توضیحات
ABSTRACT
Uncertainty is an inherent part in control systems used in real world applications. Various instruments used in such systems produce uncertainty in their measurements and thus influence the integrity of the data collection. Type-1 fuzzy sets used in conventional fuzzy systems cannot fully handle the uncertainties present but type-2 fuzzy sets that are used in type-2 fuzzy systems can handle such uncertainties in a better way because they provide more parameters and more design degrees of freedom. There are membership functions which can be parameterised by a few variables and when optimized, the membership optimization problem can be reduced to a parameter optimization problem. This paper deals with the parameter optimization of the type-2 fuzzy membership functions using a new proposed reinforcement learning algorithm in a nonlinear system. The results of the proposed method referred to as Extended Discrete Action Reinforcement Learning Automata algorithm are compared to the results obtained by the Discrete Action Reinforcement Learning Automata and Continuous Action Reinforcement Learning Automata algorithms. The Performance of the proposed method on initial error reduction and error convergence issues are also investigated by computer simulations.
INTRODUCTION
Type-2 fuzzy sets, which were introduced by Zadeh in , are now very well established and are gaining more and more popularity. Recall that in the 1970s people were first learning what to do with T1 FSs, e.g. fuzzy logic control. By passing those experiences would have been unnatural. Once it was clear what could be done with T1 FSs, it was only natural for people to then look at more challenging problems. T2 FSs are described by membership functions (MFs) that are characterized by more parameters than are MFs for T1 FSs . Hence, T2FSs provide us with more design degrees of freedom ; so using T2 FSs has the potential to outperform using T1 FSs, especially when we are in uncertain environments. Unfortunately, type-2 fuzzy sets are more difficult to use and understand than are type-1 fuzzy sets. There are some applications that have appeared in the literature for T2 fuzzy sets and systems since 2000. FLSs can provide better performance than conventional nonfuzzy approaches, with less development cost . The selection of an appropriate rule set with proper membership functions is the most important one. However, obtaining an
optimal set of fuzzy rules and membership functions is not an easy task. In principle, there is no a general method for the fuzzy logic setup, although a heuristic and iterative procedure for altering the membership functions to improve performance has been proposed . Some methods use neural networks and others use genetic algorithms (GA) .
چکیده
عدم قطعیت جزء ذاتی در سیستم های کنترل استفاده شده در برنامه های دنیای واقعی است. ابزارهای مختلفی که در چنین سیستمی استفاده می شوند، عدم اطمینان را در اندازه گیری هایشان ایجاد می کنند و بنابراین بر روی یکپارچگی جمع آوری داده ها تاثیر می گذارند. مجموعه های فازی Type-1 که در سیستم های فازی مرسوم استفاده می شود، نمی توانند به طور کامل از عدم اطمینان برخوردار باشند، اما مجموعه های فازی نوع 2 که در سیستم های فازی نوع 2 استفاده می شوند، می توانند چنین نامعلومی را به شیوه ای بهتر اداره کنند، زیرا آنها پارامترهای بیشتری و درجه طراحی آزادی بیشتری را ارائه می دهند . توابع عضویت وجود دارد که می تواند توسط چند متغیر پارامتر شود و در هنگام بهینه سازی، مشکل بهینه سازی عضویت را می توان به یک مشکل بهینه سازی پارامتر کاهش داد. در این مقاله با بهینه سازی پارامترهای توابع عضویت فازی Type-2 با استفاده از الگوریتم یادگیری تقویت پیشنهادی جدید در یک سیستم غیر خطی می پردازیم. نتایج روش پیشنهادی که به عنوان الگوریتم Automata یادگیری تقویت شده گام برداشته شده مطرح شده با نتایج حاصل از الگوریتم های Automata یادگیری خودکار تقویت عمل گسسته و الگوریتم پیاده سازی تقویت پیوسته مقایسه شده است. عملکرد روش پیشنهادی برای کاهش خطاهای اولیه و مسائل همگرایی خطا نیز با شبیه سازی های کامپیوتری مورد بررسی قرار می گیرد.
مقدمه
مجموعه های فازی Type-2، که توسط زاده معرفی شده اند، در حال حاضر به خوبی تاسیس شده و محبوبیت بیشتری به دست آورده اند. به یاد بیاورید که در دهه 1970، مردم ابتدا یاد گرفتند که چه کاری با F1 های T1 انجام می دهند، مثلا کنترل منطقی فازی با عبور از این تجربیات غیر طبیعی بود. هنگامی که روشن شد که با T1 FS چگونه می توان انجام داد، تنها برای افراد طبیعی بود که به مشکلات بیشتری دست پیدا کنند. FS های T2 توسط توابع عضویت (MFs) شرح داده می شوند که توسط پارامترهای بیشتری از MF ها برای T1 FS مشخص می شوند. از این رو، T2FSs ما را به درجه طراحی آزادی بیشتر ارائه می دهد؛ بنابراین با استفاده از T2 FS می تواند با استفاده از T1 FS، به ویژه هنگامی که ما در محیط های نامشخص هستند، بهتر عمل کنیم. متاسفانه مجموعه های فازی نوع 2 برای استفاده و درک بیشتر از مجموعه های فازی نوع 1 استفاده می شود. برخی از برنامه های کاربردی موجود در مجموعه ها و سیستم های فازی T2 از سال 2000 در ادبیات آمده است. FLS ها می توانند عملکرد بهتر را نسبت به روش های معمول غیر فازی ارائه دهند و هزینه های توسعه کمتری داشته باشند. انتخاب یک قانون مناسب که با استفاده از توابع عضویت مناسب تعیین می شود، مهم ترین است. با این حال، به دست آوردن
مجموعه ای بهینه از قوانین فازی و توابع عضویت یک کار آسان نیست. در اصل، هیچ روش کلی برای راه اندازی منطق فازی وجود ندارد، اگر چه روش های اکتشافی و تکراری برای تغییر توابع عضویت برای بهبود عملکرد پیشنهاد شده است. برخی از روش ها از شبکه های عصبی استفاده می کنند و دیگران از الگوریتم های ژنتیک استفاده می کنند (GA).
Year: 2010
Publisher : Eighteenth International Energy Conference of Iran
By : S.M.A.Mohammadi , A.A. Gharaveisi, M. Mashinchi
File Information: English Language/ 7 Page / size: 949 KB
سال :1389
ناشر : هجدهمین کنفرانس بین المللی برق ایران
کاری از : S.M.A.Mohammadi، A.A. غروبی، محمود مشینچی
اطلاعات فایل : زبان انگلیسی / 7صفحه / حجم : KB 949
نقد و بررسیها
هنوز بررسیای ثبت نشده است.