CC BY
28
УДК 004.416.6
О ПРИМЕНЕНИИ НЕЧЕТКОГО КОНТРОЛЛЕРА В ГИБРИДНОМ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ АВТОМАТИЗИРОВАННОГО ФОРМИРОВАНИЯ
ДЕРЕВЬЕВ ПРИНЯТИЯ РЕШЕНИЙ
Л. В. Липинский, Т. В. Кушнарева1
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: 1rare-avis@mail.ru
Рассматривается применение нечеткого контроллера в гибридном эволюционном алгоритме автоматизированного формирования деревьев принятия решений. Данная модификация алгоритма позволяет использовать его для решения задач в ракетно-космической отрасли.
Ключевые слова: нечеткий контроллер, генетическое программирование, генетический алгоритм, деревья принятия решений.
ABOUT APPLYING OF FUZZY CONTROLLER IN HYBRID EVOLUTIONARY AUTOMATED FORMATION OF DECISION TREES ALGORITHM
L. V. Lipinskiy, T. V. Kushnareva1
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: 1rare-avis@mail.ru
In this paper applying offuzzy controller in the hybrid evolutionary algorithm automated formation of decision trees are considered. This modification of the algorithm can be used for solving problems in the rocket and space industry.
Keywords: fuzzy controller, genetic programming, genetic algorithm, decision trees.
Введение. Нечеткий контроллер широко и успешно применяется для управления параметрами различных алгоритмов в разных областях знаний. Цель данной работы - исследовать его влияние на эффективность работы гибридного эволюционного алгоритма автоматизированного формирования деревьев принятия решений [1-3], при управлении вероятностью селекции, мутации и скрещивания. Данная модификация алгоритма позволяет снизить участие пользователя в настройке. Тогда данный алгоритм можно будет применять для решения задачи ракетно-космической отрасли, где требуется высокая точность и минимизация рисков.
Нечеткий контроллер - это регулятор, построенный на базе нечетких правил [4]. Нечеткий контроллер управляет вероятностями селекции (ps), скрещивания (pc) и мутации (pm) в гибридном эволюционном алгоритме автоматизированного формирования деревьев принятия решений на основании таких показателей, как номер итерации (Ni), разнообразие популяции (Ii) и средняя пригодность (sredi). Общая схема управления представлена на рисунке.
Для оценки работоспособности алгоритма были использованы две практические задачи: предсказание выживаемости пациентов, перенесших операцию рака молочной железы и классификация банкнот (для определения фальшивых). Входные данные по первой задаче: возраст пациента во время операции, год проведения операции, количество обнаруженных здоровых подмышечных лимфоузлов. Выходные данные по первой задаче: статус выживания (пациент умер в течении 5 лет, пациент выжил 5 лет и дольше). Входные данные по второй задаче: дисперсия, асимметричность, эксцесс и энтропия Вейвлет преобразованного изображения. Выходные данные: класс (фальшивая или настоящая).
Результаты оценки работоспособности работы гибридного эволюционного алгоритма автоматизированного формирования деревьев принятия решений представлены в таблице для сравнения
Секция «Математические методы моделирования, управления и анализа данных»
эффективности работы с использованием нечеткого контроллера и без него. Результаты рассчитывались по формуле (1):
п
error = —, (1)
n
где error - ошибка классификации, по - число неверно расклассифицированных измерений, n - общее число измерений.
Общая схема управления
Результаты работы алгоритма с использованием нечеткого контроллера и без него
Методы/задачи Задача предсказания выживаемости пациентов, перенесших операции по поводу рака молочной железы Задача классификации банкнот (определение фальшивых)
Алгоритм без самонастройки 0,242757 0,133891
Настройка с помощью нечеткого контроллера 0,217757 0,102981
Статистический анализ результатов (попарный 1>тест) [5] выявил, что между ними существует статистически значимое различие, следовательно, алгоритм с использованием нечеткого котроллера эффективнее, чем алгоритм без него.
Дальнейшее исследование будет в направлении автоматизации настройки правил нечеткого контроллера для еще большего повышения эффективности.
Библиографические ссылки
1. Кушнарева Т. В., Липинский Л. В. Алгоритм генетического программирования для автоматизированного формирования деревьев принятия решения // Материалы XVIII Междунар. науч. кон-ф., посвящ. 90-летию со дня рожд. генер. конструктора ракет.-космич. систем акад. М. Ф. Решетнева ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. Т. 2. С. 84-86.
2. Гибридный эволюционный алгоритм автоматизированного формирования деревьев принятия решения / Липинский Л. В., Кушнарева Т. В., Попов Е. А. и др. // Вестник СибГАУ. 2014. Вып. 5(57). С. 85-92.
3. Кушнарева Т. В., Липинский Л. В. Автоматизированное формирование деревьев принятия решения для прогнозирования побочных эффектов при лечении эпилепсии // Актуальные проблемы авиации и космонавтики : материалы XI Междунар. науч.-практ. конф. ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2015. Т. 1. С. 334-336.
4. Zadeh L. A. Fuzzy sets // Information and control. 1965. Pp. 338-353.
5. Прикладная статистика: Основы моделирования и первичная обработка данных. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. и др. // М.: Финансы и статистика, 1983. 471 с.
© Липинский Л. В., Кушнарева Т. В., 2016
