Dobór parametrów systemów rozmytych przy użyciu algorytmów immunologicznych

pol Artykuł w języku polskim DOI:

Bogumiła Mrozek Instytut Modelowania Komputerowego, Wydział Fizyki, Matematyki i Informatyki Stosowanej, Politechnika Krakowska

Pobierz Artykuł

Streszczenie

Systemy rozmyte są często stosowane w układach identyfikacji i sterowania, w zagadnieniach dotyczących diagnostyki i klasyfikacji oraz w systemach ekspertowych. Systemy rozmyte typu Sugeno można konstruować metodami adaptacyjnymi na bazie danych liczbowych (pomiarowych) wejście/wyjście systemu. Parametry systemów rozmytych dobiera się z wykorzystaniem algorytmów klasteryzacji oraz algorytmów stosowanych do zadań optymalizacji. Algorytmy immunologiczne odwzorowują procesy adaptacji i zróżnicowane możliwości działania naturalnego systemu immunologicznego. Selekcja klonalna i selekcja negatywna są procesami naturalnego systemu immunologicznego, które najczęściej są odwzorowywane w algorytmach. Algorytm selekcji klonalnej jest stosowany w zadaniach optymalizacji i jest też używany między innymi w zagadnieniach eksploracji danych, klasyfikacji i klasteryzacji. Opisano implementację algorytmu selekcji klonalnej CLONAG, która istnieje w dwóch wersjach - tj. dla zagadnień klasteryzacji oraz dla rozwiązywania zadań optymalizacji. Przedstawiono wnioski z wykonanych testów symulacyjnych porównania algorytmów klasteryzacji dostępnych w Fuzzy Logic Toolbox i algorytmu selekcji klonalnej w zastosowaniu do zagadnień klasteryzacji.

Słowa kluczowe

algorytmy immunologiczne, systemy rozmyte

Identification parameters of fuzzy systems with immune algorithms

Abstract

Fuzzy modeling is one of disciplines which is often used in systems identification, control, fault diagnosis, classification and decision support systems. Fuzzy model Sugeno-type is often used in data-driven identification. Construction methods based on fuzzy clustering originate from data analysis, where the concept of fuzzy membership is used to represent the degree to which a given data object is similar to some prototypical object. Over the last few years, there has been an increasing interest in the area of Artificial Immune Systems (AIS) and their applications. In this paper, the applications of the clonal selection have been proposed to obtain fuzzy models from data. The clonal selection principle establishes the idea that only those cells which recognize the antigens are selected to proliferate. A computational implementation of the clonal selection principle explicitly takes into account the affinity maturation of the immune response. The algorithm, named CLONALG, is primarily derived to perform the machine-learning and pattern recognition tasks. Then it is adapted to solve optimization problems. The numerical learning data are used to determine number of rules and parameters of membership functions in initial fuzzy model with clustering algorithms (Fuzzy Logic Toolbox was used). This initial data-driven fuzzy model is compared with the same model obtained by clustering with clonal selection.

Keywords

fuzzy systems, immune algorithms

Bibliografia

  1. de Castro L.N. and Timmis J. I., Artificial Immune Systems: A Novel Paradigm to Pattern Recognition, in Artificial Neural Networks in Pattern Recognition, J. M. Corchado, L. Alonso, and C. Fyfe (eds.), SOCO-2002, University of Paisley, UK, 2002. 
  2. de Castro L.N. and Von Zuben F. J., Learning and Optimization Using the Clonal Selection Principle, IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, 6(3) 2002. 
  3. de Castro L.N. and Timmis J. I., Artificial Immune Systems as a Novel Soft Computing Paradigm, Soft Computing Journal, 7(7), 2003. 
  4. Fuzzy Logic Toolbox User’s Guide, The MathWorks, Inc. 
  5. Robous H., Setnes M., Compact fuzzy models and classifiers through model reduction and evolutionary optimization, in The practical handbook of genetic algorithms: Applications, Chapman&Hall/CRC, 2001. 
  6. Mrozek B., Projektowanie regulatorów rozmytych w środowisku MATLAB/Simulink, Pomiary Automatyka Robotyka 11/2006, 5-12. 
  7. Ross T. J., Fuzzy logic with engineering applications, John Wiley&Sons, 2004. 
  8. Wierzchoń S.T., Kużelewska U., Stable clusters formation in an artificial immune system, Conference on AIS, University of Kent at Canterbury, UK 9-11.09.2002. 
  9. Wierzchoń S.T., Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001. 
  10. Wnuk P., Zastosowanie algorytmu PSO do optymalizacji sposobu rozmywania w modelach TSK, Pomiary Automatyka Kontrola, nr 9/2005. 
  11. Babuska R., http://www.dcsc.tudelft.nl/~babuska/talks.html, Fuzzy Clustering with Applications. 
  12. Mrozek B., Strojenie parametrów regulatorów rozmytych z wykorzystaniem Genetic Algorithm Tool, V Konferencja CMS’ 05, Kraków, 14-16.11.2005.