ця змінна є малоінформативною і може бути виключена з усіх правил.
Як показано на малюнку, нечіткі множини A 11 , A 21 і A 31 подібні, отже, вони об'єднуються в одне нечітка множина, яке виключається з моделі.
. Якщо існує така змінна, принаймні, у двох правила, яка приймає значення у вигляді нечітких множин, подібних при заданому значенні порогу, то шляхом об'єднання цих множин формується нове значення для даної змінної.
3. Якщо існує змінна, що приймає значення у вигляді нечіткої множини, носій якого збігається з універсальним безліччю, то така змінна виключається з правила.
Нечітке множин?? A 32 є об'єднанням множин A 12 і A 22 , тому його виключають з моделі. Безлічі A 13 і A 23 подібні, тому вони теж об'єднуються.
Для спрощення бази правил нами запропонований наступний алгоритм:
1. Об'єднання за подобою засноване на встановленні відносини еквівалентності на безлічі нечітких підмножин, що є термами відповідної лінгвістичної змінної.
Для кожної змінної виконати:
. 1. На основі визначення функції подібності [5] побудувати матрицю відносини подібності, таку, що
1.2. Вибрати число - міру подібності (чим ближче це число до 1, тим більш суворим є критерій подібності).
1.3. Перетворити матрицю таким чином:
1.4. Привести матрицю до блочно-діагонального вигляду шляхом перестановки рядків і стовпців (спочатку групуються однакові рядки, а потім в тому ж порядку беруться стовпці).
1.5. Об'єднати нечіткі множини, відповідні окремим блокам, так як вони є подібними.
2. Виняток неінформативних властивостей.
3. Виконати кроки 1.1.- 1.3.
3.1. Якщо, то дана властивість виключити з правил, так як воно не інформативно, тобто не впливає на кінцевий результат.
. Перевірка на близькість до універсального безлічі .
Для кожної змінної виконати перевірку:
. 1. Якщо, то властивість близько до універсального безлічі.
4.2. Виключити властивість.
ГЛАВА 4. ВИКОРИСТАННЯ генетичних алгоритмів ДЛЯ ОПТИМІЗАЦІЇ БАЗИ ПРАВИЛ
4.1 Основні поняття еволюційного програмування
Багато кроки в процесі моделювання є субоптимальність. Наприклад, проекція кластерів на вхідні змінні і їх наближення трикутними нечіткими множинами представляє структурну помилку. Іншим прикладом є ідентифікація передумови та укладення правила. Для поліпшення класифікаційних можливостей бази рахунок модифікації функцій належностей термів пропонується використовувати генетичний алгоритм (ГА), який є різновидом еволюційних алгоритмів.
До основних еволюційним алгоритмам відносяться [7]:
· Генетичний алгоритм , призначений для оптимізації функцій дискретних змінних і який акцентував увагу на рекомбінаціях геномів;
· Еволюційний програмування , орієнтоване на оптимізацію безперервних функцій без використання рекомбінацій;
· Еволюційна стратегія , орієнтована на оптимізацію неперервних функцій з використанням рекомбінацій;
· Генетичне програмування , що використовує еволюційний метод для оптимізації комп'ютерних програм.
У порівнянні зі звичайними оптимізаційними методами еволюційні алгоритми мають такі особливості: паралельний пошук, випадкові мутації і рекомбінації вже знайдених хороших рішень. Вони добре підходять як простий евристичний метод оптимізації багатовимірних, погано певних функцій.
Генетичний алгоритм - це новий інструмент, який з'явився в результаті досліджень Д. Холланда і його колег. Генетичні алгоритми, описані Д. Холландом, запозичують у своїй термінології багато з природної генетики. Вперше генетичні алгоритми були застосовані до таких наукових проблем, як розпізнавання образів і оптимізація. Генетичний алгоритм являє собою адаптивний пошуковий ме...
