Fuzzy-XCS: Michiganský štýl genetického fuzzy systému

Július Pavlovský

Úvod

algoritmy evolučného učenia štýly v evolučnom učení Fuzzy-XCS

– Cykly– Algoritmus– Zloženie

Experiment– Laboratórny problém so zovšeobecnením

Algoritmy evolučného učenia

“strength-based (silovo - založené)” – pravidlo sily narastá pri interakcii – dva účely

riešenie konfliktov medzi pravidlami počas učenia základ fitness pre EA

“accuracy-based (založené na presnosti)”– Fitness pravidlo je odvodené od pravidla presnosti– výhody

Nemá nadradené pravidlá úplné učenie "vrátane máp

– prvý XCS – Fuzzy-XCS = prispôsobený pre fuzzy systémy

Použité štýly v evolučnom učení

Michiganský štýl – jednoduché pravidlá (klasifikátory) – interaguje s prostredím a vie sa prispôsobiť

zmenám prostredia – generovanie klasifikátora pomocou GA– riešenie reprezentované populáciou

Pittsburgský štýl – trénovanie na predvolenej množine – evolučný zápas viacerých jedincov – jedinec reprezentuje znalosť o pravidlách – žiadna interakcia medzi jedincami

Fuzzy-XCS

systém, ktorý využíva na reprezentáciu lingvistické pravidlá a fuzzy množiny a EA pre zistenie pravidla.

on-line učenie (učenie FP) zovšeobecnené pravidlá

– Kompaktnejšie základné pravidlo– rýchlejšia inferencia– lepšia lingvistická interpretácia

Fuzzy-XCS

2 cykli– akcia

vygenerujú sa množiny získajú sa kandidáti podmnožín vyberie sa akcia množín vydedukovaný výstup a akcia na prostredie

– učenie získať odmenu urobiť kreditnú distribúciu aktualizovať hodnotu chyby predikovať fitnes a skúsenosť aplikovať získane komponenty s cieľom vytvárať nové fuzzy

pravidlá

Schéma fuzzy XCS

Fuzzy-XCS

Zovšeobecnenie reprezentácie

– binárny kódovací systém

Vykonanie súčastí– Fuzzy pravidlá sa prispôsobia sa prispôsobujú

stupňu väčšiemu ako nula

Posilňovacia zložka Objavovacia zložka

Vykonanie súčastí

Porovnávanie konštrukcie množín– Fuzzy pravidlá sa prispôsobujú stupňu väčšiemu

ako nula

Výpočet kandidáta podmnožín– oddiely [M] čísel sa vzájomne vylučujú podľa

akcie každého pravidla – Výplývajúce "lingvistické akcie" rovnako

posudzované– skúmanie / využívanie je krok zo selekčnej

štruktúry s pravdepodobnosťou 0.5

Vykonanie súčastí

Proces výberu množiny ([A])– Výber zhodného alebo prebytočného pravidla

podmnožiny s najvyššou možnou predikciou

Akcia agregácie– DNF-typ fuzzy pravidiel – FATI prístup– Agregácia T-konorma max, T-norma min

implikáciu operátora

Posilňovacia zložka

Predikcia, chyba predikcie a fitnes Widrow – Hoff Ditribúcia fuzzy-XCS pôsobí na množinu [A]

Výpočet váhy pre fuzzy pravidlo

Parameter aktualizácie

Jednoduchý krok

Objavovacia zložka

Použitie EA na množinu [A]– Aplikovanie na odpálené FP– Výber 2 pravidiel (RM)– Kríženie, mutácia => voženie nového potomka

Experiment

Na efektívnosť fuzzy-XCS– Generovanie množiny dát z vopred def. BFP– 2 vstupné premenné a 1 výstupná– 576 príkladov v pristore 24x24– 5 lingvistických termov pre každú premennú– Trojuholníkové funkcie príslušnosti– FATI prístup– Minimálna konjunkcia a implikácia– Maximálna disjunkcia a agregácia– Stredná váha defuzzifikácie

Experiment

priemerne správanie 10 bežiacich pokusov Fuzzy-XCS

hore“: relatívna početnosť 5 opt. FP

– Najdenie a udržanie opt. Rieš dole: priemerná chyba aproxim.

– Vhodná akcia k prísluš. Stavu Dobrý výkon z aplik. a chyby

aprox.

Porovnanie experimentov

1.0 znamená optimálne pravidlo bolo všade získané výhody:

– online učenie oproti gen. fuzzy systémom– schopnosti získava maximálnym zovšeobecnením oproti

fuzzy gen. systémom Michiganského typu

Otázky na záver ?

Ďakujem za pozornosť