CC BY
16Математические методы моделирования, управления и анализа данных
УДК 519.87
О ПРИМЕНЕНИИ ГЕНЕТИЧЕСКОГО ПРОГРАММИРОВАНИЯ ДЛЯ РАЗРАБОТКИ СИСТЕМ НА НЕЧЕТКОЙ ЛОГИКЕ*
Д. Ю. Мамонтов
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: mamontov.bs@yandex.ru
Описываются самонастраивающиеся методы автоматического формирования экспертных систем на нечёткой логике, широко используемых при проектировании и управлении ракетно-космическими системами.
Ключевые слова: самонастраивающиеся эволюционные алгоритмы, экспертные системы на нечеткой логике, алгоритм генетического программирования, генетический алгоритм.
ON APPLYING GENETIC PROGRAMMING IN FUZZY LOGIC SYSTEMS DESIGN
D. Yu. Mamontov
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: mamontov.bs@yandex.ru
This article describes self-configuring methods for automated design offuzzy logic based expert systems widely used in space and rocket systems design and control.
Keywords: self-configuring evolutionary algorithms, fuzzy logic based expert systems, genetic programming algorithm, genetic algorithm.
На сегодняшний день все более важную роль в управлении сложными техническими, ракетно-космическими системами, играют интеллектуальные информационные технологии [1]. Одной из самых распространенных технологий являются экспертные системы, основанные на нечеткой логике и теории нечетких множеств [2]. Однако широкому распространению таких систем препятствуют сложности на этапе разработки. Инженеру по знаниям требуется получить знания от эксперта, представить их в виде формальной модели, состоящей из двух основных частей: базы нечетких правил и набора лингвистических переменных. В свою очередь, методики для получения этих знаний слабо формализованы. Весь процесс извлечения знаний становится, по сути, взаимным обучением эксперта и инженера, требующим слишком много времени. В случае же наличия готовых баз данных, можно попытаться избежать этапа извлечения знаний, занимающего длительное время, путем применения методов автоматического формирования базы правил и оптимизации термов лингвистических переменных [3].
В данном исследовании для формирования базы нечетких правил используется самонастраивающийся алгоритм генетического программирования (СГП), модификация стандартного алгоритма, предложенного в [4], позволяющий получить готовую базу правил, без привлечения эксперта. Также для оптимизации
лингвистических переменных используется самонастраивающийся генетический алгоритм (СГА). Самонастраивающиеся модификации данных алгоритмов, предложенные в [4], позволяют избежать трудностей на этапе их настройки, тем самым снижая требования к специалистам, использующим данную систему.
Исследование предложенных подходов проводилось на задаче управления динамической системой «тележка-перевернутый маятник», а также на двух задачах классификации: задача о распознавании банкнот (1) и задача об ирисах Фишера (2), взятых из открытого репозитория [5].
Динамическое поведение перевернутого маятника описывается системой из двух дифференциальных уравнений. Целью управления является стабилизация системы, характеризующаяся нулевым отклонением маятника от нормали и нулевым положением тележки.
Эволюционная процедура формирования базы правил и оптимизации лингвистических переменных была построена следующим образом. На первом этапе запуск СГП с размером популяции 70, максимальной глубиной дерева 4 и полным ростом.
Процедура поиска происходит до тех пор, пока каждые 100 поколений пригодность лучшего индивида будет возрастать более чем на 5 %. На втором этапе запуск СГА с размером популяции 70. Критерий останова такой же.
* Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований, Правительства Красноярского края, Красноярского краевого фонда поддержки научной и научно-технической деятельности в рамках научного проекта № 16-41-240822.
Решетневские чтения. 2017
Точность классификации системой на нечеткой логике
2 терма 3 терма 4 терма 5 термов 6 термов
Задача о банкнотах 0,908 0,956 0,954 0,9346 0,9153
Задача об ирисах 0,8913 0,9783 0,8912 0,913 0,9348
Пусть каждая входная и выходная переменная будет описываться 5 термами. В результате моделирования поведения системы «тележка - перевернутый маятник» с применением системы управления на нечеткой логике, построенной с помощью СГП и СГА, удалось стабилизировать угол отклонения маятника в пределах от -2 до 2 оС. Тем не менее, полученная база содержит 54 (4 переменных, каждая из которых описывается 5 термами) = 625 правил, что трудно интерпретировать в форму легко понятную человеку. С целью сокращения размера базы правил было уменьшено количество термов у каждой переменной до 3. В результате чего, также была построена система управления, содержащая всего 81 правило, однако качество управления заметно ухудшилось, поскольку контроллеру хоть и удавалось удерживать угол отклонения маятника от нормали, но положение тележки стабилизировать не удалось.
Тестирование на задачах классификации происходило путем изменения количества термов от 2 до 6. Также все входные и выходные переменные описываются одинаковым количеством термов. В таблице представлены результаты для обеих задач классификации.
Исходя из полученных данных, можно отметить, что в обеих задачах максимальная точность достигается при количестве термов равном 3. И увеличение их числа не всегда приводит к увеличению эффективности классификации.
Результаты решения первой задачи были сравнены с методами, исследованными в [6]. Эффективность решения задач классификации сравнивалась с методами, реализованными в RapidMiner [7] (нечеткий классификатор, метод k ближайших соседей, деревья решений, случайный лес, индукция правил, наивный байесовский классификатор, линейный дискрими-нантный анализ).
Сравнения показали, что автоматически сформированная система на нечеткой логике демонстрирует точность классификации, сопоставимую с известными подходами, при этом за счет автоматического формирования систем на нечеткой логике с применением СГП и СГА удается существенно сократить время на создание таких систем и снизить квалификационные требования к разработчику.
Библиографические ссылки
1. Semenkin E., Semenkina M. Spacecrafts' control systems effective variants choice with self-configuring genetic algorithm // ICINCO 2012 Proceedings of the 9th International Conference on Informatics in Control, Automation and Robotics. 2012. Р. 84-93.
2. Sergienko R., Semenkin E., Bukhtoyarov V. Michigan and Pittsburgh methods combining for fuzzy classifier generating with coevolutionary algorithm for
strategy adaptation // 2011 IEEE Congress of Evolutionary Computation, CEC 2011. 2011. Р. 113-120.
3. Stanovov V., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy logic rule base // 2014 11th International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2014. 11. Р. 317-321.
4. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // 2012 IEEE Congress on Evolutionary Computation, CEC 2012 2012. Р. 1918-1923.
5. Machine Learning Repository [Электронный ресурс]. URL: http://archive.ics.uci.edu/ml/datasets.html (дата обращения: 10.03.2017).
6. Мамонтов Д. Ю., Карасева Т. С. Решение задач финансового анализа с помощью интеллектуальных информационных технологий // Информационно-телекоммуникационные системы и технологии : материалы Всероссийской научно-практической конференции. Кемерово КузГТУ, 2015.
7. RapidMiner Studio [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 10.03.2017).
References
1. Semenkin E., Semenkina M. Spacecrafts' control systems effective variants choice with self-configuring genetic algorithm // ICINCO 2012 - Proceedings of the 9th International Conference on Informatics in Control, Automation and Robotics. 2012. Р. 84-93.
2. Sergienko R., Semenkin E., Bukhtoyarov V. Michigan and Pittsburgh methods combining for fuzzy classifier generating with coevolutionary algorithm for strategy adaptation // 2011 IEEE Congress of Evolutionary Computation, CEC 2011. 2011. Р. 113-120.
3. Stanovov V., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy logic rule base // 2014 11th International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 11.
2014. Р. 317-321.
4. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // IEEE Congress on Evolutionary Computation, 2012. Р. 1918-1923.
5. Machine Learning Repository [Электронный ресурс]. Available at: http://archive.ics.uci.edu/ml/ datasets.html (accessed: 10.03.2017).
6. Mamontov D. Yu., Karaseva T.S., [Solving of financial analysis problems with intellectual information technologies] // Materialy Vserossijskoj nauchno-prakticheskoj konferencii "Informacionno-telekommuni-kacionnye sistemy i tehnologii". Kemerovo : KuzSTU,
2015. (In Russ.)
7. RapidMiner Studio [Electronic resource] Available at:https://rapidminer.com// (accessed: 10.03.2017).
© Мамонтов Д. Ю., 2017
