Sistemas difusos genéticos

En informática e investigación operativa , los sistemas difusos genéticos son sistemas difusos construidos mediante algoritmos genéticos o programación genética, que imitan el proceso de evolución natural para identificar su estructura y parámetros.

En lo que respecta a la identificación y construcción automática de sistemas difusos, dada la alta no linealidad de la salida, las herramientas de optimización lineal tradicionales presentan varias limitaciones. Por lo tanto, en el marco de la computación blanda , los algoritmos genéticos (AG) y los métodos de programación genética (PG) se han utilizado con éxito para identificar la estructura y los parámetros de los sistemas difusos.

Los sistemas difusos son metodologías fundamentales para representar y procesar información lingüística , con mecanismos para abordar la incertidumbre y la imprecisión. Por ejemplo, la tarea de modelar a un conductor estacionando un automóvil implica una mayor dificultad para escribir un modelo matemático conciso a medida que la descripción se vuelve más detallada. Sin embargo, el nivel de dificultad no radica tanto en el uso de reglas lingüísticas simples, que en sí mismas son difusas. Gracias a estas notables características, los sistemas difusos se han aplicado de forma amplia y exitosa a problemas de control, clasificación y modelado ( Mamdani , 1974; Klir y Yuan, 1995; Pedrycz y Gomide, 1998).

Aunque de diseño sencillo, la identificación de un sistema difuso es una tarea bastante compleja que comprende la identificación de (a) las variables de entrada y salida, (b) la base de reglas (base de conocimiento), (c) las funciones de pertenencia y (d) los parámetros de mapeo.

Generalmente, la base de reglas consta de varias reglas SI-ENTONCES, que vinculan la(s) entrada(s) y la(s) salida(s). Una regla simple de un controlador difuso podría ser:

SI (TEMPERATURA = ALTA) ENTONCES (ENFRIAMIENTO = ALTO)

El impacto/significado numérico de esta regla depende de cómo se configuren y definan las funciones de pertenencia de HOT y HIGH.

La construcción e identificación de un sistema difuso se puede dividir en (a) la estructura y (b) la identificación de parámetros de un sistema difuso.

La estructura de un sistema difuso se expresa mediante las variables de entrada y salida y la base de reglas, mientras que los parámetros de un sistema difuso son los parámetros de las reglas (que definen las funciones de pertenencia, el operador de agregación y la función de implicación) y los parámetros de mapeo relacionados con el mapeo de un conjunto nítido a un conjunto difuso , y viceversa. (Bastian, 2000).

Se ha trabajado mucho en el desarrollo o la adaptación de metodologías capaces de identificar automáticamente un sistema difuso a partir de datos numéricos. En particular, en el ámbito de la computación blanda, se han propuesto metodologías importantes con el objetivo de construir sistemas difusos mediante algoritmos genéticos (AG) o programación genética (PG).

Dada la alta no linealidad de la salida de un sistema difuso, las herramientas de optimización lineal tradicionales presentan limitaciones. Los algoritmos genéticos han demostrado ser una herramienta robusta y muy potente para realizar tareas como la generación de bases de reglas difusas, la optimización de dichas bases, la generación de funciones de pertenencia y el ajuste de las mismas (Cordón et al., 2001a). Todas estas tareas pueden considerarse procesos de optimización o búsqueda dentro de amplios espacios de soluciones (Bastian y Hayashi, 1995; Yuan y Zhuang, 1996; Cordón et al., 2001b).

Si bien los algoritmos genéticos son herramientas muy potentes para identificar las funciones de pertenencia difusas de una base de reglas predefinida, presentan limitaciones, especialmente al identificar las variables de entrada y salida de un sistema difuso a partir de un conjunto de datos dado. La programación genética se ha utilizado para identificar las variables de entrada, la base de reglas y las funciones de pertenencia involucradas en un modelo difuso (Bastian, 2000).

En la última década, la optimización multiobjetivo de sistemas basados ​​en reglas difusas ha despertado gran interés entre la comunidad investigadora y los profesionales. Se basa en el uso de algoritmos estocásticos para la optimización multiobjetivo, con el fin de buscar la eficiencia de Pareto en un escenario con múltiples objetivos. Por ejemplo, los objetivos a optimizar simultáneamente pueden ser la precisión y la complejidad, o la precisión y la interpretabilidad. Una revisión reciente del campo se encuentra en el trabajo de Fazzolari et al. (2013). Además, [1] proporciona una lista actualizada y en constante crecimiento de referencias sobre el tema.

• 1974, EH Mamdani, Aplicaciones de algoritmos difusos para el control de plantas dinámicas simples, Proc. IEE 121 1584 - 1588.
• 1995, A. Bastian, I. Hayashi: "Un algoritmo genético híbrido anticipatorio para el modelado difuso", Revista de la Sociedad Japonesa de Teoría y Sistemas Difusos, Vol. 10, págs.  801–810
• 1995, Klir, G. B. Yuan, Conjuntos difusos y lógica difusa: teoría y aplicaciones , Prentice-Hall.
• 1996, Y. Yuan y H. Zhuang, "Un algoritmo genético para generar reglas de clasificación difusas", Fuzzy Sets and Systems, vol. 84, n.º 4, págs.  1-19.
• 1998, W. Pedrycz y F. Gomide, Introducción a los conjuntos difusos: análisis y diseño , MIT Press.
• 2000, A. Bastian: “Identificación de modelos difusos mediante programación genética”, Fuzzy Sets and Systems 113, 333–350.
• 2001, O. Cordón, F. Herrera, F. Gomide, F. Hoffmann y L. Magdalena, Diez años de sistemas genético-difusos: un marco actual y nuevas tendencias , Actas del 9º Congreso Mundial Conjunto de la IFSA y la 20ª Conferencia Internacional de la NAFIPS, págs.  1241–1246, Vancouver - Canadá, 2001.
• 2001, O. Cordon, F. Herrera, F. Hoffmann y L. Magdalena, Sistemas difusos genéticos. Sintonización evolutiva y aprendizaje de bases de conocimiento difusas , Avances en sistemas difusos: aplicaciones y teoría, World Scientific.
• 1997, H. Ishibuchi, T. Murata, IB. Türkşen, Algoritmos genéticos de un solo objetivo y de dos objetivos para la selección de reglas lingüísticas para problemas de clasificación de patrones , Fuzzy Sets and Systems, vol. 89, n.º 2, págs.  135–150
• 2007, M. Cococcioni, B. Lazzerini, F. Marcelloni, Un enfoque evolutivo multiobjetivo basado en Pareto para la identificación de sistemas difusos de Mamdani , Soft Computing, vol. 11, n.º 11, págs.  1013–1031
• 2011, M. Cococcioni, B. Lazzerini, F. Marcelloni, Sobre la reducción de la sobrecarga computacional en sistemas difusos Takagi-Sugeno genéticos multiobjetivo , Applied Soft Computing, vol. 11, n.º 1, págs.  675–688
• 2013, M. Fazzolari, R. Alcalá, Y. Nojima, H. Ishibuchi, F. Herrera, Una revisión de la aplicación de sistemas difusos evolutivos multiobjetivo: estado actual y direcciones futuras , IEEE T. Fuzzy Systems, vol. 21, n.º 1, págs.  45–65
• La optimización multiobjetivo evolutiva de sistemas basados ​​en reglas difusas (Página de bibliografía)