855

Рассматривается процесс построения нечеткой модели мониторинга с использованием многокритериального
генетического алгоритма, который позволяет оптимизировать комбинацию целевых функций и таким образом
получить несколько наборов недоминируемых нечетких правил классификации. Полученные наборы нечетких
правил являются приближением к Парето оптимальному множеству решений многокритериального
генетического алгоритма. Множество наборов нечетких правил позволяет в каждом конкретном случае
отобрать наиболее приемлемое решение с точки зрения соотношения между точностью и интерпретируемостью
нечеткой модели классификации. На конкретном примере показаны результаты работы многокритериального
генетического алгоритма.
 

  • Ўқишлар сони 796
  • Нашр санаси 18-04-2017
  • Мақола тилиRus
  • Саҳифалар сони81 - 86
Русский

Рассматривается процесс построения нечеткой модели мониторинга с использованием многокритериального
генетического алгоритма, который позволяет оптимизировать комбинацию целевых функций и таким образом
получить несколько наборов недоминируемых нечетких правил классификации. Полученные наборы нечетких
правил являются приближением к Парето оптимальному множеству решений многокритериального
генетического алгоритма. Множество наборов нечетких правил позволяет в каждом конкретном случае
отобрать наиболее приемлемое решение с точки зрения соотношения между точностью и интерпретируемостью
нечеткой модели классификации. На конкретном примере показаны результаты работы многокритериального
генетического алгоритма.
 

English

Considered the process of constructing a fuzzy model monitoring using multi-criteria genetic algorithm. Multi-criteria
genetic algorithm to optimize the combination of the objective functions, and thus get a few sets of non-dominated
fuzzy classification rules. These sets of fuzzy rules are approaching the Pareto optimal solution set of multi-criteria
genetic algorithm. A plurality of sets of fuzzy rules allows in each case to select the most appropriate solution in terms
of the relation between the precision and interpretability fuzzy classification model. In the particular example shows the
results of the multi-criteria genetic algorithm.
 

Ўзбек

Кўп мезонли генетик алгоритмдан фойдаланган ҳолда мониторингнинг норавшан моделини қуриш кўриб
чиқилган. Кўп мезонли генетик алгоритм мақсад функция комбинациясини муқобиллаштириш ва шу орқали
синфлаштиришнинг устун бўлмаган норавшан қоидаларининг бир нечта тўпламини олиш имконини беради.
Олинган норавшан қоидалар тўплами кўп мезонли генетик алгоритм ечимларини Парето муқобил тўпламига
яқинлашиши ҳисобланади. Норавшан қоидалар тўплами синфлаштиришнинг аниқ ва интерпретацияланган
норавшан моделлари муносабатлари нуқтаи назаридан энг мақбул ечимни танлаб олиш имконини беради. Кўп
мезонли генетик алгоритм ишлашининг натижалари аниқ мисоллар орқали кўрсатилган.
 

№ Муаллифнинг исми Лавозими Ташкилот номи
1 Muhamediyeva D.T. ведущий научный сотрудник Toshkent axborot texnologiyalari universiteti
2 Niyozmatova N.A. старший научный сотрудник-исследователь Toshkent axborot texnologiyalari universiteti
№ Ҳавола номи
1 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – М.: Горячая линия - Телеком, 2004. – 452 с.
2 Aliev R.A., Aliev R. Theory of Intelligent Systems and Applications. – Baku: Chashyogly, 2001. – 720 p.
3 Zaychenko Yu. The Fuzzy Group Method of Data Handling and Its Application for Economical Processes forecasting // Scientific Inquiry. – 2006. – Vol. 7. – №1. – Рр. 83-98.
4 Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / под ред. В.М. Курейчика. – 2-е изд., испр. и доп. – М.: ФИЗМАТЛИТ, 2006. – 320 с.
5 Кондрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах / под ред. Д.А. Поспелова // Серия «Проблемы искусственного интеллекта». – М.: Наука, 1989. – Вып. 6. – 328 с.
6 Goldberg D. Genetic Algorithms in Search, Optimization, and Machine Learning. – Massachusetts: AddisonWesley, 1989.
7 Hartmann A.K., Rieger H. Optimization Algorithms in Physics. – Berlin: Wiley-VCH, 2002. – 383 p.
8 Holland J.H. Adaptation in Natural and Artificial Systems: An Introductory Analysis With Applications to Biology, Control, and Artificial Intelligence. – Cambridge: The MIT Press, 1992.
9 Koza J.R. Genetic Programming. – Cambridge: The MIT Press, 1998. – 609 p.
10 Michalewicz Z. Genetic algorithms + Data Structures = Evolution Programs. – New York: Springer-Verlag, 1996. – 387 p.
11 Mitchell M. An Introduction to Genetic Algorithms. – Cambridge: MIT Press, 1999. – 158 p.
12 Whitley D. A Genetic Algorithm Tutorial : Technical Report CS-93-103 (Revised) / Department of Computer Science ; Colorado State University. – Fort Collins, 1993.
13 Krasnogor N. Studies on the Theory and Design Space of Memetic Algorithms : Ph.D. Thesis / Faculty of Computing, Mathematics and Engineering ; University of the West of England. – Bristol, 2002. – 289 p.
Кутилмоқда