Решение задачи мониторинга на основе применения искусственных иммунных систем

  • № 3(9) 2017

Страницы: 

95

 – 

102

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

Решение задач мониторинга и принятия решений в слабоформализуемых системах только с помощью детерминированных и вероятностных методов является недостаточным. Для этого необходимо широко применять методы гибридных интеллектуальных систем и, особенно, методы «мягких» вычислений (SoftCalculation, SoftComputing) и зарождающиеся на этой теоретико-методологической базе направления ComputationalIntelligence – интеллектуальные вычислительные технологии. Предлагается иммунно-нечеткий алгоритм синтеза систем нечеткого вывода (СНВ). Описывается двухэтапный адаптивный алгоритм синтеза СНВ. На первом этапе производится кластеризация исходных нечетких параметров с целью сокращения числа входных параметров нечетких правил, а на втором — осуществляется синтез нечетких моделей (правил вывода) типа Сугэно.

Solution monitoring tasks and decision-making systems in poorly formalized only by means of deterministic and probabilistic methods is insufficient. To do this, widely used methods of hybrid intelligent systems and, especially, the methods of «soft» computing (Soft Calculation, Soft Computing) and emerging on this theoretical and methodological basis of the direction of Computational Intelligence — intelligent computing technologies. It proposed immuno — fuzzy synthesis of fuzzy inference systems (FIS). We describe a two-stage adaptive algorithm FIS synthesis. In the first stage of initial fuzzy clustering parameters with a view to reducing the number of input parameters of the fuzzy rules, and the second — the synthesis of fuzzy models (inference rules) Sugeno type.

Суст шаклланган тизимларда қарор қабул қилиш ва мониторинг масаласини фақат детерминалашшган ва эҳтимоллик усуллари билан ечиш етарли ҳисобланмайди. Бунинг учун гибрид интеллектуал тизим усулларини, айниқса “юмшоқ” ҳисоблаш усуллари (SoftCalculation, SoftComputing) ва ушбу назарий-методологик асосда вужудга келган йўналиш Computational Intelligence – интеллектуал ҳисоблаш технологияларини кенг қўллаш зарур. Норавшан хулосалар тизимини синтезлашнинг иммун-норавшан алгоритми таклиф қилинган. Норавшан хулосалар тизимини синтезлашнинг икки босқичли мослашувчан алгоритми тавсифланган. Биринчи босқичда норавшан қоидаларнинг кирувчи параметрлари сонини қисқартириш мақсадида берилган норавшан параметрлар кластеризацияси, иккинчи босқичда эса Сугэно типидаги норавшан моделлар (чиқариш қоидалари) синтези амалга оширилади.

Список использованных источников

  1.  Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976. - 165 с.
  2.  Алиев Р.А., Алиев Р.Р. Теория интеллектуальных систем и ее применение. – Баку: Изд-во Чашыоглы, 2001. – 720 с.
  3.  Борисов А.Н., Крумберг О.А., Федоров И.П. Обработка нечеткой информации в системах принятия решений. - М.: Радио и связь, 1989. - 304 с.
  4.  Пегат А. Нечеткое моделирование и управление. – М.: БИНОМ. Лаборатория знаний, 2009. – 798 с. (серия «Адаптивные и интеллектуальные системы»).
  5.  Забродин В.Ю. О критериях естественной классификации // НТИ. - Сер. 2. – 1981. - № 8.
  6.  Витяев Е.Е. Классификация как выделение групп объектов, удовлетворяющих разным множествам согласованных закономерностей // Анализ разнотипных данных (Вычислительные системы - 99). - Новосибирск, 1983. - С. 44-50.
  7.  Демин А.В., Витяев Е.Е. Логическая модель адаптивной системы управления // Нейроинформатика. – 2008. – Т. 3, № 1. - С. 79-107.
  8.  Vityaev Е.E., Lapardin K.A., Khomicheva I.V., Proskura A.L. Transcription factor binding site recognition by regularity matrices based on the natural classification method. Intelligent- Data Analysis. Special issue: “New Methods in Bioinformatics. Presented at the fifth International Conference on Bioinformatics of Genom Regulation and Structure” eds. Evgenii Vityaev and Nikolai Kolchanov. - V.12(5), IOS Press, 2008. - Рp. 495512.
  9.  Vityaev E.E., Kostin V.V., Podkolodny N.A., Kolchanov N.A. Natural classifycation of nucleotide sequences // Proc. of the Third International Conference On Bioinformatics of Genome Regulation and Structure (BGRS’2002, Novosibirsk, Russia, July 14-20, 2002). - V3, ICG, Novosibirsk, 2002. - Рp. 197-199.
  10.  Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. http//www.matlab.exponenta.ru.
  11.  Bekmuratov T.F., Muhamedieva D.T., Bobomuradov O.J. Model prediction of yield initial conditions. Ninth International Conference on Application of Fuzzy Systems and Soft Computing. ICAFS – 2010. Edited by R.A. Aliev, K.W. Bonfig, M. Jamshidi, W. Pedrycz, I.B. Turksen. b – Quadrat Verlag. Prague, Czech Republic. August 26-27, 2010. – Рp. 321-328.
  12.  Hopfield J.J., Tank D.W. “Neural” computation of decisions in optimization problems // Biological Cybernetics, 1985. - Vol. 52, № 3. - Рp. 141-152.
  13.  Hung D.L. Wang J. Digital hardware realization of a recurrent neural network for solving the assignment problem // Neurocomputing, 51, 2003. - Рp. 447-461.
  14.  Holland J.H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. - London: Bradford book edition, 1994. - 211 p.
  15.  Bryant K., Benjamin A. Genetic Algorithms and the Traveling Salesman Problem, Department of Mathematics, HarveyMudd College, 2000.
  16.  Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. – Харьков: ОСНОВА, 1997. – 112 с.
  17.  Cantu-Paz E. Efficient and Accurate Parallel Genetic Algorithms, Lawrence Limermore National Lab, 2000.
  18.  Dorigo Marco, Stutzle T. Ant colony optimization. – Cambridge: The MIT Press, 2004. – 305 p.
  19.  Craig Reynolds. Flocks, Herds, and Schools: A Distributed Behavioral Model // Computer Graphics, 21(4), 1987. – Рр. 25–34.
  20.  Kennedy J., Eberhart R.C. Particle swarm optimization // In Proceedings of IEEE International Conference on Neural Networks. – 1995. – Рр. 1942-1948.
  21.  Heppner F., Grenander U. A stochastic nonlinear model for coordinated bird flocks // The Ubiquity of Chaos, 1990. - Рр. 233–238.
  22.  Eberhart R.C., Kennedy J. A new optimizer using particle swarm theory // Proceedings of the Sixth International Symposium on Micro Machine and Human Science MHS’95. – 1995. - Рр. 39-43.
  23.  Shi Y., Eberhart R. A modified particle swarm optimizer // The 1998 IEEE International Conference on Evolutionary Computation Proceedings. – 1998. - Рр. 69-73.
  24.  Shi Y., Eberhart R. Empirical study of particle swarm optimization // Proceedings of the 1999 IEEE Congress on Evolutionary Computation. – 1999. - Рр. 1945-1950.
  25.  Clerc M., Kennedy J. The particle swarm – explosion, stability, and convergence in a multidimensional complex space // IEEE Transactions on Evolutionary Computation. – 2002. - № 6 (1). - Рр. 58-73.
  26.  Mendes R., Kennedy J., Neves J. The fully informed particle swarm: Simpler, maybe better // IEEE Transactions on Evolutionary Computation. – 2004. - № 8 . - Рр. 204-210.
  27.  Ibrahim Z., Tsuboi Y., Ono O.and Khalid M. Dir ect-proportional length-based DNA computing for shortest path problem, International Journal of Computer Sciences & Applications. - 2004. - Vol.1, № 1. - Рp. 46-60.
  28.  Yamamoto M., Matsuura N., Shiba T., Kawazo Y. and Ohuchi A. DNA solution of the shortest path problem by concentration control, Lecture Notes in Computer Science. - 2004. - Vol.2340. - Рp.23-212.
  29. Zhang F., Liu B., Liu W. and Xu J. A DNA computing model based on acryditeTM gel technology to solve the timetable problem, IEEE/ICME International Conference on Complex Medical Engineering. - 2007. - Рp.16321635.
  30.  Дасгупта Д. Искусственные иммунные системы и их применение. – М.: Физматлит, 2006. - 344 с.
  31.  Dasgupta D. Artificial Immune Systems and Their Applications, Springer-Verlag, 1998.
  32.  Мухамедиева Д.Т. Иммунный алгоритм решения задач классификации и прогнозирования в нечеткой среде // Вестник ТУИТ. – Ташкент, 2012. - Вып.1. - С. 38-41.

Список всех публикаций, цитирующих данную статью