ترجمه فارسی عنوان مقاله

بهینه‌سازی قانون‌محور مشارکتی کلونی مورچگان پیوسته جهت بهبود دقت طرح سیستم فازی

عنوان انگلیسی

Rule-Based Cooperative Continuous Ant Colony Optimization to Improve the Accuracy of Fuzzy System Design

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
53352	2014	13 صفحه PDF

منبع

Publisher : IEEE (آی تریپل ای)

Journal : IEEE Transactions on Fuzzy Systems, Page(s): 723 - 735 ISSN : 1063-6706 INSPEC Accession Number: 14485835 Date of Publication : 09 July 2013 Date of Current Version : 29 July 2014 Issue Date : Aug. 2014

فهرست مطالب ترجمه فارسی

چکیده

مقدمه

سیستم‌های فازی

ساختار چندجمعیتی قانون‌محور و چارچوب مشارکتی

شکل1. ساختار چندجمعیتی و مشارکتی در CCACO

تولید و بروزرسانی پاسخ مورچه در بهینه‌سازی کلونی مورچگان پیوسته‌ی مشارکتی

شکل2. نمایش گرافیکی پاسخ‌ها بر حسب گره‌ها و مسیرها، طوری که مسیر مورچه با یک

انتخاب مسیر مورچه

عملیات جذب بهترین مورچه برای پالایش پاسخ

شبیه‌سازی‌ها

جدول1

عملکرد الگوریتم‌های CCACO و ACO های پیوسته‌ی

شکل3. RMSEهای هر ارزیابی عملکرد برای CCACO و الگوریتم‌های مختلف هوش جمعی

جدول3

لیست کامل پایه قانون فازی

شکل4. نتیجه‌ی کنترل فازی

عملکرد CCACO و الگوریتم‌های مختلف ژنتیک و PSO

شکل5. نتایج کنترل فازی CCACO

جدول4 عملکرد CCACO و الگوریتم‌های مختلف

جدول5 عملکرد CCACO و الگوریتم‌های مختلف ACO

شکل6. SAEهای هر ارزیابی عملکرد برای CCACO و الگوریتم‌های مختلف هوش جمعی

جدول6 لیست کامل پایه قانون طراحی شده

شکل7. RMSE هر ارزیابی عملکرد برای CCACO و الگوریتم‌های مختلف هوش

شکل8. نتایج پیش‌بینی سیستم فازی بهینه شده با CCACO با چهار قانون

جدول7 عملکرد CCACO و الگوریتم‌های مختلف ACO پیوسته و PSO

جدول8 لیست کامل پایه قانون طراحی شده

جدول9 عملکردهای CCACO و سیستم‌های مختلف فازی عصبی

جدول10 عملکردهای CCACO و مدل‌های مختلف فازی عصبی تکاملی

شکل9. نتایج پیش‌بینی سیستم فازی بهینه شده با CCACO با (الف) پنج و (ب) 20 قانون

جدول11 لیست کامل پایه قانون طراحی شده

شکل10. RMSE در هر ارزیابی عملکرد برای CCACO و الگوریتم‌های مختلف بهینه‌سازی

شکل11. نتیجه‌ی تست استفاده از سیستم فازی نوع TSK با طرح CCACO با 20 قانون،

ساختار مشارکتی و مساله‌ی شبه‌مینیمم

جدول12 عملکردهای CCACO و الگوریتم‌های مختلف مبتنی بر جمعیت

جدول13 عملکردهای سیستم فازی بهینه شده با CCACO و N-CCACO

تاثیر تعداد قوانین روی عملکرد یادگیری

جدول14 عملکرد سیستم‌های فازی با تعداد قوانین

جدول15 عملکرد سیستم‌های فازی با تعداد قوانین مختلف

جدول16 عملکرد سیستم‌های فازی با تعداد قوانین مختلف

دقت و تفسیرپذیری در سیستم‌های فازی

نتیجه‌گیری

ترجمه کلمات کلیدی

بهینه‌سازی کلونی مورچگان، تکامل مشارکتی، سیستم‌های فازی تکاملی، هوش جمعی (SI) -

کلمات کلیدی انگلیسی

Algorithm design and analysis Ant colony optimization Frequency selective surfaces Fuzzy systems Optimization Probability density function Vectors

ترجمه چکیده

این مقاله الگوریتم بهینه‌سازی مشارکتی کلونی مورچگان پیوسته (CCACO) را ارائه داده و آن را در مسائل طراحی سیستم‌های فازی (FS) دقت‌‌گرا به کار می‌گیرد. همه‌ی پارامترهای آزاد یک سیستم فازی تاکاگی- سوگنو- کانگ (TSK) مرتبه‌ی صفر یا یک از طریق CCACO بهینه می‌شوند. این الگوریتم از طریق چندین کلونی مورچه عمل بهینه‌سازی را انجام می‌دهد، که در آن هر کلونی تنها مسئول بهینه‌سازی پارامترهای آزاد یک تک‌قانون فازی است. کلونی‌های مورچه‌ها با هم مشارکت می‌کنند تا یک سیستم فازی کامل با یک بردار پاسخ کامل طراحی کنند (رمزگذاری یک سیستم فازی کامل) که از طریق انتخاب یک مولفه‌ی زیرپاسخ از هر کلونی شکل می‌گیرد (رمزگذاری یک تک‌قانون فازی). زیرپاسخ‌های هر کلونی مورچه به طور مجزا با استفاده از یک الگوریتم بهینه‌سازی کلونی مورچگان پیوسته و جدید تکامل می‌یابند. در CCACO، پاسخ‌ها از طریق تکنیک‌های انتخاب تورنمنتی مسیر مورچه بر اساس فرومون، عملیات پرسه‌زنی مورچه و پالایش جذب بهترین مورچه بروزرسانی می‌شوند. عملکرد CCACO از طریق به کارگیری آن در کنترل‌کننده‌ی فازی و مسائل طراحی پیش‌بینی کننده، به تایید می‌رسد. مقایسه با دیگر الگوریتم‌های بهینه‌سازی مبتنی بر جمعیت (کلونی) موید قوت و برتری این الگوریتم جدید است.

ترجمه مقدمه

1. مقدمه سیستم‌های فازی تکاملی که سیستم‌های فازی را از طریق تکنیک‌های محاسبات تکاملی جمعیت‌محوری چون الگوریتم‌های ژنتیک (GA) و هوش جمعی (SI) طراحی می‌کنند، در دو دهه‌ی اخیر بسیار مورد توجه واقع شده‌اند. برخلاف سیستم‌های فازی عصبی (NFS) که از الگوریتم گرادیان نزولی استفاده می‌کنند، این تکنیک با احتمال خیلی که به دام کمینه‌های محلی می‌افتد. از بین الگوریتم‌های بهینه‌سازی بسیار معروف هوش جمعی، می‌توان به بهینه‌سازی ازدحام ذرات (PSO) و بهینه‌سازی کلونی مورچه‌ها اشاره کرد. این دو روش از طریق مشاهدات رفتار اجتماعی حیوانات در طبیعت، مثل جمعیت پرنده‌ها، ماهی‌ها و جستجوی غذا توسط مورچه‌ها، توسعه یافته‌اند. برای حل مسائل مختلف بهینه‌سازی، در دو دهه‌ی اخیر از چند الگوریتم پیشرفته‌ی ژنتیک و بهینه‌سازی ازدحام ذرات(PSO) استفاده شده است و یک روش خوب اصلاح توپولوژی تک‌جمعبتی به چندجمعیتی است. یک PSO مشارکتی (CPSO) در [5] ارائه شده است که از چندین جمعیت برای بهینه‌سازی مولفه‌های مختلف یک بردار پاسخ و بهینه‌سازی تابع استفاده می‌کند. بر اساس CPSO، انواع CPSO پیشرفته برای حل مسائل بهینه‌سازی سیستم‌های فازی ارائه شده است. بهینه‌سازی ازدحام ذرات سلسله مراتبی با چندین گونه و بر اساس خوشه‌بندی (HCMSPSO) برای بهینه‌سازی سیستم فازی در [13] ارائه شده شد. این روش از چند جمعیت برای بهینه‌سازی قوانین مختلف فازی بهره می‌برد. در این مقاله، ایده‌ی توپولوژی چندجمعیتی با بهینه‌سازی کلونی مورچه‌ها ترکیب می‌شود و یک بهینه‌سازی مشارکتی پیوسته‌ی کلونی‌ مورچگان (CCACO) ارائه می‌گردد. برخلاف PSO، بهینه‌سازی کلونی مورچه‌ها (ACO) یک روش بهینه‌سازی نسبتا جدیدی است. الگوریتم ACO یک روش چندعامله (چند ایجنت) است که در اصل برای حل مسائل دشوار بهینه‌سازی گسسته‌ی ترکیبی ارائه شده است. مدل‌های مختلف ACO گسسته برای طراحی بخش نتیجه‌گیری یک سیستم فازی به کار رفته است. این روش‌ها یک مجموعه پارامتر در یک فضای گسسته می‌یابند و لذا برای مسائل بهینه‌سازی فازی دقت‌گرا مناسب نیستند. برای یافتن پاسخ‌ها در یک فضای پیوسته، چندین الگوریتم ACO پیوسته ارائه شده است. از بین آنها، یک روش اساسی، ACO پیوسته در فضای واقعی است (ACOR) است. در ACOR دامنه‌ی یک متغیر بهینه شده پیوسته بوده و نمونه‌برداری آن مبتنی بر یک تابع چگالی احتمال پیوسته PDF) است. پاسخ‌های جدید از طریق نمونه‌برداری تابع چگالی احتمال که از یک هسته‌ی گاوسی استفاده می‌کند، تولید می‌شوند. بر اساس ACOR، طراحی قوانین فازی با کمک ACO پیوسته (RCACO) در [21] ارائه شده است. الگوریتم RCACO مبتنی بر چارچوب مسیر گره ACO گسسته‌ی اصلی بوده و عملکرد آن با استفاده از گره‌ها و مسیرها در یک گراف به عنوان ACO گسسته تشریح می‌شود. در حل مسائل مختلف کنترل فازی دقت‌گرا، RCACO نسبت به الگوریتم‌های PSO پیشرفته و ACO پیوسته برتری‌هایی از خود نشان داده است. برخلاف الگوریتم‌های قبلی ACO پیوسته که با تک جمعیتی از پاسخ‌ها کار می‌کند، CCACO ارائه شده در اینجا از یک چارچوب بهینه‌سازی جدیدی بهره می‌برد که تکنیک توپولوژی چندجمعیتی و چارچوب مشارکتی را در ACO پیوسته با هم ترکیب می‌کند. این مقاله یک الگوریتم CCACO را برای حل مسائل طراحی سیستم‌ فازی دقت‌گرا ارائه می‌دهد. برای یک سیستم فازی دارای تعداد قوانین زیاد، CCACO قصد بهینه‌سازی همه‌ی پارامترهای آزاد خود را دارد. اگر تعداد قوانین فازی برابر r باشد، آنگاه CCACO به تعداد r جمعیت مورچه تولید می‌کند که هر جمعیت تنها یک قانون فازی را بهینه می‌کند. به عبارت دیگر، تعداد قوانین برابر است با تعداد جمعیت‌های CCACO. ترکیبی از r قانون انتخاب شده از هر r جمعی، یک سیستم فازی کامل شکل می‌دهد. برای بهینه‌سازی یک قانون فازی در هر r جمعیت، CCACO از یک روش بهینه‌سازی جدید ACO پیوسته استفاده می‌کند که شامل تکنیک‌های انتخاب مسیر تورنمنتی مورچه بر اساس فرومون، عملیات پرسه‌زنی مورچه و پالایش جذب بهترین مورچه‌ی جهانی است. الگوریتم CCACO به پنج مساله‌ی بهینه‌سازی سیستم فازی اعمال شده و عملکردآن با الگوریتم‌های هوش جمعی مقایسه می‌شود تا برتری و قوت آن به منصه‌ی ظهور برسد. این مقاله به این صورت سازماندهی شده است. بخش2 سیستم‌های فازی‌ای را نشان می‌دهد که باید بهینه شوند. بخش3 ساختار چندجمعیتی قانون‌محور و چارچوب مشارکتی در CCACO را نشان می‌دهد. بخش4 فرایند بروزرسانی پاسخ پیوسته‌ی مبتنی بر مورچه را معرفی می‌کند. بخش5 نتایج شبیه‌سازی CCACO برای مسائل بهینه‌سازی سیستم فازی را ارائه می‌دهد. بخش6 روی عملکرد CCACO بحث می‌کند. درنهایتف بخش7 نتایج را بیان می‌کند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

This paper proposes a cooperative continuous ant colony optimization (CCACO) algorithm and applies it to address the accuracy-oriented fuzzy systems (FSs) design problems. All of the free parameters in a zero- or first-order Takagi-Sugeno-Kang (TSK) FS are optimized through CCACO. The CCACO algorithm performs optimization through multiple ant colonies, where each ant colony is only responsible for optimizing the free parameters in a single fuzzy rule. The ant colonies cooperate to design a complete FS, with a complete parameter solution vector (encoding a complete FS) that is formed by selecting a subsolution component (encoding a single fuzzy rule) from each colony. Subsolutions in each ant colony are evolved independently using a new continuous ant colony optimization algorithm. In the CCACO, solutions are updated via the techniques of pheromone-based tournament ant path selection, ant wandering operation, and best-ant-attraction refinement. The performance of the CCACO is verified through applications to fuzzy controller and predictor design problems. Comparisons with other population-based optimization algorithms verify the superiority of the CCACO.