CC BY
18<Тешетневс^ие чтения. 2016
УДК 591.87
КЛАССИФИКАТОРЫ НА НЕЧЕТКОЙ ЛОГИКЕ, АВТОМАТИЧЕСКИ ГЕНЕРИРУЕМЫЕ КОЛЛЕКТИВНЫМ БИОНИЧЕСКИМ МЕТОДОМ ОПТИМИЗАЦИИ1
Ш. А. Ахмедова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: shahnaz@inbox.ru
Разработан алгоритм автоматического проектирования классификаторов на нечеткой логике, который применялся для решения практических задач из различных областей, в том числе ракетно-космической. Работоспособность и эффективность алгоритма доказаны.
Ключевые слова: бионический алгоритм, нечеткая логика, классификаторы, самонастройка.
FUZZY RULE-BASED CLASSIFIERS BASED ON AUTOMATED DESIGN WITH COLLECTIVE BIONIC ALGORITHM
Sh. A. Akhmedova
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: shahnaz@inbox.ru
A meta-heuristic called Co-Operation of Biology Related Algorithms (COBRA) is applied to the design of a fuzzy rule-based classifiers which are used for solving different real-world problems including aerospace assignments. Workability and effectiveness of the new technique are established.
Keywords: bionic algorithm, fuzzy logic, classifiers, self-tuning.
Коллективный самонастраивающийся алгоритм безусловной оптимизации на основе бионических методов, названный Co-Operation of Biology Related Algorithms (COBRA), был впервые описан в [1]. Главная идея алгоритма заключается в параллельной работе пяти известных методов роевого интеллекта, которые в ходе работы программы обмениваются «информацией» между собой и «соперничают» за индивидов [2]. Основным преимуществом разработанного оптимизационного метода является возможность автоматической настройки размера популяции для каждого алгоритма-компонента. Таким образом, был предложен метод самонастройки алгоритма COBRA путем учета пригодности популяции каждого метода оптимизации, включенного в упомянутую эвристику, основанный на идее конкуренции и коэволюции, высказанной и обоснованной в [3] и успешно примененной в сложных практических задачах из различных областей, в том числе ракетно-космической [4-6].
В [1] работоспособность и эффективность алгоритма COBRA успешно обоснованы на множестве тестовых задач, взятых с конкурса CEC'2013. Кроме того, было установлено, что разработанный метод оптимизации COBRA превосходит по результатам тестирования свои алгоритмы-компоненты. В [7] коллективный алгоритм COBRA был модифицирован для решения задач безусловной оптимизации с бинарны-
1 Работа выполнена при поддержке Российского фонда фундаментальных исследований (проект 16-47-240545).
ми переменными; полученный метод был назван COBRA-b. Для бинаризации эвристики COBRA была применена методика, описанная в работе Кеннеди и Эберхарта [8]. Идея заключается в использовании скорости индивидов или их координат, а также в вероятности для определения, находится ли частица в одном из двух состояний (1 или 0), с помощью вычислений значения логистической функции. Разработанная модификация COBRA-b была протестирована на тех же задачах, что и алгоритм COBRA, и продемонстрировала достаточно высокую эффективность при их решении.
Оба алгоритма COBRA и COBRA-b затем были успешно применены для автоматического генерирования классификаторов на нечеткой логике [9]: база правил классификаторов настраивалась эвристикой COBRA-b, т. е. каждая база правил представлялась в виде бинарной строки, а параметры функций принадлежности определялись с помощью метода COBRA.
В итоге сначала алгоритмом COBRA-b инициализируется популяция баз правил в виде заданного множества бинарных строк. Далее для каждой базы правил подбираются параметры функций принадлежности, т. е. решается задача безусловной оптимизации с вещественными переменными алгоритмом COBRA, после чего выполняется «основная» работа эвристики COBRA-b, и в конечном итоге выбирается та база правил, которая решает заданную задачу классификации лучше всего.
Математические методы моделирования, управления и анализа данных.
Предложенный алгоритм автоматического генерирования классификаторов на нечеткой логике был успешно использован для решения различных практических задач [10], в частности, для задач медицинской диагностики, категоризации текста и др.
Библиографические ссылки
1. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms // Proceedings of the IEEE Congress on Evolutionary Computation (CEC'2013). 2013. P. 2207-2214.
2. Akhmedova Sh., Shabalov A. Development and Investigation of Bio-logically Inspired Algorithms Cooperation Metaheuristic // Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO'13). 2013. P. 1417-1418.
3. Семенкин Е. С., Семенкина М. Е. Программный комплекс адаптивных эволюционных алгоритмов моделирования и оптимизации сложных систем // Программные продукты и системы. 2012. № 4. С. 73-77.
4. Brester Ch. Yu., Semenkin E. S. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник СибГАУ. 2013. № 4(50). C. 99-103.
5. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics. 2014. 11. С. 318-323.
6. Khritonenko D. I., Semenkin E. S. Distributed self-configuring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. № 4(50). C. 112-116.
7. Ахмедова Ш. А., Семенкин Е. С. Новый коллективный метод оптимизации на основе кооперации бионических алгоритмов // Вестник СибГАУ. 2013. № 4(50). C. 92-99.
8. Kennedy J., Eberhart R. A discrete binary version of the particle swarm algorithm // Proceedings of the World Multiconference on Systemics, Cybernetics and Informatics. 1997. P. 4104-4109.
9. Akhmedova Sh., Semenkin E., Stanovov V. Fuzzy Rule-based Classifier Design with Co-Operative Bionic Algorithm for Opinion Mining Problems // Proceedings of the 13th International Conference on Informatics in Control, Automation and Robotics (ICINC0'2016). 2016. P. 68-74.
10. Akhmedova Sh., Semenkin E., Stanovov V. Fuzzy Rule-Based Classifier Design with Co-Operation of Biology Related Algorithms // Advances in Swarm Intelligence : Lecture Notes in Computer Science, 2016. Vol. 9713. P. 198-205.
References
1. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms. Proceedings of the IEEE Congress on Evolutionary Computation (CEC'2013). 2013, pp. 2207-2214.
2. Akhmedova Sh., Shabalov A. Development and Investigation of Bio-logically Inspired Algorithms Cooperation Metaheuristic. Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO'13), 2013. P. 1417-1418.
3. Semenkin E. S., Semenkina M. E. Programmnye produkty i sistemy. 2012, № 4, pp. 73-77 (In Russ.).
4. Brester Ch. Yu., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), pp. 99-103.
5. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics 11. 2014. Pp. 318-323.
6. Khritonenko D. I., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), pp. 112-116.
7. Akhmedova Sh. A., Semenkin E. S. Vestnik SibGAU. 2013, № 4 (50), pp. 92-99.
8. Kennedy J., Eberhart R. A discrete binary version of the particle swarm algorithm. Proceedings of the World Multiconference on Systemics, Cybernetics and Informatics. 1997, pp. 4104-4109.
9. Akhmedova Sh., Semenkin E., Stanovov V. Fuzzy Rule-based Classifier Design with Co-Operative Bionic Algorithm for Opinion Mining Problems. Proceedings of the 13th International Conference on Informatics in Control, Automation and Robotics (ICINCO'2016). 2016, pp. 68-74.
10. Akhmedova Sh., Semenkin E., Stanovov V. Fuzzy Rule-Based Classifier Design with Co-Operation of Biology Related Algorithms. Advances in Swarm Intelligence, Lecture Notes in Computer Science, 2016, vol. 9713, pp. 198-205.
© Ахмедова Ш. А., 2016
