Multi-combinative strategy to avoid premature convergence in genetically-generated fuzzy knowledge bases

• Autorzy: Achiche S. , Balazinski M. , Baron L.

Warianty tytułu

PL

Multikombinacyjna strategia unikania przedwczesnej konwergencji w genetycznie generowanych rozmytych bazach wiedzy

• Języki publikacji: EN

Abstrakty

EN

A growing number of industrial fields is concerned by complex and multiobjective problems. For this kind of problems, optimal decision making is critical. Decision support systems using fuzzy logic are often used to deal with complex and large decision making problems. However the main drawback is the need of an expert to manually construct the knowledge base. The use of genetic algorithms proved to be an effective way to solve this problem. Genetic algorithms model the life evolution strategy using the Darwin theory. A main problem in genetic algorithms is the premature convergence, and the last enhancements in order to solve this problem include new multi-combinative reproduction techniques. There are two principal ways to perform multi-combinative reproduction within a genetic algorithm, namely the Multi-parent Recombination, Multiple Crossover on Multiple Parents (MCMP); and the Multiple Crossover Per Couple (MCPC). Both techniques try to take the most of the genetic information contained in the parents. This paper explores the possibility to decrease premature convergence in a real/binary like coded genetic algorithm (RBCGA) used in automatic generation of fuzzy knowledge bases (FKBs). The RBCGA uses several crossover mechanisms applied to the same couple of parents. The crossover are also combined in different ways creating a multiple offspring from the same parent genes. The large family concept and the variation of the crossovers should introduce diversity and variation in otherwise prematurely converged populations and hence, keeping the search process active.

PL

Rosnącej liczbie dziedzin, którymi zainteresowany jest przemysł, towarzyszą złożone zagadnienia wieloobiektowe. Dla takich zagadnień optymalne podejmowanie decyzji jest krytyczne. Często dla wsparcia procesu decyzyjnego w złożonych problemach stosuje się układy logiki rozmytej. Kłopotem pozostaje jednak potrzeba manualnego wygenerowania bazy wiedzy poprzez eksperta. Okazuje się, że pewnym rozwiązaniem tego problemu może być użycie algorytmów genetycznych. Algorytmy takie modelują zagadnienie ewolucyjne na podstawie teorii Darwina. Głównym problemem w algorytmach genetycznych jest przedwczesna konwergencja, której próby wyeliminowania oparto na strategii multikombinowanych technik reprodukcji. Występują zasadniczo dwie drogi realizacji techniki reprodukcji: Multiple Crossover on Multiple Parents (MCMP) oraz Multiple Crossover Per Couple (MCPC). Obydwie metody celują w wykorzystanie jak największej ilości informacji genetycznej od rodziców. W artykule zajęto się możliwością ograniczania przedwczesnej konwergencji w rzeczywistym/binarnym kodzie genetycznym (RBCGA) używanym w automatycznymgenerowaniu rozmytych baz wiedzy (FKBs). Algorytm RBCGA stosuje kilka mechanizmów krzyżowania genów w odniesieniu do tej samej pary rodziców. Mechanizmy te przeróżnie kombinowane pozwalają na wielokrotną kreację potomstwa od tej samej pary rodziców. Koncepcja dużej rodziny i różnicowanie krzyżowania powinny wprowadzić dywersyfikację nowogenerowanych pokoleń, które w przeciwnym razie szybko uległyby konwergencji. Zapobieżenie temu zjawisku poprzez strategię multikombinacyjną utrzymuje proces poszukiwania rozwiązania w stanie aktywnym.

Słowa kluczowe

EN

artificial intelligence; fuzzy decision support system; fuzzy knowledge base; learning; premature convergence; genetic algorithm; crossover operators

• Wydawca: Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej
• Czasopismo: Journal of Theoretical and Applied Mechanics
• Rocznik: 2004
• Tom: Vol. 42 nr 3
• Strony: 417--444
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Achiche S.

• Department of Mechanical Engineering, Ec´ole Polytechnique de Montr´eal, Montr´eal, Canada

autor

Balazinski M.

• Department of Mechanical Engineering, Ec´ole Polytechnique de Montr´eal, Montr´eal, Canada

autor

Baron L.

• Department of Mechanical Engineering, Ec´ole Polytechnique de Montr´eal, Montr´eal, Canada

Bibliografia

• 1. Achiche S., Balazinski M., Baron L., 2003, Real/binary-like coded genetic algorithm to automatically generate fuzzy knowledge bases, IEEE Fourth International Conference on Control and Automation, 799-803
• 2. Achiche S., Balazinski M., Baron L., Jemielniak K., 2002, Tool wear monitoring using genetically-generated fuzzy knowledge bases, Engineering Applications of Artificial Intelligence, 15, 303-314
• 3. Balazinski M., Czogala E., Jemielniak K., Leski J., 2002, Tool condition monitoring using artificial intelligence methods, Engineering Applications of Artificial Intelligence, 15, 75-80
• 4. Balazinski M., Achiche S., Baron L., 2000, Influences of optimization and selection criteria on genetically-generated fuzzy knowledge bases, International Conference on Advanced manufacturing Technology, 159-164
• 5. Balazinski M., Bellerose M., CzogalaE., 1993, Application of fuzzy logic techniques to the selection of cutting parameters in machining processes, International Journal for Fuzzy Sets and Systems, 61, 307-317
• 6. Baron L., Achiche S., Balazinski M., 2001, Fuzzy decisions system knowledge base generation using a genetic algorithm, International Journal of Approximate Reasoning, 25-148
• 7. Bonissone P.P., Khedkar P.S., Chen Y.T., 1996, Gentic algorithms for automated tunning of fuzzy controllers, a transportation application, Fifth International Conference on Fuzzy Systems (FUZZ-IEEE’96), 674-680
• 8. Brad L., Miller, 1996, Genetic algorithms with dynamic niche sharing for multimodal function optimization, International Conference on Evolutionary Computation
• 9. Casillas J., Cordón O., Herrera F., 2000, A methodology to improve adhoc data-driven linguistic rule learning methods by inducing cooperation among rules, Technical Report, #DECSAI–000101, University of Granada, Spain
• 10. Castellano G., Attolico G., Distante A., 1997, Automatic generation of fuzzy rules for reactive robot controllers, Robitics and Autonomous Systems, 22, 133-149
• 11. Eiben A.E., Back ¨ T., 1997, An empirical investigation of multi-parent recombination operators in evolution strategies, Evolutionary Computation, 5, 3, 347-365
• 12. Eshelman L.J., Schaffer J.D., 1991, Preventing premature convergence by preventing incest, Proceedings of the Fourth International Conference on Genetic Algorithms, 115-122
• 13. Goldberg D.E., 1989, Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley
• 14. Hagras H., Callaghan V., Colley M., Carr-West M., 1999, A fuzzygenetic based embedded-agent approach to learning and control in agricultural autonomous vehicles, Proceedings of the 1999 IEEE International Conference on Robotics and Automation, Detroit, Michigan, 1005-1010
• 15. Herrera F., Lazano M., 1997, Gradual distributed real-coded genetic algorithms, Technical Report, #DECSAI–97–01–03, Universty of Granada, Spain
• 16. Herrera F., Lozano M., 2000, Gradual distributed real-coded genetic algorithms, IEEE Transactions on Evolutionary Computation, 4, 43-63
• 17. Herrera F., Lazano M., Verdegay J.L., 1995, Tunning fuzzy logic controllers by genetic algorithms, International Journal of Approximate Reasoning, 12, 299-315
• 18. Holland J.H., 1973, Genetic algorithms and the optimal allocation of trials, SIAM Journal on Computing, 2, 2, 88-105
• 19. Li T.H., Lucasius C.B., Kateman G., 1992, Optimization of calibration data with the dynamic genetic algorithm, Analytica Chimica Acta, 123-134
• 20. Mahfoud S.W., 1995, Niching methods for genetic algorithms, Ph.D. Thesis, University of Illinois at Urbana-Champaign
• 21. Michalewicz Z., 1992, Genetic Algorithms + Data Structure = Evolution Programs, New York: Springer
• 22. Mahlenbein ¨ H., Schlierkamp-Voosen D., 1993, Predictive models for the breeder genetic algorithm: I. Continuous parameter optimization, Evolutionary Computation, 1, 1, 25-49
• 23. Nomura H., Hayashi I., Wakami N., 1992, A self-tuning method of fuzzy reasoning by genetic algorithm, Proceedings International fuzzy Systems and Intelligent Control Conference, 236-245.
• 24. Ono I., Kobayashi S., 1997, A real-coded genetic algorithm for function optimization using uni-modal normal distributed crossover, Proceedings of the 7th International Conference on Genetic Algorithms, 246-253
• 25. Tsutsui S., 1998, Multi-parent recombination in genetic algorithms with search space boundary extension by mirroring, Proceedings of the Fifth International Conference on Parallel Problem Solving from Nature, 428-437
• 26. Tsutsui S., Ghosh A., 1998, A study on the effect of multi-parent recombination in real coded genetic algorithms, Proceedings of the 1998 IEEE International Conference on Evolutionary Computation, 119-133
• 27. Valesco J.R., Lopez S., Magdalena L., 1997, Genetic fuzzy clustering for the definition of fuzzy sets, Proceedings of the Sixth IEEE International Conference On Fuzzy Systems, FUZZ IEEE, III, 1665-1670
• 28. Xiong N., Litz L., Reduction of fuzzy control rules by means of premise learning – method and case study, Fuzzy Sets and Systems, 132, 217-231
• 29. Zadeh L.A., 1973, Outline of new approach to the analysis of complex systems and decisions processes, IEEE Transactions of Systems, Man and Cybernetics, 3, 28-44