Fuzzy-XCS: Michiganský štýl genetického fuzzy systému

1. Fuzzy-XCS: Michiganský štýl genetického fuzzy systému Július Pavlovský

2. Úvod • algoritmy evolučného učenia • štýly v evolučnom učení • Fuzzy-XCS • Cykly • Algoritmus • Zloženie • Experiment • Laboratórny problém so zovšeobecnením

3. 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

4. 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

5. 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

6. 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

7. Schéma fuzzy XCS

8. Fuzzy-XCS • Zovšeobecnenie reprezentácie • binárny kódovací systém • Vykonanie súčastí • Fuzzy pravidlá sa prispôsobia sa prispôsobujú stupňu väčšiemu ako nula • Posilňovacia zložka • Objavovacia zložka

9. 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

10. 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

11. 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

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

13. 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

14. 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.

15. 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

16. Otázky na záver ? Ďakujem za pozornosť