این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۷، شماره ۳، صفحات ۴۷-۶۸
عنوان فارسی بهینه‌سازی پایگاه قوانین سیستم فازی نوع TSK با استفاده از الگوریتمهای ترکیبی فراابتکاری
چکیده فارسی مقاله یکی از چالش­های اصلی در استفاده از سیستم­های فازی، چگونگی طراحی پایگاه قواعد فازی با پارامترهای بهینه‌سازی‌شده است؛ به‌نحوی‌که منجر به عملکرد رضایت‌بخش سیستم شود. در این مقاله از روش آموزش ترکیبی تکامل تفاضلی مبتنی بر تضاد(ODE) و بهینه­سازی انبوه ذرات (PSO) به‌منظور بهینه­سازی پارامتر­های توابع عضویت گوسی پایگاه قواعد در سیستم فازی نوع تاکاگی – سوگنو - کانگ (TSK) استفاده شده است. همچنین از الگوریتم ترکیبی پیشنهادی، برای آموزش سیستم فازی TSK مرتبه صفر به‌منظور کنترل دو پلنت غیرِخطی استفاده شده است و نتایج به‌‌دست‌آمده بیانگر این است که برای کنترل پلنت­های غیرِخطی مدل، دقت شناسایی بهتری را نسبت به سایر رویکرد­های آموزشی از خود نشان می­دهد. همچنین در این مقاله از ترکیب الگوریتم­های ODE و PSO استفاده شده است و آن را در دو مسئله طراحی سیستم‌ فازی دقت‌‌گرابه کار می‌گیرد. در این دو مدل، همۀ پارامترهای آزاد سیستم فازی TSK مرتبۀ یک، ازطریقHODEPSO بهینه می‌شوند. مدل‌های استفاده‌شده در این آزمایش­ها، سری آشوبناک مکی گلس و یک مسئلۀ اقتصادی واقعی هستند که مقادیر آینده آن‌ها پیش‌بینی می‌شود. نتایج به‌دست‌آمده بیانگر آن است که HODEPSO حداقل خطای متوسط تست و آموزش را در مقایسه با دیگر روش­های آموزش دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Utilizing metaheuristic algorithms to optimize the rule base in fuzzy systems
چکیده انگلیسی مقاله Fuzzy systems are a useful means that are applied to various problems, including decision making, taxonomy, modeling, prediction, and control. The major challenge in using such systems is designing a fuzzy rule base with optimized parameters to maintain a desirable system performance. In this paper, a hybrid particle swarm optimization and opposition-based differential evolution training method is proposed and used to optimize the Gaussian membership function parameters of the rule base in a fuzzy system of type Takagi-Sugeno-Kang (TSK). In this dissertation, the effect of soft computing methods, e.g. evolution computing, on a zero-order TSK fuzzy system is investigated to control two non-linear plants. This paper considers a hybrid computing approach consisting of: opposition-based differential evolution (ODE) and particle swarm optimization (PSO). Results of training a zero-level TSK fuzzy system used to control two non-linear plants indicate that the proposed hybrid algorithm has a better classification accuracy in comparison to other training approaches. Moreover, this study uses heuristic opposition-based differential evolution (ODE) and particle swarm optimization (PSO) algorithms (HODEPSO) and applies them to two accuracy-oriented fuzzy system (FS) design problems. For these two models, all free parameters of a first-level Takagi-Sugeno-Kang (TSK) system are also optimized using the HODEPSO algorithm. The models used in our experiments are the Mackey – Glass chaos time series and a real-world economic problem whose future values are predicted using the proposed algorithm. Finally, results of these experiments also show that HODEPSO has the minimum average training and test error in comparison to other training methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حجت حمیدی |
ایران amp;amp;ndash; تهران amp;amp;ndash; خیابان شریعتی amp;amp;ndash; دانشگاه صنعتی خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

نشانی اینترنتی http://isee.ui.ac.ir/article_21130_023c31b0765394995d1803ecf126008c.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-386415.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات