Реалізація нового гібридного еволюційного алгоритму з управлінням на основі нечіткої логіки для задач оптимізації

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.245222

Ключові слова:

еволюційні обчислення, GA, PSO, FLC, оптимізація, гібридний еволюційний алгоритм

Анотація

Основною метою використання гібридного еволюційного алгоритму є досягнення оптимальних значень і цілей, яких не можуть досягти традиційні методи, і оскільки існують різні еволюційні обчислення, кожен з них має різні переваги і можливості. Тому дослідники об'єднують більше одного алгоритму в гібридну форму для збільшення здатності цих алгоритмів виконувати еволюційні обчислення. У даній роботі пропонується новий алгоритм для гібридного генетичного алгоритму (GA) і оптимізації рою частинок (PSO) з управлінням на основі нечіткої логіки (FLC) для оптимізації функцій. Нечітка логіка застосовується для динамічного перемикання між еволюційними алгоритмами для підвищення продуктивності алгоритму. Проведено порівняння гібридних еволюційних алгоритмів HEF з GA, PSO, GAPSO і PSOGA. При порівнянні використовуються різні функції вимірювання. Окрім сильно опуклих функцій, ці функції можуть бути рівномірно розподілені чи ні, і є важливими для оцінки нашого підходу. Для кожної функції використовувалися 500, 1000 і 1500 ітерацій. Ефективність алгоритму HEF була перевірена на чотирьох функціях. Новий алгоритм часто виявляється кращим рішенням, на нього припадає 75 % всіх випробувань. Цей метод перевершує традиційні методи з точки зору ефективності

Спонсор дослідження

  • We thank our colleagues from the University of Mosul College of Education for Pure Sciences who provided insight and expertise that greatly assisted the research, especially our colleagues from the computer science department, who may agree with all of the interpretations and conclusions of this paper.

Біографія автора

Maan Afathi, University of Mosul

Doctor of Computer Sciences, Teacher

Department of Computer Science

College of Education for Pure Sciences

Посилання

  1. Ishibuchi, H., Nojima, Y. (2007). Optimization of Scalarizing Functions Through Evolutionary Multiobjective Optimization. Evolutionary Multi-Criterion Optimization, 51–65. doi: https://doi.org/10.1007/978-3-540-70928-2_8
  2. Butz, M. V. (2006). Rule-based evolutionary online learning systems. Springer-Verlag, 259. doi: https://doi.org/10.1007/b104669
  3. Coello, C. A. C., Lamont, G. B., Van Veldhuizen, D. A. (2007). Evolutionary algorithms for solving multi-objective problems. Springer, 800. doi: https://doi.org/10.1007/978-0-387-36797-2
  4. Deng, W., Shang, S., Cai, X., Zhao, H., Song, Y., Xu, J. (2021). An improved differential evolution algorithm and its application in optimization problem. Soft Computing, 25 (7), 5277–5298. doi: https://doi.org/10.1007/s00500-020-05527-x
  5. Kuranga, C., Pillay, N. (2021). Genetic programming-based regression for temporal data. Genetic Programming and Evolvable Machines, 22 (3), 297–324. doi: https://doi.org/10.1007/s10710-021-09404-w
  6. Lehre, P. K., Nguyen, P. T. H. (2021). Runtime Analyses of the Population-Based Univariate Estimation of Distribution Algorithms on LeadingOnes. Algorithmica, 83 (10), 3238–3280. doi: https://doi.org/10.1007/s00453-021-00862-3
  7. Chen, P.-C., Chen, C.-W., Chiang, W.-L., Yeh, K. (2009). A novel stability condition and its application to ga-based fuzzy control for nonlinear systems with uncertainty. Journal of Marine Science and Technology, 17 (4). doi: https://doi.org/10.51400/2709-6998.1985
  8. Chang, X., Lilly, J. H. (2004). Evolutionary Design of a Fuzzy Classifier From Data. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 34 (4), 1894–1906. doi: https://doi.org/10.1109/tsmcb.2004.831160
  9. Mohammadian, M., Stonier, R. J. (1994). Generating fuzzy rules by genetic algorithms. Proceedings of 1994 3rd IEEE International Workshop on Robot and Human Communication. doi: https://doi.org/10.1109/roman.1994.365902
  10. Chen, S.-M., Chen, Y.-C. (2002). Automatically constructing membership functions and generating fuzzy rules using genetic algorithms. Cybernetics and Systems, 33 (8), 841–862. doi: https://doi.org/10.1080/01969720290040867
  11. Tsang, C.-H., Kwong, S., Wang, H. (2007). Genetic-fuzzy rule mining approach and evaluation of feature selection techniques for anomaly intrusion detection. Pattern Recognition, 40 (9), 2373–2391. doi: https://doi.org/10.1016/j.patcog.2006.12.009
  12. Angeline, P. J. (1998). Evolutionary optimization versus particle swarm optimization: Philosophy and performance differences. Evolutionary Programming VII, 601–610. doi: https://doi.org/10.1007/bfb0040811
  13. Eberhart, R. C., Shi, Y. (1998). Comparison between genetic algorithms and particle swarm optimization. Evolutionary Programming VII, 611–616. doi: https://doi.org/10.1007/bfb0040812
  14. Pawar, P. M., Ganguli, R. (2007). Genetic fuzzy system for online structural health monitoring of composite helicopter rotor blades. Mechanical Systems and Signal Processing, 21 (5), 2212–2236. doi: https://doi.org/10.1016/j.ymssp.2006.09.006
  15. Chu, B., Kim, D., Hong, D., Park, J., Chung, J. T., Chung, J.-H., Kim, T.-H. (2008). GA-based fuzzy controller design for tunnel ventilation systems. Automation in Construction, 17 (2), 130–136. doi: https://doi.org/10.1016/j.autcon.2007.05.011
  16. Franke, C., Hoffmann, F., Lepping, J., Schwiegelshohn, U. (2008). Development of scheduling strategies with Genetic Fuzzy systems. Applied Soft Computing, 8 (1), 706–721. doi: https://doi.org/10.1016/j.asoc.2007.05.009
  17. Tang, J., Zhang, G., Lin, B., Zhang, B. (2010). A Hybrid PSO/GA Algorithm for Job Shop Scheduling Problem. Advances in Swarm Intelligence, 566–573. doi: https://doi.org/10.1007/978-3-642-13495-1_69
  18. Robinson, J., Sinton, S., Rahmat-Samii, Y. (2002). Particle swarm, genetic algorithm, and their hybrids: optimization of a profiled corrugated horn antenna. IEEE Antennas and Propagation Society International Symposium (IEEE Cat. No.02CH37313). doi: https://doi.org/10.1109/aps.2002.1016311
  19. Dziwinski, P., Bartczuk, L. (2020). A New Hybrid Particle Swarm Optimization and Genetic Algorithm Method Controlled by Fuzzy Logic. IEEE Transactions on Fuzzy Systems, 28 (6), 1140–1154. doi: https://doi.org/10.1109/tfuzz.2019.2957263
  20. Ruan, X., Wang, J., Zhang, X., Liu, W., Fu, X. (2020). A Novel Optimization Algorithm Combing Gbest-Guided Artificial Bee Colony Algorithm with Variable Gradients. Applied Sciences, 10 (10), 3352. doi: https://doi.org/10.3390/app10103352
  21. Gao, W., Liu, S. (2012). A modified artificial bee colony algorithm. Computers & Operations Research, 39 (3), 687–697. doi: https://doi.org/10.1016/j.cor.2011.06.007
  22. Xue, Y., Jiang, J., Zhao, B., Ma, T. (2017). A self-adaptive artificial bee colony algorithm based on global best for global optimization. Soft Computing, 22 (9), 2935–2952. doi: https://doi.org/10.1007/s00500-017-2547-1

##submission.downloads##

Опубліковано

2021-12-16

Як цитувати

Afathi, M. (2021). Реалізація нового гібридного еволюційного алгоритму з управлінням на основі нечіткої логіки для задач оптимізації. Eastern-European Journal of Enterprise Technologies, 6(4 (114), 6–14. https://doi.org/10.15587/1729-4061.2021.245222

Номер

Том 6 № 4 (114) (2021): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2021 Maan Afathi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.