طراحی بهینه سیستم های طبقه بندی فازی با استفاده از PSO
چکیده
در این مقاله شیوه‌ای جدید برای تطبیقِ پویای پارامتر در بهینه‌سازیِ ازدحام ذرات (PSO) پیشنهاد شده است. PSO یک روشِ فرایابشیِ مهم از رفتارهای اجتماعی‌ست که در مسایلِ بهینه‌سازی بسیار مفید می‌باشد. در این مقاله ما بهبودی در همگرایی و پراکندگیِ ازدحام در PSO را با استفاده از منطقِ فازی پیشنهاد داده‌ایم. نتایجِ شبیه‌سازی نشان می‌دهند که رویکردِ پیشنهادی، عملکردِ PSO را بهبود می‌بخشد. نخست، از توابعِ ریاضیاتیِ محک برای توضیحِ امکان‌پذیر بودنِ رویکردِ پیشنهادی استفاده شده است. سپس از مجموعه‌ای از مسایلِ طبقه‌بندی برای نشان دادنِ کاربردهای بالقوه‌ی تطبیقِ فازیِ پارامتر برای PSO استفاده شده است.
۱. مقدمه
منطقِ فازی یا منطقِ چندـ‌مقداری مبتنی بر نظریه‌ی مجموعه‌ی فازی است که توسطِ (زاده، ۱۹۶۵a) پیشنهاد شد که به ما در مدل‌سازیِ دانش، از طریقِ استفاده از قواعدِ فازیِ اگرـ‌آن‌گاه، کمک می‌کند (ین و لنگری، ۱۹۹۸). نظریه‌ی مجموعه‌ی فازی یک حسابِ نظام‌مند را برای کار با اطلاعاتِ زبان‌شناختی فراهم می‌کند (کولکارنی، ۲۰۰۱)، و محاسباتِ عددی را با استفاده از برچسب‌های زبان‌شناختی که توسطِ توابعِ عضویت اختصاص داده می‌شوند، بهبود می‌بخشد (جنگ، سان، و میزوتانی، ۱۹۹۷؛ زاده، ۱۹۶۵b، ۱۹۹۷). بهینه‌سازیِ ازدحام ذرات (PSO) که توسطِ کندی و اِبرهارت در ۱۹۹۵ معرفی شد (کندی و ابرهارت، ۱۹۹۵، ۲۰۰۱)، ازدحامی از ذرات را نگه می‌دارد و هر ذره نماینده‌ی یک جوابِ ممکن است. این ذرات از میانِ یک فضای جستجوی چندبعدی «پرواز» می‌کنند که مکانِ هر ذره بر اساسِ تجربه‌ی خودِ شما و مکانِ همسایه‌هایش تغییر می‌یابد (انگلبرخت، xxxx). اخیراً PSO بهبودها و کاربردهای زیادی یافته است (بینگول و کاراهان، ۲۰۱۱). بیشترِ اصلاحاتِ PSO به منظورِ بهبودِ همگرایی و افزایشِ پراکندگیِ ازدحام می‌باشند (انگلبرخت، xxxx). برای مثال، موتوکاروپان و اِر یک PSO مرکب بر مبنای سیستمِ خبره‌ی فازی، برای تشخیص بیماری‌های عروقِ کرونر پیشنهاد داده‌اند (موتوکاروپان و اِر، ۲۰۱۲). لی و وو یک رویکردِ وفقیِ فازی برای تخمینِ تابع با PSO و تخمین‌گرِ کمترین‌مربعاتِ بازگشتی پیشنهاد داده‌اند (لی و وو، ۲۰۱۱). در این مقاله ما یک بهبود بر همگرایی و پراکندگیِ PSO از طریقِ استفاده از منطقِ فازی پیشنهاد می‌دهیم. در اصل، از قواعدِ فازی برای کنترلِ پارامترهای کلیدی در PSO، برای دستیابی به بهترین تطبیقِ پویای ممکن از این مقادیرِ پارامترها استفاده می‌شود (عبدالبار، عبدالشهید و وونش، ۲۰۰۵؛ والدس، ملین و کاستیو، ۲۰۱۱). نخست، از توابعِ ریاضیاتیِ محک برای توضیحِ امکان‌پذیر بودنِ رویکردِ پیشنهادی استفاده شده است. سپس از مجموعه‌ای از مسایلِ طبقه‌بندی برای نشان دادنِ کاربردپذیریِ بالقوه‌ی تطبیقِ فازیِ پارامتر برای PSO استفاده شده است. باقیِ مقاله بدین شکل سامان یافته است. بخشِ ۲ روش‌شناسیِ پیشنهادی را تشریح می‌کند. بخشِ ۳ نشان می‌دهد که چگونه آزمایشات با استفاده از توابعِ محکی که در بخشِ ۲ تعریف شدند، با روشِ پیشنهادی و روشِ ساده انجام گرفته‌اند. بخشِ ۴ چگونگیِ انجامِ مقایسه‌ی آماری با همه‌ی پارامترهایش و تحلیلِ نتایج را نشان می‌دهد. بخشِ ۵ طراحیِ طبقه‌بندِ فازی را نشان می‌دهد. بخشِ ۶ روش‌شناسی‌یی را که برای طراحیِ طبقه‌بندِ فازی دنبال می‌شود، نشان می‌دهد. بخشِ ۷ نشان می‌دهد که چگونه آزمایش‌ها در طراحیِ طبقه‌بندِ فازی با روشِ پیشنهادی و روشِ ساده انجام شدند. بخشِ ۸ چگونگیِ انجامِ مقایسه‌ی آماری با همه‌ی پارامترهایش و تحلیلِ نتایج را نشان می‌دهد. بخشِ ۹ نتیجه‌گیری‌های طراحیِ طبقه‌بندِ فازی را نشان می‌دهد. در نهایت، نتیجه‌گیری‌های این مقاله ارایه می‌شوند.
abstract
In this paper a new method for dynamic parameter adaptation in particle swarm optimization (PSO) is proposed. PSO is a metaheuristic inspired in social behaviors, which is very useful in optimization problems. In this paper we propose an improvement to the convergence and diversity of the swarm in PSO using fuzzy logic. Simulation results show that the proposed approach improves the performance of PSO. First, benchmark mathematical functions are used to illustrate the feasibility of the proposed approach. Then a set of classification problems are used to show the potential applicability of the fuzzy parameter adaptation of PSO.
1. Introduction
Fuzzy logic or multi-valued logic is based on fuzzy set theory proposed by (Zadeh, 1965a), which helps us in modeling knowledge, through the use of if-then fuzzy rules (Yen & Langari, 1998). The fuzzy set theory provides a systematic calculus to deal with linguistic information (Kulkarni, 2001), and that improves the numerical computation by using linguistic labels stipulated by membership functions (Jang, Sun, & Mizutani, 1997; Zadeh, 1965b, 1997). Particle swarm optimization (PSO) that was introduced by Kennedy and Eberhart in 1995 (Kennedy & Eberhart, 1995, 2001), maintains a swarm of particles and each particle represents a possible solution. These particles ‘‘fly’’ through a multidimensional search space, where the position of each particle is adjusted according to your own experience and that of its neighbors (Engelbrecht, xxxx). PSO has recently received many improvements and applications (Bingül & Karahan, 2011). Most of the modifications to PSO are to improve convergence and to increase the diversity of the swarm (Engelbrecht, xxxx). For example, S. Muthukaruppan, M.J. Er proposed a hybrid particle swarm optimization based fuzzy expert system for the diagnosis of coronary artery disease (Muthukaruppan & Er, 2012). Chunshien Li, Tsunghan Wu proposed an adaptive fuzzy approach to function approximation with PSO and the recursive least squares estimator (Li & Wu, 2011). So in this paper we propose an improvement to the convergence and diversity of PSO through the use of fuzzy logic. Basically, fuzzy rules are used to control the key parameters in PSO to achieve the best possible dynamic adaptation of these parameter values (Abdelbar, Abdelshahid & Wunsch, 2005; Valdez, Melin & Castillo, 2011). First, benchmark mathematical functions are used to illustrate the feasibility of the proposed approach. Then a set of classification problems are used to show the potential applicability of the fuzzy parameter adaptation of PSO. The rest of the paper is organized as follows. Section 2 describes the proposed methodology. Section 3 shows how the experiments were performed with the proposed method and the simple method using the benchmark functions defined in Section 2. Section 4 shows how to perform the statistical comparison with all its parameters and analysis of results. Section 5 shows the design of fuzzy classifier. Section 6 shows the methodology to follow for the design of fuzzy classifier. Section 7 shows how the experiments were performed with the proposed method and the simple method in the design of fuzzy classifier. Section 8 shows how to perform the statistical comparison with all its parameters and analysis of results. Section 9 shows the conclusions of the design of fuzzy classifier design. Finally, the conclusions of this paper are presented.
چکیده
۱. مقدمه
۲. روش‌شناسی برای تطبیقِ پارامتر
۳. آزمایش با سیستم‌های فازی و توابعِ ریاضیاتیِ محک
۴. مقایسه‌ی آماری
۵. طراحیِ طبقه‌بندِ فازی
۶. روش‌شناسی برای طراحیِ طبقه‌بندهای فازی
۷. آزمایشِ طراحیِ طبقه‌بندهای فازی
۸. مقایسه‌ی آماریِ طبقه‌بندهای فازی
۹. نتیجه‌گیری
abstract
1. Introduction
2. Methodology for parameter adaptation
3. Experimentation with the fuzzy systems and the benchmark mathematical functions
4. Statistical comparison
5. Fuzzy classifier design
6. Methodology for designing fuzzy classifiers
7. Experimentation in the design of fuzzy classifiers
8. Statistical comparison for the fuzzy classifiers
9. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه