Modelowanie rozmyte z zastosowaniem algorytmu optymalizacji rojem cząstek

• Autorzy: Falkiewicz D. , Łukasik Sz.

Warianty tytułu

EN

Fuzzy modeling with the particle swarm optimization algorithm

• Języki publikacji: PL

Abstrakty

PL

Głównym celem niniejszego artykułu jest opracowanie algorytmu klasteryzacyjnego opartego o inspirowany biologicznie algorytm optymalizacji rojem cząstek i dedykowanego dla zagadnienia modelowania rozmytego. W pracy omówiona została idea heurystycznego algorytmu rojowego, z uwzględnieniem wybranych jego modyfikacji. Zawarte zostały wyniki eksperymentalnej ewaluacji, zarówno wybranej techniki optymalizacji, jak i opracowanej z jej uwzględnieniem metody modelowania rozmytego, w odniesieniu do istniejącego już algorytmu k-średnich oraz realizacji procesu sterowania rozmytego.

EN

The main goal of this paper is a description of clustering algorithm based on the particle swarm optimization algorithm, inspired on social behavior of animals and its application in fuzzy modeling. In the paper the idea of the heuristic swarm-based algorithm was presented, including a few modifications. Moreover, the results of the experimental evaluation were shown, both a selected optimization technique and its synthesis with a fuzzy modeling method referring to the k-means algorithm and the fuzzy control process.

Słowa kluczowe

PL

modelowanie rozmyte; eksploracja danych; klasteryzacja; algorytm optymalizacji rojem cząstek

EN

fuzzy modeling; exploratory data analysis; cluster analysis; particle swarm optimization algorithm

• Wydawca: Wydawnictwo Politechniki Krakowskiej im. Tadeusza Kościuszki
• Czasopismo: Czasopismo Techniczne. Automatyka
• Rocznik: 2012
• Tom: R. 109, z. 1-AC
• Strony: 41--54
• Opis fizyczny: Bibliogr. 20 poz., wz., wykr., tab.

Twórcy

autor

Falkiewicz D.

• Katedra Automatyki i Technik Informacyjnych, Wydział Inżynierii Elektrycznej i Komputerowej, Politechnika Krakowska

autor

Łukasik Sz.

• Katedra Automatyki i Technik Informacyjnych, Wydział Inżynierii Elektrycznej i Komputerowej, Politechnika Krakowska
• Instytut Badań Systemowych, Polska Akademia Nauk

Bibliografia

• [1] Ahmadyfard A., Modares H., Combining PSO and k-means to Enhance Data Clustering, Proceedings of the IEEE International Symposium on Telecommunications, 2008, 688-691.
• [2] Bandyopadhyay S., Maulik U., Genetic clustering for automatic evolution of clusters and application to image classification, Proceedings of the Pattern Recognition, vol. 35, 2002, 1197-1200.
• [3] Chan F.T.S., Tiwari M.K., Swarm Intelligence. Focus on Ant and Particle Swarm Optimization, I-Tech Education and Publishing, Vienna 2007, 507-513.
• [4] Chiu S.L., Fuzzy Model Identification Based on Cluster Estimation, Journal of Intelligent and Fuzzy Systems, vol. 2, No. 3, 1994, 267-284.
• [5] Chopra S., Mitra R., Kumar V., Fuzzy Controller: choosing and Appropriate and Smallest Rule Set, International Journal of Computational Cogniton, vol. 3, No. 4, 2005.
• [6] Clerc M., Particle swarm optimization, ISTE Ltd., Great Britain 2006.
• [7] Clustering datasets (online), homepage: http://cs.joensuu.fi/sipu/datasets/ (date of access: 2012-10-30).
• [8] Hammouda K.M., Karray F., A Comparative Study of Data Clustering Techniques, [in:] Tools of Intelligent Systems Design. Course Project, 2000.
• [9] Kennedy J., Eberhart R.C., Particle Swarm Optimization, Proceedings of the 1995 IEEE International Conference on Neutral Networks, vol. 4, Perth, Australia 1995, 1942-1948.
• [10] Kowalski P.A., Łukasik Sz., Charytanowicz M., Kulczycki P., Data-Driven Fuzzy Modeling and Control with Kernel Density Based Clustering Technique, Polish Journal of Environmental Studies, vol. 17, No. 4C, 2008, 83-87.
• [11] Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, wyd. I, WNT, Warszawa 2008.
• [12] Lazinica A., Particle Swarm Optimization, In-Tech, 2009, 2-3, 51-53, 89-90, 293-294, 341-343.
• [13] Mudi R., Pal N.R., A Robust Self-Tuning Scheme for PI and PD Type Fuzzy Controllers, Proceedings of the IEEE Trans. Fuzzy Syst., 1999.
• [14] Piegat A., Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2003.
• [15] Poli R., Kennedy J., Blackwell T., Particle swarm optimization: an overview, Swarm Intelligence Journal, vol. 1, No. 1, 2007, 33-40, 50-53.
• [16] Su M.C., A New Index of Cluster Validity (online), homepage: www.cs.missouri.edu/~skubicm/8820/ClusterValid.pdf (date of access: 2012-10-30).
• [17] Tan K.C., Sathikannan R., Tan W.W., Loh A.P., Evolutionary Design and Implementation of a Hard Disk Drive Servo Control System, Soft Computing, vol. 11, No. 2, 2007, 131-139.
• [18] Trojanowski K ., Metaheurystyki praktyczne, WIT, Warszawa 2005.
• [19] Wang D., Wang G., Hu R., Parameters optimization of fuzzy controller based on PSO, Intelligent System and Knowledge Engineering, vol. 1, 2008, 599-603.
• [20] Wong C.C., Wang H.Y., Li S.A., PSO-based motion fuzzy controller design for mobile robots, International Journal of Fuzzy Systems, vol. 10, No. 1, 2008, 284-292.

Uwagi

PL

Badanie zrealizowano dzięki dofinansowaniu w ramach stypendium naukowego z projektu pn. „Technologie informacyjne: badania i ich interdyscyplinarne zastosowania” współfinansowanego ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego, Program Operacyjny Kapitał Ludzki (Umowa nr UDA-POKL.04.01.01-00-051/10-00).