طراحي بهينه چندهدفي شبكه فازي- عصبي توسط الگوريتم تركيبي تكامل تفاضلي و تجمعي ذره براساس منطق فازي

Multi-Objective Optimum Design of a Neuro-Fuzzy Network Using a Combined PSO and DE Algorithm Based on Fuzzy Logic

شبكه‌هاي فازي- عصبي به‌دليل كاربرد گسترده‌اي كه در مدل‌سازي فرآيندهاي پيچيده براساس داده‌هاي آزمايشگاهي دارند مورد توجه محققين قرار گرفته‌اند. در سيسم استنتاج فازي- عصبي هدف كاهش خطاي پيش‌بيني سيستم نسبت به داده‌هاي اصلي است. تنظيم پارامترهاي شبكه فازي- عصبي از اهميت بسيار بالايي برخوردار است و بر عملكرد آن تاثيرگذار مي‌گذارد. براي اين منظور الگوريتم بهينه‌سازي جديدي مبتني‌بر تركيب دو روش بهينه‌سازي تكامل تفاضلي و تجمعي ذره ارايه شده است. در اين الگوريتم ضرايب سرعت عملگرها با استفاده از منطق فازي به‌صورت ديناميكي محاسبه مي‌شوند. اين ضرايب با توجه به شماره نسل و واريانس ذرات تنظيم مي‌شوند. در الگوريتم پيشنهادي سعي شده است كه در محل‌هاي كم‌جمعيت‌تر فضاي جست‌وجو بيشتر كاوش شود و از گيرافتادن الگوريتم در نقاط بهينه محلي جلوگيري شود. در ادامه با بهينه‌سازي سه تابع معيار نتايج حاصل از الگوريتم تكامل تفاضلي و تجمعي ذرات و روش پيشنهادي با هم مقايسه مي‌شوند و عملكرد قابل قبول الگوريتم ارايه شده، قابل لمس است. در انتها شبكه فازي- عصبي براي پيش‌بيني سري زماني تابع مكي- گلاس تعريف شده است كه با استفاده از الگوريتم ارايه‌شده و الگوريتم‌هاي تكامل تفاضلي و تجمعي ذره، توابع تعلق مربوط به ورودي و خروجي شبكه فازي- عصبي به‌صورت دوهدفه بهينه مي‌شوند و نمودار پارتو به‌دست‌آمده از اين روش‌ها با هم مقايسه مي‌شوند كه نشان‌دهنده عملكرد بهتر الگوريتم پيشنهادي است.

Because of the widespread application in complex modeling based on experimental data, neuro-fuzzy networks have attracted the attention of researchers. In the neuro-fuzzy inference system, the objective is to reduce the system's prediction error relative to the actual data. The regulation of parameters of neuro-fuzzy network is very important and affects its performance. So, a new optimization algorithm based on Particle Swarm Optimization (PSO) and Differential Evolution (DE) has been proposed. In this algorithm, the coefficients of the operator speed are calculated dynamically, using fuzzy logic. These coefficients are set according to the generation number and variance of the particles. Proposed operator leads the particles to explore and exploit the search domain more precisely. Next, the performance of the proposed algorithm is checked by optimizing three benchmarks and comparing it with the results, which are obtained by conventional PSO and DE. The results show that the proposed algorithm obtained better solution in comparison with DE and PSO and proved its performance and efficiency. Finally, a neuro-fuzzy system has been employed to forecast the time series of Mackey-Glass. The parameters of this neuro-fuzzy network are optimized by the new algorithm and the PSO and DE method multi-objectively and the Pareto charts obtained by each method of optimization are compared with each other, indicating the better performance of the new algorithm.