Tema 7 Aprendizaje De Sistemas Difusos Con Algoritmos GenéTicos
description
Transcript of Tema 7 Aprendizaje De Sistemas Difusos Con Algoritmos GenéTicos
Sistemas Difusos Tema 7
– 1 –
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.
Sistemas Difusos Tema 7
– 2 –
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.
Sistemas Difusos Tema 7
– 3 –
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.
Sistemas Difusos Tema 7
– 4 –
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
Cruce (o recombinación)
t t + 1
mutación
reproducción
selección
Sistemas Difusos Tema 7
– 5 –
1.1.- Introducción.
El Ciclo de la Evolución.
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)
Cruce
Mutación
Selección
Reemplazamiento
PADRES
POBLACIÓN
DESCENDIENTES
Sistemas Difusos Tema 7
– 6 –
1.1.- Introducción.
Dominios de aplicación
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.
• ...
Generación de trayectorias
Planificación de sistemas de Producción
Optimización estructural
1 2 m 1 n Diseño de circuitos VLSI
Aprendizaje Clasificación
Control de procesos químicos
Sistemas Difusos Tema 7
– 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.
Sistemas Difusos Tema 7
– 8 –
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.
CCRROOMMOOSSOOMMAA
GGEENN AALLEELLOOSS=={{00,,11}}
Sistemas Difusos Tema 7
– 9 –
1.2.- ¿Cómo se construye un alg. genético?
1.2.1.1.- Representación Binaria.
• El fenotipo puede ser un número entero,
• El fenotipo puede ser un número real,
o Ejemplo: un número real entre 2.5 y 20.5 utilizando 8
dígitos binarios.
Genotipo
8 bits
Fenotipo
• Entero
• Número real
• Secuencia
• ...
• Cualquier otra?
Genotipo:
11**2277 ++ 00**2266 ++ 11**2255 ++ 00**2244 ++ 00**2233 ++ 00**2222 ++ 11**2211 ++ 11**2200 == 112288 ++ 3322 ++ 22 ++ 11 == 116633
= 163 Fenotipo:
( )1632.5 20.5 2.5 13.9609256
x = + − =
= 13.9609 Genotipo: Fenotipo:
Sistemas Difusos Tema 7
– 10 –
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:
1
2 , i
n
xx
X x R
x
= ∈
• La función de evaluación asocia a un vector un valor
real de evaluación:
: nf R 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.
Sistemas Difusos Tema 7
– 11 –
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
partir del genotipo es un
proceso obvio.
• En otras ocasiones el
genotipo puede ser un
conjunto de parámetros
para algún algoritmo, el
cual trabaja sobre los
datos de un problema para
obtener un fenotipo.
Datos de un Problema
Fenotipo
Algoritmo de obtención
Genotipo
(Codificación)
Sistemas Difusos Tema 7
– 12 –
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.
Sistemas Difusos Tema 7
– 13 –
Ejemplo: Mutación para representación binaria.
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
aleatoriamente.
1 1 1 1 1 1 1 antes
1 1 1 0 1 1 1 después
gen mutado
7 8 3 4 1 2 6 5
7 8 3 4 6 2 1 5
Sistemas Difusos Tema 7
– 14 –
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: . . .
1 1 1 1 1 1 1 0 0 0 0 0 0 0 padres
corte corte
1 1 1 0 0 0 0 0 0 0 1 1 1 1 descendientes
Sistemas Difusos Tema 7
– 15 –
Ejemplo: Cruce para representación real.
• Cruce uniforme (recombinación discreta):
• Cruce aritmético (recombinación aritmética):
Ejemplo: Cruce para representación de orden.
a d b f c e g h
F D G E H C B A a b C E d H g f
a d b f c e
F D E C B A
(a+A)/2 (b+B)/2 (c+C)/ (e+E)/2 (d+D)/2 (f+F)/2
↓
7 8 3 4 1 2 6 5 7 8 1 6 5 2 3 4
8 1 2
7, 3, 4, 6, 5
4, 3, 6, 7, 5
ordenar
7 8 5 4 1 2 3 6
Padre Padre
Hijo 1
Sistemas Difusos Tema 7
– 16 –
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
ii
jj
fpsf
=∑
• Los mejores individuos tienen:
o Más espacio en la ruleta.
o Más probabilidad de ser
seleccionados.
Mejor
Peor
Sistemas Difusos Tema 7
– 17 –
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.
Sistemas Difusos Tema 7
– 18 –
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.
Sistemas Difusos Tema 7
– 19 –
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.
Sistemas Difusos Tema 7
– 20 –
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
Funciones de escalado
Reglas Difusas
Funciones de pertenencia
Base de Conocimiento
Entrada escalada Fuzificación Motor de
inferencia Defuzificación Salida escalada
Procesamiento Difuso
Diseño Evolutivo
Sistemas Difusos Tema 7
– 21 –
2.- Diseño Evolutivo de Sistemas Difusos.
R1: Si X1 es Alto y X2 es Bajo -> Y es Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto ...
Interfaz de Fuzificación
Interfaz de Defuzificación
Base de Reglas
Base de Datos
Base de Conocimiento
Mecanismo de Inferencia
Bajo Medio
XBajo Medio Alto
XBajo Medio Alto
Y
Alto
Pre
defin
ida
Factores de escala
Predefinidos
Sistemas Difusos Tema 7
– 22 –
2.- Diseño Evolutivo de Sistemas Difusos.
Predefinida R1: Si X1 es Alto y X2 es Bajo -> Y es Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto ...
Interfaz de Fuzificación
Interfaz de Defuzificación
Base de Reglas
Base de Datos
Base de Conocimiento
Mecanismo de Inferencia
Bajo Medio
X1 Bajo Medio Alto
X2 Bajo Medio Alto
Y
Factores de escala
Alto
Pre
defi
nid
a
Sistemas Difusos Tema 7
– 23 –
2.- Diseño Evolutivo de Sistemas Difusos.
Predefinida R1: Si X1 es Alto y X2 es Bajo -> Y es Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto ...
Interfaz de Fuzificación
Interfaz de Defuzificación
Base de Reglas
Base de Datos
Base de Conocimiento
Mecanismo de Inferencia
Bajo Medio
XBajo Medio Alto
XBajo Medio Alto
Y
Factores de escala
Alto
Predefinidos
Sistemas Difusos Tema 7
– 24 –
2.- Diseño Evolutivo de Sistemas Difusos.
R1: Si X1 es Alto y X2 es Bajo -> Y es Medio R2: Si X1 es Bajo y X2 es Medio -> Y es Alto ...
Interfaz de Fuzificación
Interfaz de Defuzificación
Base de Reglas
Base de Datos
Base de Conocimiento
Mecanismo de Inferencia
Bajo Medio
XBajo Medio Alto
XBajo Medio Alto
Y
Alto
Factores de escala
Sistemas Difusos Tema 7
– 25 –
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).
Sistemas Difusos Tema 7
– 26 –
2.1.- SBRDs con aprendizaje genético de la Base de Reglas.
Aprendizaje genético de la Base de Reglas.
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.
PROCESO DEAPRENDIZAJE
Módulo deevaluación (BR)
Base de Reglas (BR)
Base de Datospredefinida
Sistemas Difusos Tema 7
– 27 –
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}
• Si en el antecedente de las reglas es necesario que
aparezcan todas las variables de entrada
(variable, etiqueta) (variable, etiqueta) ...
• Si en un cromosoma representamos toda una Base
de Reglas, generalmente se utilizará un esquema de
codificación de longitud variable.
2 6 9
2 6 9 1 6 8 1 ...
(2) (6)
(9)
R1: Si el Error es Cero y la Variación_Error es Positiva entonces la Potencia es Alta
R2 R1
1 2 3 9 Si Error es Cero entonces Potencia es Alta
Sistemas Difusos Tema 7
– 28 –
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 DEAPRENDIZAJE
Módulo deevaluación (BD)
Base de Datos (BD)
Base de Reglaspredefinida
Sistemas Difusos Tema 7
– 29 –
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.
Sistemas Difusos Tema 7
– 30 –
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.).
Sistemas Difusos Tema 7
– 31 –
2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo.
- 0.5 0.5 0.5 0 0 1 1 1.5 -0.5 0.5 0.5 0.5 0 0 1 1 1.5
- 0.5 0.5 0.5 0 0.2 0.7 1 1.5 -0.35 0.3 0.5 0.5 0 0.3 0.7 1 1.5
Bajo
Bajo Bajo
Bajo
Medio
Medio
Medio
Medio
Alto
Alto
Alto
Alto
X
X Y
Y
R1: Si X1 es Bajo entonces Y es Alto R2: Si X1 es Medio entonces Y es Medio . . .
La Base de Reglas Difusas permanece intacta!!
Sistemas Difusos Tema 7
– 32 –
2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo.
Operador de cruce
¿Válido para la representación utilizada?
1 0 1 1 1 0 0 1 1 0
0 0 0 0 1 1 1 1 0 0
1 0 1 0 1 1 1 1 0 0
0 0 0 1 1 0 0 1 1 0
0 0.35 0.4 0.6 ...
-0.3 –0.1 0 0.2 ...
0 0.35 0 0.2 ...
-0.3 –0.1 0.4 0.6 ...
¡Error!
Sistemas Difusos Tema 7
– 33 –
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.
Sistemas Difusos Tema 7
– 34 –
2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo.
Operador de Mutación
¿Válido para la representación utilizada?
0.2 0.35 0.4 ...
0.2 0 0.4 ...
¡Error!
1 0 1 1 1 0 0 1 1 0
1 0 1 1 1 1 0 1 1 0
Sistemas Difusos Tema 7
– 35 –
2.2.- SBRDs con ajuste genético de la Base de Datos. Ejemplo.
Operador de Mutación.
Alternativas:
• Mutación aleatoria dentro del rango de
variación:
siendo X un número aleatorio perteneciente a
(0.2, 0.4).
• Construir de nuevo el conjunto difuso completo
(los tres parámetros).
0.2 0.35 0.4 ... 0.2 X 0.4 ...
Sistemas Difusos Tema 7
– 36 –
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).
Sistemas Difusos Tema 7
– 37 –
2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR.
Aprendizaje inicial de la Base de Reglas y aprendizaje posterior de la Base de Datos
PROCESO DEAPRENDIZAJE 1
Base de Reglas (BR)
Módulo deevaluación (BR)
Base deDatospredefinida
PROCESO DEAPRENDIZAJE 2
Base deReglasdefinitiva
Base deDatos
Módulo deevaluación (BR)
Sistemas Difusos Tema 7
– 38 –
2.3.- SBRDs con aprendizaje genético de la Base de Conocimiento = BD + BR.
Aprendizaje de la Base de Conocimiento
• Elementos a codificar en un cromosoma:
o Factores de escala
o Funciones de pertenencia
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.
PROCESO DEAPRENDIZAJE
Módulo deevaluación (BC)
Base deDatos
Base deReglas
Base de Conocimiento
Codificación con longitud fija o variable
Sistemas Difusos Tema 7
– 39 –
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}
R1: Si el Error es Negativo entonces Potencia es Alta
R2: ...
0 0 0.5 0.3 0.5 0.8
Error Potencia
Reglas
0.8 1 1.3 0 0 0.3 0.2 0.5 0.8 0.7 1 1 1 5 9 ...
Sistemas Difusos Tema 7
– 40 –
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.
Aprendizaje de la Base de Conocimiento mediante
la derivación genética de la Base de Datos
PROCESO DEAPRENDIZAJE 1
Base deDatos
Base deReglas
Módulo de evaluación(Base de Datos yBase de Reglas)
PROCESO DEAPRENDIZAJE 2