Аннотації
29.07.2022
Останнім часом інтелектуальні комп’ютерні системи на основі нечіткої логіки та м’яких обчислень доволі ефективно застосовуються для розв’язання широкого спектру складних прикладних задач в різних сферах людської діяльності. Одним із перспективних напрямів сучасних досліджень в галузі штучного інтелекту є створення та апробація біоінспірованих мультиагентних та еволюційних методів синтезу й оптимізації нечітких систем автоматичного керування (САК) і систем підтримки прийняття рішень (СППР). Пропонована робота присвячена розробці та дослідженню мультиагентного методу параметричної оптимізації нечітких систем (НС) на основі гібридних покращених алгоритмів сірих вовків. Запропонований метод дає змогу більш ефективно проводити оптимізацію параметрів нечітких комп’ютерних систем порівняно з базовим і покращеним методами сірих вовків. У цьому методі використовуються стратегії групового полювання і розмірного полювання на основі навчання, а також стратегія локального пошуку на основі алгоритмів градієнтного спуску та розширеного фільтра Калмана, що дає змогу суттєво зменшувати обчислювальні витрати і збільшувати швидкість збіжності до оптимальних рішень при оптимізації параметрів досить складних нечітких систем. Для дослідження ефективності розробленого гібридного мультиагентного методу в роботі проведено синтез та параметричну оптимізацію нечіткої системи управління польотом безпілотного літального апарата (БПЛА). Зокрема, виконано оптимізацію векторів нормуючих коефіцієнтів, регульованих параметрів лінгвістичних термів (ЛТ) та вагових коефіцієнтів консеквентів правил бази правил (БП) для контролера висоти польоту нечіткої САК БПЛА. Отримані результати порівняльного аналізу підтверджують суттєві переваги розробленого гібридного мультиагентного методу параметричної оптимізації, а також доцільність його застосування для синтезу різнотипових САК та СППР на базі нечіткої логіки.
Recently, intelligent computer systems based on fuzzy logic and soft computing are used quite effectively to solve a wide range of complex applied problems in various fields of human activity. One of the promising areas of modern research in the field of artificial intelligence is the creation and testing of bioinspired multi-agent and evolutionary methods for the synthesis and optimization of fuzzy automatic control systems (ACS) and decision support systems (DSS). This paper is devoted to the development and research of a multi-agent method of parametric optimization of fuzzy systems (FS) based on hybrid improved grey wolf algorithms. The proposed method allows optimizing the parameters of fuzzy computer systems more efficiently, compared to the basic and improved grey wolf methods. This method uses group hunting and dimensional learning-based hunting strategies, as well as local search strategies based on algorithms of gradient descent and extended Kalman filter, which significantly reduces computational costs and increases the rate of convergence to optimal solutions when optimizing parameters of complex fuzzy systems. To study the effectiveness of the developed hybrid multi-agent method in this work, the synthesis and parametric optimization of the fuzzy flight control system for the unmanned aerial vehicle (UAV) is carried out. In particular, the optimization of the vectors of normalizing coefficients, adjustable parameters of linguistic terms (LT), and weight coefficients of the rule's consequences of the rule base (RB) for the altitude controller of the fuzzy ACS for the UAV is performed. The obtained results of the comparative analysis confirm the significant advantages of the developed hybrid multi-agent method of parametric optimization, as well as the feasibility of its application for the synthesis of different types of ACSs and DSSs based on fuzzy logic.
1. Zadeh, L. A. et al. (Eds.) Recent developments and new directions in soft computing. STUDFUZ 317, Cham: Springer, 2014, 466 p. DOI: 10.1007/978-3-319-06323-2.
2. Козлов, О. В., Скакодуб, О. С. Синтез та оптимізація нечітких СППР на основі біоінспірованих ройових алгоритмів. Могилянські читання – 2021: Матеріали Всеукраїнської наук.-практ. конф. Миколаїв: ЧНУ, 2021. С. 18–21.
3. Mendel, J. M. Uncertain Rule-Based Fuzzy Systems, Introduction and New Directions. Second Edition, Springer International Publishing, 2017, 684 p.
4. Рутковская, Д., Пилиньский, М., Рутковский, Л. Нейронные сети, генетическте алгоритмы и нечеткие системы. Москва: Горячая линия. Телеком. 2006. 452 с.
5. Kosko, B. Fuzzy Systems as Universal Approximators. IEEE Trans. on Computers, Vol. 43, № 11, 1994. P. 1329–1333. DOI: 10.1109/12.324566
6. Kondratenko, Y. P., Kozlov, O. V., Korobko, O. V. Model based development of intelligent controllers for pyrolysis reactors control systems. Збірник наукових праць НУК. Миколаїв, 2014. № 6 (456). С. 66–74.
7. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети. Винница: "УНІВЕРСУМ-Вінниця", 1999. 300 с. ISBN 966-7199-49-5.
8. Kondratenko, Y., Simon, D. Structural and parametric optimization of fuzzy control and decision making systems. Recent developments and the new direction in soft-computing foundations and applications. Selected Papers from the 6th World Conference on Soft Computing. Berkeley, USA, 2016. Series: Studies in Fuzziness and Soft Computing. 2018. 361. Springer International Publishing. P. 273–289. DOI https://doi.org/10.1007/978-3-319-75408-6_22.
9. Субботін С. О., Олійник А. О., Олійник О. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: монографія / під заг. ред. С. О. Субботіна. Запоріжжя: ЗНТУ, 2009. 375 с.
10. Kondratenko, Y. P., Al Zubi, E.Y.M. The Optimization approach for increasing efficiency of digital fuzzy controllers. Annals of DAAAM for 2009 & Proceeding of the 20th Int. DAAAM Symp. "Intelligent Manufacturing and Automation", Published by DAAAM International. Vienna, Austria, 2009. P. 1589–1591.
11. Nahlovsky, T. Optimization of Fuzzy Controller Parameters for the Temperature Control of Superheated Steam. Procedia Engineering, Vol. 100, 2015, pp. 1547–1555.
12. Precup, R. E., David, R. C., Petriu, E. M., Szedlak-Stinean, A. I., Bojan-Dragos, C. A. Grey wolf optimizer-based approach to the tuning of PI-fuzzy controllers with a reduced process parametric sensitivity. Proc. 4th IFAC Intl. Conf. Intell. Control Autom. Sci., Reims, France, 2016, P. 55–60.
13. Sahoo, B. P., Panda, S. Improved grey wolf optimization technique for fuzzy aided PID controller design for power system frequency control. J. Sustainable Energy, Grids and Networks, Vol. 16, 2018. P. 278–299.
14. Hernandez, E., Castillo O., Soria, J. Optimization of fuzzy controllers for autonomous mobile robots using the grey wolf optimizer. 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), New Orleans, LA, USA, 2019. P. 1–6.15. Mirjalili, S., Mirjalili, S. M. Lewis, A. Grey wolf optimizer. Adv. Eng. Software, 69, 2014, P. 46–61.
16. Nadimi-Shahraki, M. H., Taghian, S., Mirjalili, S. An improved grey wolf optimizer for solving engineering problems. J. Expert Systems with Applications, Vol. 166, 2021, 113917. https://doi.org/10.1016/j.eswa.2020.113917.
17. Kosanam, S., Simon D. Fuzzy membership function optimization for system identification using an extended Kalman filter. Fuzzy Information Processing Society. 2006. P. 459–462. DOI: 10.1109/NAFIPS.2006.365453.
18. Kondratenko, Y. P., Kozlov, A. V. Parametric optimization of fuzzy control systems based on hybrid particle swarm algorithms with elite strategy. Journal of Automation and Information Sciences, Vol. 51, Issue 12, New York: Begel House Inc., 2019. P. 25–45, DOI: 10.1615/JAutomatInfScien.v51.i12.40.
19. Irscheid, A., Konz, M., Rudolph, J. A Flatness-Based Approach to the Control of Distributed Parameter Systems Applied to Load Transportation with Heavy Ropes. Y. P. Kondratenko et al. (eds.), Advanced Control Techniques in Complex Engineering Systems: Theory and Applications, Studies in Systems, Decision and Control 203, 2018, pp. 279-294. https://doi.org/10.1007/978-3-030-21927-7_13.
20. Skakodub, O., Kozlov, O., Kondratenko, Y. Optimization of Linguistic Terms' Shapes and Parameters: Fuzzy Control System of a Quadrotor Drone. 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), 2021, pp. 566-571, doi: 10.1109/IDAACS53288.2021.9660926.
21. Eltayeb, A., Rahmat, M. F., Basri, M. A. M., Eltoum, M. A. M., El-Ferik, S. An Improved Design of an Adaptive Sliding Mode Controller for Chattering Attenuation and Trajectory Tracking of the Quadcopter UAV. IEEE Access,
Vol. 8, 2020, P. 205968-205979.
22. Timchenko, V. L., Lebedev, D. O. Optimization of Processes of Robust Control of Quadcopter for Monitoring of Sea Waters. Journal of Automation and Information Sciences, NY, Begell house, Vol. 51, Issue 2, 2019, P. 1–10.
1. Zadeh, L. A. et al. (Eds.). (2014). Recent developments and new directions in soft computing. STUDFUZ 317, Cham: Springer, 466. DOI: 10.1007/978-3-319-06323-2.
2. Kozlov, O. V., Skakodub, O. S. (2021). Synthesis and optimization of fuzzy DSS based on bioinspired swarm algorithms. Mohyla readings – 2021: Materials of the All-Ukrainian scientific-practical. conf. Mykolaiv: ChNU, рр. 18–21.
3. Mendel, J. M. (2017). Uncertain Rule-Based Fuzzy Systems, Introduction and New Directions. Second Edition, Springer International Publishing, 684.
4. Rutkovskaya, D., Pilinsky, M., Rutkovsky, L. (2006). Neural networks, genetic algorithms and fuzzy systems. Moscow: Hotline. Telecom, 452.
5. Kosko, B. (1994). Fuzzy Systems as Universal Approximators. IEEE Trans. on Computers, 43, 11, 1329–1333. DOI: 10.1109/12.324566
6. Kondratenko, Y. P., Kozlov, O. V., Korobko, O. V. (2004). Model based development of intelligent controllers for pyrolysis reactors control systems. Collection of scientific works of NUS. Mykolayiv, 6 (456), 66–74.
7. Rotshtein, A. P. (1999). Intelligent Identification Technologies: Fuzzy Sets, Genetic Algorithms, Neural Networks. Vinnitsa: "UNIVERSUM-Vinnytsia", 300. ISBN 966-7199-49-5.
8. Kondratenko, Y., Simon, D. (2018). Structural and parametric optimization of fuzzy control and decision making systems. Recent developments and the new direction in soft-computing foundations and applications. Selected Papers from the 6th World Conference on Soft Computing. Berkeley, USA, 2016. Series: Studies in Fuzziness and Soft Computing. 2018. 361. Springer International Publishing. P. 273–289. DOI https://doi.org/10.1007/978-3-319-75408-6_22.
9. Subbotin, S. O., Oliynyk, A. A., Oliynyk, O. O. (2009). Neiterative, evolutionary and multiagent methods of synthesis of fuzzy and neural networks models: monograph / under the general. ed. S. O. Subbotin. Zaporozhye: ZNTU, 375.
10. Kondratenko, Y. P., Al Zubi, E.Y.M. (2009). The Optimization approach for increasing efficiency of digital fuzzy controllers. Annals of DAAAM for 2009 & Proceeding of the 20th Int. DAAAM Symp. "Intelligent Manufacturing and Automation", Published by DAAAM International. Vienna, Austria, P. 1589–1591.
11. Nahlovsky, T. (2015). Optimization of Fuzzy Controller Parameters for the Temperature Control of Superheated Steam. Procedia Engineering, 100, 1547–1555.
12. Precup, R. E., David, R. C., Petriu, E. M., Szedlak-Stinean, A. I., Bojan-Dragos, C. A. (2016). Grey wolf optimizer-based approach to the tuning of PI-fuzzy controllers with a reduced process parametric sensitivity. Proc. 4th IFAC Intl. Conf. Intell. Control Autom. Sci., Reims, France, P. 55–60.
13. Sahoo, B. P., Panda, S. (2018). Improved grey wolf optimization technique for fuzzy aided PID controller design for power system frequency control. J. Sustainable Energy, Grids and Networks, 16, 278–299.
14. Hernandez, E., Castillo O., Soria, J. (2019). Optimization of fuzzy controllers for autonomous mobile robots using the grey wolf optimizer. 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), New Orleans, LA, USA, P. 1–6.
15. Mirjalili, S., Mirjalili, S. M. Lewis, A. (2014). Grey wolf optimizer. Adv. Eng. Software, 69, 46–61.
16. Nadimi-Shahraki, M. H., Taghian, S., Mirjalili, S. (2021). An improved grey wolf optimizer for solving engineering problems. J. Expert Systems with Applications, 166, 113917. https://doi.org/10.1016/j.eswa.2020.113917.
17. Kosanam, S., Simon D. (2006). Fuzzy membership function optimization for system identification using an extended Kalman filter. Fuzzy Information Processing Society, 459–462. DOI: 10.1109/NAFIPS.2006.365453.
18. Kondratenko, Y. P., Kozlov, A. V. (2019). Parametric optimization of fuzzy control systems based on hybrid particle swarm algorithms with elite strategy. Journal of Automation and Information Sciences, 51, 12, 25–45, DOI: 10.1615/JAutomatInfScien.v51.i12.40.
19. Irscheid, A., Konz, M., Rudolph, J. (2018). A Flatness-Based Approach to the Control of Distributed Parameter Systems Applied to Load Transportation with Heavy Ropes. Y. P. Kondratenko et al. (eds.). Advanced Control Techniques in Complex Engineering Systems: Theory and Applications, Studies in Systems, Decision and Control, 203, 279-294. https://doi.org/10.1007/978-3-030-21927-7_13.
20. Skakodub, O., Kozlov, O., Kondratenko, Y. (2021). Optimization of Linguistic Terms' Shapes and Parameters: Fuzzy Control System of a Quadrotor Drone. 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), pp. 566-571, doi: 10.1109/IDAACS53288.2021.9660926.
21. Eltayeb, A., Rahmat, M. F., Basri, M. A. M., Eltoum, M. A. M., El-Ferik, S. (2020). An Improved Design of an Adaptive Sliding Mode Controller for Chattering Attenuation and Trajectory Tracking of the Quadcopter UAV. IEEE Access, 8, 205968-205979.
22. Timchenko, V. L., Lebedev, D. O. (2019). Optimization of Processes of Robust Control of Quadcopter for Monitoring of Sea Waters. Journal of Automation and Information Sciences, 51, 2, 1–10.