Your SlideShare is downloading. ×
  • Like
Tema 7 Aprendizaje De Sistemas Difusos Con Algoritmos GenéTicos
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Tema 7 Aprendizaje De Sistemas Difusos Con Algoritmos GenéTicos

  • 2,467 views
Published

1. - Conceptos Básicos sobre Algoritmos …

1. - Conceptos Básicos sobre Algoritmos
Genéticos.
1.1.- Introducción.
1.2. - ¿Cómo se construye?
1.3. - Sobre su utilización.
1.4. - Diversidad, exploración,
explotación.
2. - Diseño de Controladores Difusos con
Algoritmos Genéticos.
2.1.- Diseño de la base de reglas.
2.2. - Diseño de la base de datos.
2.3.- Diseño combinado.

Published in Education
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
2,467
On SlideShare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
196
Comments
0
Likes
1

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Sistemas Difusos Tema 7 Tema 7.- Diseño con Algoritmos Genéticos. 1. - Conceptos Básicos sobre Algoritmos Genéticos. 1.1.- Introducción. 1.2. - ¿Cómo se construye? 1.3. - Sobre su utilización. 1.4. - Diversidad, exploración, explotación. 2. - Diseño de Controladores Difusos con Algoritmos Genéticos. 2.1.- Diseño de la base de reglas. 2.2. - Diseño de la base de datos. 2.3.- Diseño combinado. –1–
  • 2. Sistemas Difusos Tema 7 1.- Conceptos Básicos sobre Algoritmos Genéticos. 1.1.- Evolución Natural. Evolución Artificial. Evolución Natural. En la naturaleza, los procesos evolutivos ocurren cuando se satisfacen las siguientes condiciones: • Una entidad o individuo tiene la habilidad de reproducirse. • Hay una población de tales individuos que son capaces de reproducirse. • Existe alguna variedad, diferencia, entre los individuos que se reproducen. • Algunas diferencias en la habilidad para sobrevivir en el entorno están asociadas con esa variedad. Los mecanismos que conducen esta evolución no son totalmente conocidos, pero sí algunas de sus características, que son ampliamente aceptadas (Darwin, C., 1859): • La evolución es un proceso que opera sobre los cromosomas más que sobre las estructuras de la vida que están codificadas en ellos. • La selección natural es el enlace entre los cromosomas y la actuación de sus estructuras decodificadas. • El proceso de reproducción es el punto en el cual la evolución toma parte, actúa. • La evolución biológica no tiene memoria. –2–
  • 3. Sistemas Difusos Tema 7 1.1.- Evolución Natural. Evolución Artificial. Evolución Artificial. Computación Evolutiva. • Está compuesta por modelos de evolución basados en poblaciones cuyos elementos representan soluciones a problemas. • La simulación de este proceso en un ordenador resulta ser una técnica de optimización probabilística, que con frecuencia mejora a otros métodos clásicos en problemas difíciles. • Existen cuatro paradigmas básicos: o Algoritmos Genéticos que utilizan operadores genéticos sobre cromosomas. o Estrategias de Evolución que enfatizan los cambios de comportamiento al nivel de los individuos. o Programación Evolutiva que enfatiza los cambios de comportamiento al nivel de las especies. o Programación Genética que evoluciona expresiones representadas como árboles. • Existen otros modelos de evolución de poblaciones. –3–
  • 4. Sistemas Difusos Tema 7 1.1.- Introducción. ¿Qué es un Algoritmo Genético? Los Algoritmos Genéticos son algoritmos de • optimización, • búsqueda y • aprendizaje inspirados en los procesos de • Evolución Natural y • Evolución Genética Los Ingredientes t reproducción t+1 selección mutación Cruce (o recombinación) –4–
  • 5. Sistemas Difusos Tema 7 1.1.- Introducción. El Ciclo de la Evolución. Selección PADRES Cruce POBLACIÓN Mutación Reemplazamiento DESCENDIENTES Estructura de un Algoritmo Genético Algoritmo Genético Básico Inicio (1) t = 0 inicializar P(t) evaluar P(t) Mientras (no se cumpla la condición de parada) hacer Inicio(2) t = t + 1 seleccionar P’(t) desde P(t-1) P’’(t) ← cruce P’(t) P(t) ← mutación P’(t) evaluar P(t) Final(2) Final(1) –5–
  • 6. Sistemas Difusos Tema 7 1.1.- Introducción. Dominios de aplicación Control de procesos químicos Clasificación Aprendizaje Generación de Optimización trayectorias estructural Planificación de sistemas de Producción Diseño de circuitos n 1 1 2 m VLSI Otros campos: • Optimización combinatoria y en dominios reales. • Modelado e identificación de sistemas. • Planificación y control. • Ingeniería. • Vida artificial. • Aprendizaje y minería de datos. • Internet y Sistemas de Recuperación de Información. • ... –6–
  • 7. Sistemas Difusos Tema 7 1.2.- ¿Cómo se Construye? Los pasos para construir un Algoritmo Genético. 1. Diseñar una representación. 2. Decidir cómo inicializar la población. 3. Diseñar una correspondencia entre genotipo y fenotipo. 4. Diseñar una forma de evaluar un individuo. 5. Diseñar un operador de mutación adecuado. 6. Diseñar un operador de cruce adecuado. 7. Decidir cómo seleccionar los individuos para ser padres. 8. Decidir cómo reemplazar a los individuos. 9. Decidir la condición de parada. 1.2.1. Representación. • Debemos disponer de un mecanismo para codificar un individuo como un genotipo. • Existen muchas maneras de hacer esto y se escoge la más relevante para el problema en cuestión. • Una vez elegida una representación, tenemos que tener en cuenta cómo serán evaluados los genotipos y qué operadores genéticos hay que utilizar. –7–
  • 8. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.1. Representación. Definiciones • Cromosoma: vector completo que codifica la solución. • Gen: elemento mínimo del cromosoma. • Alelos: valores que puede tomar cada gen. 1.2.1.1.- Representación Binaria. • La representación de un individuo se puede hacer mediante una codificación discreta, y en particular binaria. CROMOSOMA GEN ALELOS={0,1} –8–
  • 9. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.1.1.- Representación Binaria. Genotipo Fenotipo 8 bits • Entero • Número real • Secuencia • ... • Cualquier otra? • El fenotipo puede ser un número entero, Genotipo: Fenotipo: = 163 1*27 + 0*26 + 1*25 + 0*24 + 0*23 + 0*22 + 1*21 + 1*20 = 128 + 32 + 2 + 1 = 163 • El fenotipo puede ser un número real, o Ejemplo: un número real entre 2.5 y 20.5 utilizando 8 dígitos binarios. Genotipo: Fenotipo: = 13.9609 163 x = 2.5 + ( 20.5 − 2.5 ) = 13.9609 256 –9–
  • 10. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.1.2.- Representación Real. • Una forma natural de codificar una solución es utilizando valores reales como genes. • Muchas aplicaciones tienen esta forma natural de codificación. • Los individuos se representan como vectores de valores reales:  x1    x  X =  2  , xi ∈ R   x   n • La función de evaluación asocia a un vector un valor real de evaluación: f : Rn → R 1.2.1.3.- Representación de Orden. • Los individuos se representan como permutaciones. • Se utilizan para problemas de secuenciación. • Ejemplo famoso: Viajante de Comercio, donde cada ciudad tiene asignado un único número entre 1 y n. • Necesita operadores especiales para garantizar que el resultado de aplicar un operador sigue siendo una permutación. – 10 –
  • 11. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.2.- Inicialización. • Uniforme sobre el espacio de búsqueda… (si es posible). o Cadena binaria: 0 ó 1 con probabilidad 0.5. o Representación real: uniforme sobre un intervalo dado (para valores acotados). • Elegir la población a partir de los resultados de una heurística previa. 1.2.3.- Correspondencia entre Genotipo y Fenotipo. • Algunas veces la obtención del fenotipo a Datos de un Genotipo Problema partir del genotipo es un (Codificación ) proceso obvio. • En otras ocasiones el Algoritmo genotipo puede ser un de obtención conjunto de parámetros para algún algoritmo, el Fenotipo cual trabaja sobre los datos de un problema para obtener un fenotipo. – 11 –
  • 12. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.4.- Evaluación de un individuo. • Es el paso más costoso para una aplicación real. • Puede ser una subrutina, un simulador, o cualquier proceso externo (ej. Experimentos en un robot, ...). • Se pueden utilizar funciones aproximadas para reducir el costo de evaluación. • Cuando hay restricciones, éstas se pueden introducir en el costo como penalización. • Con múltiples objetivos se busca una solución de compromiso. 1.2.5.- Operador de mutación. • Podemos tener uno o más operadores de mutación para nuestra representación. • Algunos aspectos importantes a tener en cuenta son: o Debe permitir alcanzar cualquier parte del espacio de búsqueda. o El tamaño de la mutación debe ser controlado. o Debe producir cromosomas válidos. – 12 –
  • 13. Sistemas Difusos Tema 7 Ejemplo: Mutación para representación binaria. antes 1 1 1 1 1 1 1 después 1 1 1 0 1 1 1 gen mutado La mutación ocurre con una probabilidad pm para cada gen, o para cada cromosoma. Ejemplo: Mutación para representación real • Perturbación de los valores mediante un valor aleatorio. • Generalmente, mediante una distribución normal N(0,σ), donde o 0 es la media. o σ es la desviación típica. x’i = xi + N(0,σi) para cada parámetro. Ejemplo: Mutación para representación de orden. Intercambio de dos genes seleccionados 7 3 1 8 2 4 6 5 aleatoriamente. 7 3 6 8 2 4 1 5 – 13 –
  • 14. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.6. Operador de Cruce. • Podríamos tener uno o más operadores de cruce para nuestra representación. • Algunos aspectos importantes a tener en cuenta son: o Los hijos deberían heredar algunas características de cada padre. Si éste no es el caso, entonces estamos ante un operador de mutación. o Se debe diseñar de acuerdo a la representación. o La recombinación debe producir cromosomas válidos. Ejemplo: Cruce para representación binaria. • Cada cromosoma se corta en n partes que son recombinadas (Ejemplo para n = 1). ... Población: padres corte corte 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 1 descendientes – 14 –
  • 15. Sistemas Difusos Tema 7 Ejemplo: Cruce para representación real. • Cruce uniforme (recombinación discreta): a b c d e f g h a b Cd E f g H A B CDE F GH • Cruce aritmético (recombinación aritmética): a b c d e f A BCDE F ↓ (a+A)/2 (b+B)/2 (c+C)/ (d+D)/2 (e+E)/2 (f+F)/2 Ejemplo: Cruce para representación de orden. Padre Padre 7 3 1 8 2 4 6 5 4 3 2 8 6 7 1 5 7, 3, 4, 6, 5 ordenar 1 8 2 4, 3, 6, 7, 5 Hijo 1 7 5 1 8 2 4 3 6 – 15 –
  • 16. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.7. Estrategia de Selección. • Debemos garantizar que los mejores individuos tengan una mayor posibilidad de ser padres (reproducirse) frente a los individuos menos buenos. • Esta idea nos define la presión selectiva que conducirá la reproducción. • No obstante, debemos ser cuidadosos para dar una posibilidad de reproducirse a los individuos menos buenos. Éstos pueden incluir material genético útil en el proceso de reproducción. Ejemplo: Selección proporcional. • El número de veces que un individuo debe reproducirse es fi psi = ∑ fj j • Los mejores individuos tienen: o Más espacio en la ruleta. o Más probabilidad de ser Mejor seleccionados. Peor – 16 –
  • 17. Sistemas Difusos Tema 7 1.2.- ¿Cómo se construye un alg. genético? 1.2.8. Estrategia de Reemplazamiento. • La presión selectiva se ve también afectada por la forma en que los cromosomas de la población son reemplazados por los nuevos descendientes. • Podemos utilizar métodos de reemplazamiento aleatorios, o determinísticos. • Podemos decidir no reemplazar al mejor cromosoma de la población: Elitismo. 1.2.9. Criterio de parada. • Cuando se alcanza el óptimo. • Recursos limitados de CPU: fijar el máximo número de evaluaciones. • Límite sobre la paciencia del usuario: Después de algunas iteraciones sin mejora. – 17 –
  • 18. Sistemas Difusos Tema 7 1.3.- Utilización. • Nunca sacar conclusiones de una única ejecución: o utilizar medidas estadísticas (medias, medianas, ...). o con un número suficiente de ejecuciones independientes. • “Se puede obtener lo que se desea en una experimentación de acuerdo a la dificultad de los casos utilizados” – No se debe ajustar/chequear la actuación de un algoritmo sobre ejemplos simples si se desea trabajar con casos reales. • Desde el punto de vista de las aplicaciones: doble enfoque y diferente diseño: o Encontrar una solución muy buena al menos una vez. o Encontrar al menos una solución muy buena en cada ejecución. – 18 –
  • 19. Sistemas Difusos Tema 7 1.4.- Diversidad, exploración, explotación. Diversidad genética. • Asociada a las diferencias entre los cromosomas en la población. • Falta de diversidad genética = todos los individuos en la población son parecidos. • Falta de diversidad ⇒ convergencia al vecino más cercano. • En la práctica es irreversible. Solución: o Inclusión de mecanismos de diversidad. o Reinicialización. Exploración vs Explotación. • Exploración = muestrear regiones desconocidas. Excesiva exploración = búsqueda aleatoria, no converge • Explotación = trata de mejorar el mejor individuo. Excesiva explotación = sólo búsqueda local, convergencia a un óptimo local Resumen de los Algoritmos Genéticos. • Basados en una metáfora biológica: evolución. • Gran potencialidad de aplicación. • Muy populares en muchos campos. • Muy potentes en diversas aplicaciones. • Altas prestaciones a bajo costo. – 19 –
  • 20. Sistemas Difusos Tema 7 2.- Diseño Evolutivo de Sistemas Difusos Objetivo del proceso de aprendizaje de un SBRD. • Encontrar una Base de Conocimiento tal que el SBRD que la incluya resuelva un problema dado. ¿Qué partes del SBRD se van a optimizar? • Procesos de aprendizaje: Diseño de algunos componentes de la Base de Conocimiento o de la Base de Conocimiento al completo. • Procesos de ajuste: Optimización de un SBRD existente. Algoritmos Evolutivos Diseño Evolutivo Base de Conocimiento Funciones de escalado Reglas Funciones de Difusas pertenencia Entrada Motor de Salida Fuzificación Defuzificación escalada inferencia escalada Procesamiento Difuso – 20 –
  • 21. Sistemas Difusos Tema 7 2.- Diseño Evolutivo de Sistemas Difusos. Predefinidos Factores de escala R1: Si X1 es Alto y X2 es Bajo -> Y es Medio Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto Bajo Alto Predefinida ... X Bajo Medio Alto Base de Conocimiento X Base de Base de Bajo Medio Alto Reglas Datos Y Interfaz de Mecanismo de Interfaz de Fuzificación Inferencia Defuzificación – 21 –
  • 22. Sistemas Difusos Tema 7 2.- Diseño Evolutivo de Sistemas Difusos. Factores de escala Predefinida R1: Si X1 es Alto y X2 es Bajo -> Y es Medio Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto Bajo Alto Predefinida ... X1 Bajo Medio Alto Base de Conocimiento X2 Base de Base de Bajo Medio Alto Reglas Datos Y Interfaz de Mecanismo de Interfaz de Fuzificación Inferencia Defuzificación – 22 –
  • 23. Sistemas Difusos Tema 7 2.- Diseño Evolutivo de Sistemas Difusos. Predefinidos Factores de escala Predefinida R1: Si X1 es Alto y X2 es Bajo -> Y es Medio Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto Bajo Alto ... X Bajo Medio Alto Base de Conocimiento X Base de Base de Bajo Medio Alto Reglas Datos Y Interfaz de Mecanismo de Interfaz de Fuzificación Inferencia Defuzificación – 23 –
  • 24. Sistemas Difusos Tema 7 2.- Diseño Evolutivo de Sistemas Difusos. Factores de escala R1: Si X1 es Alto y X2 es Bajo -> Y es Medio Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto Bajo Alto ... X Bajo Medio Alto Base de Conocimiento X Base de Base de Bajo Medio Alto Reglas Datos Y Interfaz de Mecanismo de Interfaz de Fuzificación Inferencia Defuzificación – 24 –
  • 25. Sistemas Difusos Tema 7 2.- Diseño Evolutivo de Sistemas Difusos. Según las componentes que se optimicen: • Espacio de búsqueda más pequeño: o Proceso de aprendizaje más sencillo y rápido. o Las soluciones pueden ser subóptimas. • Espacio de búsqueda más completo: o Proceso de aprendizaje más complejo e ineficiente. o Mayor granularidad en el aprendizaje, mejor consideración de la interdependencia, mayor probabilidad de encontrar soluciones óptimas. Interesa encontrar un equilibrio entre completitud y granularidad. Tipos de SBRDs Genéticos: • Sistemas con ajuste genético de la Base de Datos. • Sistemas con aprendizaje genético de la Base de Reglas. • Sistemas con aprendizaje genético de la Base de Conocimiento. • Sistemas con aprendizaje genético del Mecanismo de Inferencia (poco usuales). – 25 –
  • 26. Sistemas Difusos Tema 7 2.1.- SBRDs con aprendizaje genético de la Base de Reglas. Aprendizaje genético de la Base de Reglas. PROCESO DE APRENDIZAJE Módulo de evaluación (BR) Base de Datos Base de predefinida Reglas (BR) El aprendizaje genético de la Base de Reglas asume la existencia de un conjunto predefinido de funciones de pertenencia. • Objetivo de la búsqueda: Un conjunto adecuado de reglas difusas. • Esquema de representación: Alternativas: o Un cromosoma representa una base de reglas al completo. (Enfoque Pittsburgh) ⇒ Apto para diseño off-line. o Un cromosoma representa una regla y la población al completo, la base de reglas (Enfoque Michigan) ⇒ Apto para diseño on-line. • Operadores: Adaptados al esquema de representación. – 26 –
  • 27. Sistemas Difusos Tema 7 2.1.- SBRDs con aprendizaje genético de la Base de Reglas. Ejemplo: Problema de control con dos variables de entrada y una de salida. Existe una base de datos definida a través de conocimiento experto, que determina las funciones de pertenencia para las siguientes etiquetas: 1 2 3 4 5 6 7 8 9 Error {N, C, P} ∇ Error {N, C, P} Potencia {B, M, A} (2) (6) 2 6 9 R1: Si el Error es Cero y la Variación_Error es Positiva entonces la Potencia es Alt a (9) 2 6 9 1 6 8 1 ... R1 R2 • Si en el antecedente de las reglas es necesario que aparezcan todas las variables de entrada (variable, etiqueta) (variable, etiqueta) ... 1 2 3 9 Si Error es Cero entonces Potencia es Alta • Si en un cromosoma representamos toda una Base de Reglas, generalmente se utilizará un esquema de codificación de longitud variable. – 27 –
  • 28. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ajuste de la Base de Datos. 1. Ajuste de las funciones de escala. 2. Ajuste de las funciones de pertenencia. PROCESO DE APRENDIZAJE Módulo de evaluación (BD) Base de Reglas Base de predefinida Datos (BD) – 28 –
  • 29. Sistemas Difusos Tema 7 2.2.1.- Ajuste de las funciones de escala. • Trasladan el universo de discurso en los que se definen las variables de entrada y salida al dominio en el que se definen los conjuntos difusos. • Se adaptan para que el universo de discurso escalado se corresponda mejor con el rango de la variable. • Parámetros: o Factor de escala. o Cota superior e inferior (función de escala lineal). o Parámetros de contracción/expansión (función de escala no lineal). • Forma de codificación: esquema real de longitud fija. 2.2.2.- Ajuste de las funciones de pertenencia. • Componente a optimizar: Funciones de pertenencia de los términos lingüísticos utilizados en las reglas difusas. Cada individuo = Base de Datos al completo • Forma de codificación. Depende de o Tipo de función de pertenencia utilizada. o Tipo de SBRD: descriptivo, todas las funciones se adaptan de forma global a la Base de Reglas, ó aproximativo, cada variable se asocia a un conjunto difuso distinto en cada regla. – 29 –
  • 30. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo: Ajuste de las funciones de pertenencia de un SBRD descriptivo con una variable de entrada y una de salida, con tres términos lingüísticos para cada variable y funciones de pertenencia triangulares: • 1 cromosoma representará: o 2 (variables) · 3 (etiquetas) = 6 funciones de pertenencia. o Cada función de pertenencia triangular son 3 valores reales. o Por tanto, hay que optimizar 6 · 3 = 18 valores reales. • Codificación: binaria o real (recomendable). • Función de adaptación: Error cuadrático medio (ECM). • Operadores de Cruce y Mutación: Adecuados para la codificación (binaria o real) y las restricciones del problema (forma correcta de las funciones de pertenencia, grado mínimo de emparejamiento, etc.). – 30 –
  • 31. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo. - 0 0.5 0 0.5 1 0.5 1 1.5 -0.5 0 0.5 0 0.5 1 0.5 1 1.5 Bajo Medio Alto Bajo Medio Alto X Y - 0 0.5 0.2 0.5 0.7 0.5 1 1.5 -0.35 0 0.3 0.3 0.5 0.7 0.5 1 1.5 Bajo Medio Alto Bajo Medio Alto X Y La Base de Reglas Difusas R1: Si X1 es Bajo entonces Y es Alto permanece intacta!! R2: Si X1 es Medio entonces Y es Medio ... – 31 –
  • 32. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo. Operador de cruce 1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 1 1 0 0 1 1 0 ¿Válido para la representación utilizada? 0 0.35 0.4 0.6 0 0.35 0 0.2 ... ... -0.3 –0.1 0 0.2 -0.3 –0.1 0.4 0.6 ... ... ¡Error! – 32 –
  • 33. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo. Operador de cruce. Alternativas: • Algoritmo de reparación a posteriori. • Obligar a que el punto de cruce se determine aleatoriamente. o entre puntos extremos de las funciones de pertenencia (intercambio de una etiqueta), ó o entre los extremos de la información relativa a una variable (intercambio de la partición de una variable). • Usar otro cruce que respete las restricciones. – 33 –
  • 34. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo. Operador de Mutación 1 0 1 1 1 0 0 1 1 0 1 0 1 1 1 1 0 1 1 0 ¿Válido para la representación utilizada? 0.2 0.35 0.4 ... 0.2 0 0.4 ... ¡Error! – 34 –
  • 35. Sistemas Difusos Tema 7 2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo. Operador de Mutación. Alternativas: • Mutación aleatoria dentro del rango de variación: 0.2 0.35 0.4 ... 0.2 X 0.4 ... siendo X un número aleatorio perteneciente a (0.2, 0.4). • Construir de nuevo el conjunto difuso completo (los tres parámetros). – 35 –
  • 36. Sistemas Difusos Tema 7 2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR. • El proceso de aprendizaje de la Base de Conocimiento debe determinar: o Funciones de pertenencia. o Reglas difusas. y, algunas veces también o Factores (o funciones) de escala. o Términos lingüísticos. • Espacio de búsqueda grande y complejo. o Cromosomas con longitud variable. o Una regla por cromosoma. • Algunos enfoques intentan mejorar la definición de la Base de Datos, una vez aprendida la Base de Reglas. Etapas: 1. Aprendizaje inicial de la Base de Reglas (Base de Datos predefinida). 2. Aprendizaje de la Base de Datos (Base de Reglas aprendida en el paso anterior). – 36 –
  • 37. Sistemas Difusos Tema 7 2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR. PROCESO DE PROCESO DE APRENDIZAJE 1 APRENDIZAJE 2 Módulo de Módulo de evaluación evaluación (BR) (BR) Base de Base de Base de Reglas Base de Datos Reglas (BR) definitiva Datos predefinida Aprendizaje inicial de la Base de Reglas y aprendizaje posterior de la Base de Datos – 37 –
  • 38. Sistemas Difusos Tema 7 2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR. Aprendizaje de la Base de Conocimiento PROCESO DE APRENDIZAJE Módulo de evaluación (BC) Base de Conocimiento Base de Base de Datos Reglas • Elementos a codificar en un cromosoma: o Factores de escala o Funciones de pertenencia Codificación con longitud fija o variable o Reglas difusas • Cada tipo de elemento será una parte independiente del cromosoma. • Formas de combinar estas partes con los operadores genéticos: o Mezclando subestructuras. o Como dos estructuras no relacionadas. o Aplicando un proceso secuencial cuando el resultado de cruzar una subestructura afecte al cruce de la segunda subestructura. – 38 –
  • 39. Sistemas Difusos Tema 7 2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR. • Ejemplo: Problema con dos variables y tres etiquetas por variable Error: {N, C, P} Potencia: {B, M, A} Error Potencia Reglas 0 0 0.5 0.3 0.5 0.8 0.8 1 1.3 0 0 0.3 0.2 0.5 0.8 0.7 1 1 1 5 9 ... R1: Si el Error es Negativo entonces Potencia es Alta R2: ... – 39 –
  • 40. Sistemas Difusos Tema 7 2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR. • Descomposición del proceso de aprendizaje en dos etapas dependientes: 1. Aprendizaje de la Base de Datos. 2. Generación de la Base de Reglas. • Ventajas: Reducción del espacio de búsqueda. Incremento de la posibilidad de encontrar soluciones óptimas. PROCESO DE PROCESO DE APRENDIZAJE 1 APRENDIZAJE 2 Módulo de evaluación (Base de Datos y Base de Base de Reglas) Base de Datos Reglas Aprendizaje de la Base de Conocimiento mediante la derivación genética de la Base de Datos – 40 –