, a zvýšením podílu mutací na základě vyloučení, resp. Celkové vyhledávací prostory se zvyšuje a dochází k genové složení populace.
Dalším krokem ve vyvinutém genetickém algoritmu je tvorba nové populace. Kolik roste počet obyvatel, určených celkovým poměrem mutace K m. a křížení koeficientu K K.. Obecně platí, že aktuální počet obyvatelstva je vypočteno následujícím vzorcem:
Velikost p \u003d.Velikost P +.Počet p +.Počet m., (5)
kde Počet p. - počet přijatých potomků, Počet m. - počet jednotlivců získaných v důsledku mutací a Velikost P. - Číslo obyvatelstva.
Stupeň formace nové populace je navržena tak, aby vrátila populaci své počáteční hodnoty. Hodnota funkcí vhodnosti jednotlivců - rodiče, která byla již v populaci, jsou známa. Algoritmus vyhodnocuje vhodnost jednotlivců - potomků získaných v důsledku provozu zesítění, jakož i posouzení jednotlivců, které byly získány v důsledku provozu mutačního operátora. Na základě získaných hodnot funkce vhodnosti pro každého jednotlivce je nová populace vymazána ty jedince, ve kterých jsou hodnoty fitness funkce nejmenší. Algoritmus tento úkol implementuje důsledným odstraněním jednotlivců s minimální hodnotou funkce vhodnosti, dokud se populace vrátí na počáteční hodnotu. Počet "mrtvých" jednotlivců je vypočítán vzorcem:
Počet d \u003d.Počet p +.Počet m., (6)
kde Počet d. - počet "mrtvých" jednotlivců, Počet p. - počet přijatých potomků, Počet m. - počet osob získaných pomocí operátora mutace.
Ve fázi tvorby nové populace je také provedeno hledání nejlepšího řešení - že jedinec, který má maximální hodnotu funkce vhodnosti. Tato operace se provádí po stanovení počtu obyvatelstva v počáteční hodnotě. Po výběru nejlepšího jedince vysílá algoritmus ovládací prvek procesu k dalšímu kroku - kontrola zastavení algoritmu.
Definice kritéria genetického algoritmu zastavit přímo závisí na specifikách řešeného úkolu a existujících informací o objektu vyhledávání. Ve většině optimalizačních úkolů, pro které je známa optimální hodnota funkce vhodnosti, může být algoritmus uspořádán, pokud je dosaženo nejlepší části této hodnoty, případně s nějakou chybou. Pevný úkol ve skutečnosti nemá informace o optimální hodnotě funkce vhodnosti. Jinými slovy, algoritmus se snaží maximalizovat funkci vhodnosti, s přihlédnutím k chybě rozpoznávání usiluje o nulu. Proto byl v vytvořeném algoritmu implementován mechanismus zastavení vyhledávání, založený na absenci změny funkce vhodnosti nejlepšího jedince pro určitý počet iterací, které je specifikováno jako parametr genetického algoritmu. Kromě toho algoritmus stanoví zastavení své práce po uplynutí určitého počtu iterací, které je také specifikováno jako parametr. V případě, že stav zastavení je splněna, algoritmus problémy jako optimální řešení, které je reprezentováno nejlepší osobou definovanou ve fázi tváření nové populace. Pokud stav není splněna, algoritmus předává kontrolu fáze výběru.
Tak, v důsledku provozu genetického algoritmu, byla získána sada závaží koeficienty, které zajišťují správný provoz neuronové sítě. Stojí také za zmínku, že použití speciálního operátora mutace snížila čas školení sítě. Pro školení byla vybrána učební sada 180 prvků. Doba školení na této sadě s použitím popsaného genetického algoritmu s použitím mutace na základě přírůstku, fuzzy sítě Wang Mendela byla 2 minuty. 50 sekund, školení pomocí algoritmu pomocí klasické multipoint operátorové mutace trvala 3 min. 10 sec. A použití hybridního mutačního operátora umožnilo snížit dobu trvání až 1 min. 20 sec. Získaný genetický algoritmus tak umožňuje snížit čas pro nalezení nejlepšího řešení v rámci úkolu.
CrossingRigner - překračování dvou jedinců.
Bibliografický odkaz
Mishchenko V.A., Korokkin A.a. Použití genetických algoritmů ve výuce neuronových sítí // Moderní problémy vědy a vzdělávání. - 2011 - № 6;URL: http://science-education.ru/ru/article/view?id\u003d5138 (datum manipulace: 03/23/2020). Přinášíme vaši pozornost časopisy publikování v nakladatelství "Akademie přírodních věd"