Εκπαίδευση Νευρο-ασαφούς Συστήματος Βασισμένη Σε Συμβιωτική Εξέλιξη Των Κανόνων

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός εξελικτικού συστήματος ως εργαλείο προσδιορισμού των κανόνων σε νευρο-ασαφή συστήματα. Ο εξελικτικός αλγόριθμος στηρίζεται στην συμβιωτική εξέλιξη επειδή καθοδηγεί την εξελικτική διαδικασία μέσω της συνεργασίας των ατόμων του πληθυσμού. Ως άτομα του πληθυσμού θεωρούνται κανόνες και όχι ολόκληρα ασαφή συστήματα πράγμα που διαφοροποιεί την εξελικτική διαδικασία από συνήθεις κωδικοποιήσεις. Έτσι πραγματοποιείται μία ευέλικτη κατάτμηση του χώρου αναζήτησης που βοηθάει στην εύρεση αποδοτικότερων λύσεων και δεν εγκλωβίζει το σύστημα σε τοπικά βέλτιστα. Ο αλγόριθμος της συμβιωτικής εξέλιξης προσαρμόζεται κατάλληλα στο νευρο-ασαφές σύστημα ASupFuNIS για να παράγει αυτόματα το αρχικό σύνολο κανόνων (φάση εκμάθησης δομής) ώστε το σύστημα στηριζόμενο σε αυτή αρχικοποίηση να κάνει αποδοτικότερα την ρύθμιση των παραμέτρων. Μέσω της εργασίας αυτής εισάγεται επίσης η ιδέα της αρχικοποίησης του πληθυσμού της συμβιωτικής εξέλιξης βάσει των δεδομένων εισόδου, για προβλήματα επιβλεπόμενης μάθησης. Τέλος προτείνεται και μία κατάλληλη προσαρμογή του αλγορίθμου, με χρήση της στρατηγικής δομής με βάση τον καλύτερο (Elite-Based Structure Strategy), ώστε αυτός να είναι σε θέση να αποφασίσει τον αριθμό των κανόνων που χρειάζεται ένα ασαφές σύστημα. The purpose of the diploma thesis presented here is the development of an evolutionary system to be used for rule initialization in neurofuzzy systems. The proposed evolutionary algorithm is based upon symbiotic evolution which uses the cooperation between the members of the population to guide the evolutionary process. A rule is considered as an individual, unlike what usual genetic algorithms do, who code a whole fuzzy system into an individual. This process partitions the input space in a flexible way, which helps finding more efficient solutions and as a result the system is not trapped in local optimum. The symbiotic evolution algorithm is appropriately adjusted into ASupFuNIS, a neurofuzzy system, and it automatically generates the initial set of rules (structure learning phase) for ASupFuNIS. Based on this initialization, the system is able to make an efficient configuration (parameter learning phase). Through this paper we introduce also the idea of using the training data set to initialize the population of the evolutionary algorithm in supervised learning problems. Finally we propose an appropriate adjustment of symbiotic evolution, using the Elite-Based Structure Strategy, so as to decide the number of rules needed for a neurofuzzy system.