Оптимизация параметров нечетких моделей методами роевого интеллекта презентация

Краткий обзор 1. Нечеткие системы 2. Алгоритм роящихся частиц 3. Алгоритм пчелиной колонии 4. Алгоритмы муравьиной колонии дискретный непрерывный прямой 5. Эксперимент Проведение научных исследований Оптимизация

Слайд 1Оптимизация параметров нечетких моделей методами роевого интеллекта
И.А. Ходашинский,
профессор
кафедры

автоматизации обработки информации
Томского университета систем управления и радиоэлектроники

hodashn@rambler.ru

Проведение научных исследований Оптимизация параметров нечетких моделей 1


Слайд 2Краткий обзор
1. Нечеткие системы
2. Алгоритм роящихся частиц
3. Алгоритм пчелиной колонии
4. Алгоритмы

муравьиной колонии
дискретный
непрерывный
прямой
5. Эксперимент

Проведение научных исследований Оптимизация параметров нечетких моделей 2


Слайд 3Нечеткие системы


Оптимизация параметров нечетких моделей Нечеткие системы 3
Правило

i: ЕСЛИ x1 = A1i И x2 = A2i И … И xn = Ani ТО y = ri ;

Вывод




x – входной вектор,
R – число правил,
n – количество входных переменных,
– функция принадлежности.



a

b

c

xi

оптимизируемые параметры


Слайд 4Процесс оптимизации
Критерий – ошибка вывода ε





Оптимизация параметров нечетких моделей Нечеткие

системы 4

Оптимизация структуры

Оптимизация параметров

?

Валидность модели

да

нет

Таблица наблюдений


Слайд 5Результат оптимизации





Оптимизация параметров нечетких моделей Нечеткие системы 5
Треугольная ФП,

два входа, пять термов для одного входа

антецедент


консеквент


Гауссова ФП, два входа, пять термов для одного входа

антецедент


консеквент



Слайд 6Рой, колония, стая





Оптимизация параметров нечетких моделей Алгоритм роящихся частиц 6



Децентрализация и самоорганизация, простые правила взаимодействия


Слайд 7Концепция алгоритма роящихся частиц
Координаты

определяют параметры нечеткой системы.
Каждая частица оценивает свою позицию в пространстве поиска.
Каждая частица помнит свою лучшую позицию.
Каждая частица знает лучшую позицию в рое.
Скорость динамически корректируется.






Оптимизация параметров нечетких моделей Алгоритм роящихся частиц 7




Слайд 8Алгоритм роящихся частиц







pi(k) – лучшая позиция i-ой частицы,
pg(k) – лучшая позиция

частицы в рое,
c1 – когнитивный параметр,
c2 – социальный параметр






Оптимизация параметров нечетких моделей Алгоритм роящихся частиц 8


инерция

память

сотрудничество






Слайд 9 Концепция алгоритма пчелиной колонии
Отсутствие иерархии и централизованного управления
Обратная

связь
Временная специализация: Разведчики и Фуражиры
Распределение фуражиров в зависимости от полезности ресурса






Оптимизация параметров нечетких моделей Алгоритм пчелиной колонии 9




Слайд 10Алгоритм пчелиной колонии
1. Задание начальных значений.
2. Для каждого разведчика формирование случайного

решения.
3. Определение лучшего решения.
4. Формирование массива фуражиров.
5. Формирование новых решений на базе фуражиров и лучшего решения.
6. Вычисление нормированной ошибки новых и старых решений.
7. Формирование массива разведчиков и фуражиров.
8. Если выполнено условие останова, то ВЫХОД,
иначе переход на шаг 2.






Оптимизация параметров нечетких моделей Алгоритм пчелиной колонии 10




Слайд 11Концепция алгоритма муравьиной колонии

Муравьи ищут самые короткие пути к источнику пищи.
Каждый

муравей считывает и оставляет следы феромона на своем пути.
Следы феромона испаряются.
Распределение феромонов определяет вероятность выбора в пространстве решений.






Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 11




Слайд 12Дискретный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 12




С13 = 0.1


Слайд 13Дискретный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 13




1. Задать начальные параметры алгоритма и нечеткой системы.
2. Задать популяции муравьев в колониях.
3. Для всех муравьев текущей колонии определить дуги, для которых вероятности выбора максимальны.
4. Передать в нечеткую систему значения параметров функций принадлежности, определенных муравьями текущей колонии, и вычислить ошибки. Если параметры, переданные муравьем в нечеткую систему, лучше текущих, то сохранить новые значения параметров.
5. Если имеется следующая колония, то сделать ее текущей и перейти на шаг 3, иначе перейти на шаг 6.
6. Вычислить количество фермента на каждой дуге.
7. Вычислить количество испаренного фермента.
8. Если условие окончание работы алгоритма выполнено, то ВЫХОД, иначе перейти к шагу 2.


Слайд 14Дискретный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 14




где Q – количество феромона у муравья,
Lk(t) – значение ошибки,
Δτkij – количество нанесенного феромона,
ρ О [0;1] – коэффициент снижения интенсивности феромона.

количество феромона, наносимого на дуги
увеличение количества феромона

испарение феромона


Слайд 15Дискретный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 15




где cij – это вес дуги (i;j) или нормированное значение параметра,
N – количество вершин,
α – эмпирический коэффициент, определяющий значимость фермента,
τ(i,j) – интенсивность фермента на дуге (i;j).


Слайд 16Непрерывный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 16





где Gi(x) – Гауссово ядро номер i,
ωl – вес l-й функции Гаусса


Слайд 17Непрерывный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 17




Архив решений

si - параметр функции принадлежности


Слайд 18Непрерывный АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 18




вес l-го решения

вероятность выбора l-й функции Гаусса

математическое ожидание функции Гаусса
среднеквадратическое отклонение функции Гаусса

где q – коэффициент сходимости алгоритма,
ξ – коэффициент скорости испарения фермента.


Слайд 19Прямой АМК





Оптимизация параметров нечетких моделей Алгоритм муравьиной колонии 19




μ(t) = (1– ρ) μ(t–1)
σ(t) = (1– ρ) σ(t–1)

μ(t) = μ(t) + ρθ(t)
σ(t) = σ(t) + ρ|θ(t) – μ(t)|

dj = σj rand

начальное значения параметра σ


увеличение количества фермента


испарение фермента

значение интервала локального поиска


параметр конвергенции

где μ, σ – параметры нормального распределения
ρ – эмпирический коэффициент испарения фермента
rand – равномерно распределенное число в интервале [0,1]


Слайд 20Параметры АМК по умолчанию





Оптимизация параметров нечетких моделей Эксперимент 20




F(x1, x2) = x1sin(x2)


Слайд 21Исследование размера архива решений





Оптимизация параметров нечетких моделей Эксперимент 21




Размер архива решения

ошибка


Слайд 22Исследование коэффициента испарения





Оптимизация параметров нечетких моделей Эксперимент 22




коэффициент испарения

ошибка


Слайд 23




Оптимизация параметров нечетких моделей Эксперимент 23


Сравнительная динамика изменения

ошибки

Слайд 24СПАСИБО





Проведение научных исследований Оптимизация параметров нечетких моделей


hodashn@rambler.ru


Обратная связь

Если не удалось найти и скачать презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое ThePresentation.ru?

Это сайт презентаций, докладов, проектов, шаблонов в формате PowerPoint. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами с другими пользователями.


Для правообладателей

Яндекс.Метрика