بهینه‌سازی ساختار الگوریتم درخت مدل خطی محلی با استفاده از الگوریتم بهینه‌سازی حدی

محورهای موضوعی : انرژی های تجدیدپذیر

خلیل شریفی ¹ , محمدرضا احمدزاده ²

1 - کارشناس ارشد/دانشگاه آزاد اسلامی واحد نجف آباد
2 - استادیار /دانشگاه صنعتی اصفهان

تاریخ دریافت : 1388/07/09 تاریخ پذیرش : 1390/02/09 تاریخ انتشار : 1390/02/11

کلید واژه: مدل عصبی - فازی, شناسایی سیستم غیرخطی, درخت مدل خطی, الگوریتم بهینه سازی حدی (EO),

چکیده مقاله :

درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل می‌باشد که در آن حل مسئله پیچیده از طریق تقسیم مسئله به تعدادی زیر مسئله کوچک‌تر (و از این رو ساده‌تر) صورت می‌پذیرد. بنابراین مشخصات این مدل فازی- عصبی (زیرمسئله‌های کوچک‌تر شده) به مقدار زیادی به ساختار الگوریتم به کار برده شده جهت تقسیم‌بندی وابسته می‌باشد. الگوریتم LOLIMOT برای رسیدن به خروجی با خطای کمتر فضای مسئله را به تعدادی مدل خطی محلی یا LLM تقسیم می‌نماید و پس از پیدا کردن بدترین LLM (LLM با خطای بیشتر) با تقسیم آن به دو LLM الگوریتم را ادامه می‌دهد. در این الگوریتم در هر تکرار از آن بدترین LLM با نرخ تقسیم 1/2 در جهت‌های متعامد بر فضای ورودی تقسیم می‌شود. در این مقاله به کمک الگوریتم بهینه‌سازی حدی به بهینه‌سازی نرخ تقسیم می‌پردازیم، نتایج پیاده سازی حاکی از آن است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص میانگین مربعات خطا بهتر از الگوریتم اولیه است.

چکیده انگلیسی:

Locally Linear Model Tree (LOLIMOT) algorithm proposed by Nelles deals with local linear nearo-fuzzy models that is based on divides-and-conquer strategy that a complex modeling problem is divided to a number of smaller and thus simpler sub problems. So the characteristic of such a neuro-fuzzy model depends on division strategy for the original complex problem. For finding the best output the algorithm divides the problem to a number of local linear models (LLMs) , then continues with finding the worst LLM and dividing it. LOLIMOT splits the local linear models into two equal halves with an axis-orthogonal decomposition strategy. In this paper a new approach based on extremeal optimization (EO) is used to optimize the structure of LOLIMOT. Simulation results show the effectiveness of the enhanced LOLIMOT to have a higher precision with optimal number of neurons.