МНОГОАГЕНТНЫЙ АЛГОРИТМ ПРОЕКТИРОВАНИЯ БАЗ НЕЧЕТКИХ ПРАВИЛ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ : научное издание | Научно-инновационный портал СФУ

МНОГОАГЕНТНЫЙ АЛГОРИТМ ПРОЕКТИРОВАНИЯ БАЗ НЕЧЕТКИХ ПРАВИЛ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ : научное издание

Перевод названия: MULTIAGENT ALGORITHM FOR FUZZY RULE BASES DESIGN FOR CLASSIFICATION PROBLEM

Тип публикации: статья из журнала

Год издания: 2015

Ключевые слова: evolutionary algorithms, particle swarm optimization, fuzzy logic, machine learning, Genetic fuzzy systems, classification, эволюционные алгоритмы, алгоритмы роя частиц, нечеткая логика, машинное обучение, генетические нечеткие системы, классификация

Аннотация: Представлен многоагентный подход к организации коллектива оптимизаторов, основанный на встречах между агентами. В ходе оптимизационного процесса агенты обмениваются лучшими решениями, при этом лучшие агенты получают больше ресурсов в форме встреч. Среди агентов выбраны шесть генетических алгоритмов с различными операторами и три различных алгоритма роя частиц. Предложенный метод коллективного решения оптимизационных задач применен для формирования нечеткой базы правил. Нечеткая база правил состояла из фиксированного числа правил, для каждой переменной каждого правила функция принадлежности задавалась с помощью двух сигмоидальных функций. При этом кодируемыми параметрами были точки достижения сигмоидами 0 и 1, так что задача построения базы нечетких правил сводилась к задаче вещественной оптимизации. Число вещественных параметров при этом зависело от размерности классификационной задачи. Эффективность алгоритма сравнивалась с самонастраивающимся генетическим алгоритмом, решающим ту же задачу формирования нечеткой базы правил. При этом качество классификации оценивалось по величине точности, выборка разбивалась на обучающую и тестовую в соотношении 70 на 30. В качестве классификационных задач выбраны шесть задач с репозиторием KEEL и UCI, в их числе задачи кредитного скоринга, медицинской диагностики, распознавания банкнот и форм зёрен. Для сравнения также были выбраны два других метода классификации, в частности, машины опорных векторов (SVM) и ещё один метод формирования нечетких систем, в котором кодировались номера нечетких термов. По результатам тестирования можно отметить, что многоагентный алгоритм показал эффективность, сравнимую с другими методами при решении сложных оптимизационных задач. In this article a multiagent approach for organizing an ensemble of optimizers, based on the meetings between algorithms is presented. During the optimization process the agents exchange with best solutions and better algorithms receive more resources in the form of meetings. Among agents the six genetic algorithms with different operators and three particle swarm optimizers have been selected. The proposed approach of ensemble-based optimization problems solving is applied to the problem of designing a fuzzy rule base. The fuzzy rule base consisted of a fixed number of rules, for every variable and every rule the membership function was defined with two sigmoidal functions. The encoded parameters were the points where sigmoids reached 0 and 1, so that the problem of designing a fuzzy rule base reduced to a real-valued optimization problem. The number of real-valued parameters depended on the dimension of the classification problem. The effectiveness of the algorithm was compared to the self-configured genetic algorithm, solving the same problem of designing a fuzzy rule base. The classification quality was estimated using the accuracy values; the sample was split with 70 and 30 ratio. As classification problems, six problems have been selected from KEEL and UCI repositories, including credit scoring problems, medical diagnostics problems, banknote recognition and seeds' forms. Two more classification methods have been selected for comparison, more precisely, support vector machines (SVM) and another fuzzy classification method, in which the term numbers were encoded. According to the testing results, it should be mentioned that the multiagent algorithm has shown the effectiveness, comparable to other method when solving complex optimization problems.

Ссылки на полный текст

Издание

Журнал: Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева

Выпуск журнала: Т. 16, 4

Номера страниц: 842-848

ISSN журнала: 18169724

Место издания: Красноярск

Издатель: Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева

Авторы

  • Становов В.В. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)
  • Бежитский C.C. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)
  • Бежитская Е.А. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)
  • Попов Е.А. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)

Вхождение в базы данных

Информация о публикациях загружается с сайта службы поддержки публикационной активности СФУ. Сообщите, если заметили неточности.

Вы можете отметить интересные фрагменты текста, которые будут доступны по уникальной ссылке в адресной строке браузера.