Процедури фазифікації та дефазифікації в системах керування на основі нечіткої логіки.

Базовая конфигурация системы нечеткой логики с фаззификатором и дефаззификатором представлена на рисунке 2.7.

Рисунок 2.7 - Система нечеткой логики с фаззификатором и дефаззификатором

Фаззификатор отображает "четкую" точку (или значение переменной ) из Х в нечеткие множества из Х. Дефаззификатор отображает нечеткие множества из Y в четкое значение выхода. Базис нечетких правил и механизм нечеткого вывода остаются такими же, как в простых системах нечеткой логики.

Системы нечеткой логики с фаззификатором и дефаззификатором имеют несколько привлекательных черт:

во-первых, они пригодны для использования в технических системах, так как их входные и выходные переменные принимают реальные значения;

во-вторых, они предоставляют возможность естественного перехода от заключений эксперта к нечетким IF-THEN-правилам;

в-третьих, они предоставляют большую свободу в выборе фаззификатора, механизма нечеткого вывода и дефаззификатора, т.е. можно подобрать систему нечеткой логики, наиболее подходящую для решения конкретной задачи;

в-четвертых, могут быть разработаны различные алгоритмы настройки таких систем нечеткой логики, что позволяет эффективно объединять численную и лингвистическую информацию.

Формування початкової популяції в генетичному алгоритмі

Перед первым шагом генетического алгоритма являестся - случайным образом создать начальную популяцию; даже если она окажется совершенно неконкурентоспособной, генетический алгоритм все равно достаточно быстро переведет ее в жизнеспособную популяцию. Таким образом, на первом шаге можно особенно не стараться сделать слишком уж приспособленных особей, достаточно, чтобы они соответствовали формату особей популяции, и на них можно было подсчитать функцию приспособленности (Fitness).

Этим ГА отличается от большинства других алгоритмов оптимизации, которые оперируют лишь с одним решением, улучшая его.

С помощью функции приспособленности среди всех особей популяции выделяют:

• наиболее приспособленные (более подходящие решения), которые получают возможность скрещиваться и давать потомство

• наихудшие (плохие решения), которые удаляются из популяции и не дают потомства

В классическом ГА:

• начальная популяция формируется случайным образом

• размер популяции (количество особей N) фиксируется и не изменяется в течение работы всего алгоритма

• каждая особь генерируется как случайная L-битная строка, где L — длина кодировки особи

длина кодировки для всех особей одинакова

Структура та прототип штучного нейрона

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1.2 представлена модель, реализующая эту идею. Здесь множество входных сигналов, обозначенных x1, x2,:, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,..., wn, и поступает на суммирующий блок, обозначенный ?. Каждый вес соответствует "силе" одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом: NET = XW.