Генетические нечеткие системы - это нечеткие системы, построенные с использованием генетических алгоритмов или генетическое программирование, которое имитирует процесс естественной эволюции, чтобы определить его структуру и параметры.
Когда дело доходит до автоматической идентификации и построения нечеткой системы, с учетом высокой степени нелинейности вывода традиционные инструменты линейной оптимизации имеют несколько ограничений. Таким образом, в рамках мягких вычислений методы генетических алгоритмов (ГА) и генетического программирования (ГП) успешно используются для идентификации структуры и параметров нечетких систем.
Нечеткие системы - это фундаментальные методологии представления и обработки лингвистической информации с механизмами, позволяющими справляться с неопределенностью и неточностью. Например, задача моделирования водителя, припарковывающего автомобиль, сопряжена с большими трудностями при написании краткой математической модели по мере того, как описание становится более подробным. Однако уровень сложности заключается не столько в использовании простых лингвистических правил, которые сами по себе нечеткие. Обладая такими замечательными качествами, нечеткие системы широко и успешно применялись для управления, классификации и моделирования задач (Mamdani, 1974) (Klir and Yuan, 1995) (Pedrycz and Gomide, 1998).
Несмотря на упрощенную конструкцию, идентификация нечеткой системы представляет собой довольно сложную задачу, которая включает идентификацию (а) входных и выходных переменных, (б) базы правил (базы знаний), (в) функции принадлежности и (d) параметры отображения.
Обычно база правил состоит из нескольких правил IF-THEN, связывающих вход (ы) и выход (ы). Простое правило нечеткого контроллера может быть следующим:
ЕСЛИ (ТЕМПЕРАТУРА = ГОРЯЧАЯ) ТО (ОХЛАЖДЕНИЕ = ВЫСОКАЯ)
Числовое влияние / значение этого правила зависит от того, как функции принадлежности НОГ и ВЫСОКИЙ имеют форму и четкость.
Построение и идентификация нечеткой системы можно разделить на (а) структуру и (б) идентификацию параметров нечеткой системы.
Структура нечеткой системы выражается входными и выходными переменными и базой правил, в то время как параметры нечеткой системы являются параметрами правила (определяющими функции принадлежности, оператор агрегации и функцию импликации) и параметры отображения, относящиеся к отображению четкого набора в нечеткий набор, и наоборот. (Бастиан, 2000).
Была проделана большая работа по разработке или адаптации методологий, способных автоматически определять нечеткую систему по числовым данным. В частности, в рамках мягких вычислений были предложены важные методологии с целью построения нечетких систем с помощью генетических алгоритмов (GA) или генетического программирования (GP).
Учитывая высокую степень нелинейности выходных данных нечеткой системы, традиционные инструменты линейной оптимизации имеют свои ограничения. Генетические алгоритмы продемонстрировали, что они являются надежным и очень мощным инструментом для выполнения таких задач, как создание нечеткой базы правил, оптимизация баз нечетких правил, генерация функций принадлежности и настройка функций принадлежности (Cordón et al., 2001a). Все эти задачи можно рассматривать как процессы оптимизации или поиска в больших пространствах решений (Bastian and Hayashi, 1995) (Yuan and Zhuang, 1996) (Cordón et al., 2001b).
Хотя генетические алгоритмы являются очень мощным инструментом для определения нечетких функций принадлежности заранее определенной базы правил, у них есть свои ограничения, особенно когда дело доходит до идентификации входные и выходные переменные нечеткой системы из заданного набора данных. Генетическое программирование использовалось для идентификации входных переменных, базы правил, а также задействованных функций принадлежности нечеткой модели (Bastian, 2000)
В последнее десятилетие Многоцелевая оптимизация систем, основанных на нечетких правилах, вызвала широкий интерес исследовательского сообщества и практиков. Он основан на использовании стохастических алгоритмов для многоцелевой оптимизации для поиска эффективности по Парето в сценарии с несколькими целями. Например, целью одновременной оптимизации может быть точность и сложность или точность и интерпретируемость. Недавний обзор этой области представлен в работе Fazzolari et al. (2013). Кроме того, [1] предоставляет обновленный и постоянно растущий список ссылок по этой теме.