ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ДЛЯ СИНТЕЗУ ТА ОПТИМІЗАЦІЇ БАЗ ПРАВИЛ НЕЧІТКИХ СИСТЕМ

Заголовок (англійською): 
INFORMATION TECHNOLOGY FOR SYNTHESIS AND OPTIMIZATION OF FUZZY SYSTEMS RULE BASES
Автор(и): 
Козлов О. В.
Автор(и) (англ): 
Kozlov Oleksiy
Ключові слова (укр): 
нечітка система; база правил; інформаційна технологія для синтезу та оптимізації; система автоматичного управління; нечіткий регулятор; мобільний робот
Ключові слова (англ): 
fuzzy system, rule base, information technology for synthesis and optimization, automatic control system, fuzzy controller, mobile robot
Анотація (укр): 
В останні два десятиріччя інтелектуальні комп’ютерні системи, що базуються на теорії нечітких множин, нечіткої логіки та м’яких обчислень, доволі широко застосовуються в різних галузях науки і техніки для вирішення завдань управління, ідентифікації, моделювання складних фізичних та економічних явищ, класифікації, розпізнавання образів тощо. Сучасні дослідження в області створення і розвитку нечітких систем (НС) управління та прийняття рішень ведуться переважно в напрямі розроблення високоефективних методів та інформаційних технологій їх синтезу та структурно-параметричної оптимізації. Робота присвячена розробленню та дослідженню інформаційної технології для синтезу та оптимізації високоефективних баз правил (БП) з оптимальним набором консеквентів та оптимальною кількістю правил для НС типу Мамдані в умовах неповної вихідної інформації. Розроблена інформаційна технологія допомагає проводити ітераційний пошук оптимального вектора консеквентів БП на основі послідовного перебирання консеквентів кожного правила, а також здійснювати виявлення та виключення правил з БП, які не впливають на процес функціонування системи, для зменшення загальної кількості правил до оптимальної. Для дослідження ефективності запропонованої інформаційної технології в пропонованій роботі проведено синтез та оптимізація БП нечіткої системи автоматичного керування (САК) багатоцільовим мобільним роботом (МР), що здатен переміщуватися по похилих і вертикальних феромагнітних поверхнях. Отримані результати комп’ютерного моделювання засвідчили, що нечітка САК МР з оптимізованою БП на основі розробленої інформаційної технології має більш високі показники якості керування в порівнянні із САК з аналогічною БП, що розроблена на основі знань експертів. Також оптимізована БП за допомогою запропонованої інформаційної технології має менше правил ніж повна БП, яка синтезована на основі знань експертів, що в результаті дає змогу значно спростити подальшу програмно-апаратну реалізацію розробленої нечіткої САК МР. Крім того, в процесі синтезу та оптимізації БП для нечіткої САК МР представлена інформаційна технологія не вимагала суттєвих обчислювальних затрат, що загалом підтверджує її високу ефективність та доцільність застосування для проєктування баз правил різнотипних НС управління і прийняття рішень.
Анотація (англ): 
In the last two decades, intelligent computer systems based on fuzzy set theory, fuzzy logic and soft computing are widely used in various fields of science and technology to solve problems of control, identification, modeling of complex physical and economic phenomena, classification, pattern recognition, etc. Modern research in the field of creation and development of fuzzy systems (FS) of control and decision-making is conducted mainly in the direction of development of highly effective methods and information technologies of their synthesis and structural-parametric optimization. This paper is devoted to the development and research of information technology for the synthesis and optimization of highly efficient rule bases (RB) with the optimal set of consequences and optimal number of rules for Mamdani-type FSs in terms of incomplete source information. The developed information technology allows to conduct iterative search of the optimal vector of RB consequences based on a sequential search of the consequences of each rule, as well as to identify and exclude rules from RB, that do not affect the system operation, to reduce the total number of rules to optimal. To study the effectiveness of the proposed information technology in this work, the synthesis and optimization of the fuzzy automatic control system (ACS) for the multi-purpose mobile robot (MR), which is able to move on inclined and vertical ferromagnetic surfaces, is carried out. The obtained results of computer simulation showed that the fuzzy ACS of MR with optimized RB based on the developed information technology has higher quality indicators of control compared to the ACS with a similar RB developed on the basis of experts knowledge. Also, the optimized RB by means of the proposed information technology has fewer rules than the full RB, which is synthesized on the basis of experts knowledge, which, in turn, significantly simplifies the further software and hardware implementation of the developed fuzzy ACS of MR. In addition, in the process of synthesis and optimization of the RB for the fuzzy ACS of MR, presented information technology did not require significant computational costs, which generally confirms its high efficiency and feasibility of application to design rule bases of control and decision making FSs of different types.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 45, 2021
Назва журналу, номер, рік випуску (рус): 
Управление развитием сложных систем, номер 45, 2021
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, Number 45, 2021
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
11.pdf
Дата публікації: 
23 Февраль 2021
Номер збірника: 
45
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Університет автора: 
Чорноморський національний університет імені Петра Могили, Миколаїв
Литература: 
  1. Zadeh, L. A., Abbasov, A. M., Yager, R. R., Shahbazova, S. N., & Reformat, M. Z., (2014). Recent developments and new directions in soft computing. STUDFUZ 317, Cham: Springer, 466. DOI 10.1007/978-3-319-06323-2
  2. Jamshidi, M., Kreinovich, V., & Kacprzyk, J. (2013). Advance trends in soft computing. Cham: Springer-Verlag, 468. DOI 10.1007/978-3-319-03674-8
  3. Zadeh, L. A. (1994). The role of fuzzy logic in modeling, identification and control. Modeling Identification and Control, 15(3), 191–203. DOI: 10.1142/9789814261302_0041
  4. Safaee, B., & Mashhadi, S. K. M. (2016). Fuzzy membership functions optimization of fuzzy controllers for a quad rotor using particle swarm optimization and genetic algorithm. Proceedings of 2016 4th International Conference on Control, Instrumentation, and Automation (ICCIA), pp. 256-261. DOI 10.1109/ICCIAutom.2016.7483170
  5. Gupta, M., Behera, L., & Venkatesh, K. S. (2010). PSO based modeling of Takagi-Sugeno fuzzy motion controller for dynamic object tracking with mobile platform. International Multiconference Computer Science and Information Technology (IMCSIT), pp. 37–43. DOI: 10.1109/IMCSIT.2010.5680034
  6. Kondratenko, Y. P., & 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. Studies in Fuzziness and Soft Computing, 361, 273-289. DOI: https://doi.org/10.1007/978-3-319-75408-6_22
  7. Hampel, R., Wagenknecht, M., Chaker, N. (2000) Fuzzy control: Theory and practice. New York: Physika-Verlag, Heidelberg, 410. DOI 10.1007/978-3-7908-1841-3.
  8. Kacprzyk, J. (1997). Multistage Fuzzy Control: A Prescriptive Approach. John Wiley & Sons, Inc., New York, NY, USA, 338.
  9. Castillo, O., Ochoa, P., & Soria, J. (2016). Differential Evolution with Fuzzy Logic for Dynamic Adaptation of Parameters in Mathematical Function Optimization. Studies in Fuzziness and Soft Computing, 332, 361-374. https://doi.org/10.1007/978-3-319-26302-1_21
  10. Kondratenko, Y. P., Klymenko, L. P., & Al Zu’bi, E. Y. M. (2013). Structural optimization of fuzzy systems’ rules base and aggregation models. Kybernetes, 42, 5, 831-843. DOI: http://dx.doi.org/10.1108/K-03-2013-0053
  11. Ishibuchi, H., & Yamamoto, T. (2004). Fuzzy rule selection by multi-objective genetic local search algorithms and rule evaluation measures in data mining. Fuzzy Sets and Systems, 141, 1, 59–88. https://doi.org/10.1016/S0165-0114(03)00114-3
  12. Simon, D. (2013). Evolutionary optimization algorithms: biologically inspired and population-based approaches to computer intelligence. John Wiley & Sons, Inc., Hoboken, New Jersey, USA, 772. ISBN: 978-0-470-93741-9
  13. Simon, D. (2005). Estimation for fuzzy membership function optimization. International Journal of Approximate reasoning, 40, 224–242. https://doi.org/10.1016/j.ijar.2005.04.002.
  14. Kondratenko, Y. P., Kozlov, O. V., & Korobko, O. V., (2018). Two modifications of the automatic rule base synthesis for fuzzy control and decision making systems. Book series: Communications in computer and information science, 854. Berlin. Heidelberg: Springer International Publishing, 570–582. DOI https://doi.org/10.1007/978-3-319-91476-3_47.
  15. Kondratenko, Y. P., & Kozlov, O. V., (2019). Generation of Rule Bases of Fuzzy Systems Based on Modified Ant Colony Algorithms. Journal of Automation and Information Sciences, 51, 3, 4-25. DOI: 10.1615/JAutomatInfScien.v51.i3.20
  16. Von Altrock, C., (2002). Applying fuzzy logic to business and finance. Optimus, 2, 38-39.
  17. Duro, R. J., & Kondratenko, Y. P., (2015). Advances in Intelligent Robotics and Collaboration Automation. Series on Automation, Control and Robotics, River Publishers, Denmark, 328. DOI: 10.13052/rp-9788793237049
  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.