BME VIK - Fuzzy rendszerek és genetikus algoritmusok

3. A tantárgyfelelős személy és tanszék Dr. Lantos Béla,

4. A tantárgy előadója

Név:	Beosztás:	Tanszék, Int.:
Dr. Lantos Béla	egyetemi tanár	Irányítástechnika és Informatika
Harmati István	egyetemi tanársegéd	Irányítástechnika és Informatika

5. A tantárgy az alábbi témakörök ismeretére épít

6. Előtanulmányi rend

Ajánlott:

nincs

7. A tantárgy célkitűzése

Az intelligens rendszerek modellezésére, a szakértői tudás ábrázolására, irányítási és képfeldolgozási algoritmusok kifejlesztésére és megvalósítására egyre terjednek a fuzzy módszerek. A relációk és rendszerparaméterek optimális megválasztása (tanulás, adaptivitás) globális optimalizálási feladat, amelynek megoldására jól használhatók a genetikus algoritmusok. A tárgy e korszerű soft computing módszerek elméleti alapjainak és alkalmazástechnikájának bemutatását tűzte ki célul.

8. A tantárgy részletes tematikája

I. Fuzzy rendszerek alapjai (1-3. hét)

Fuzzy halmazok, elterjedt T,S,C-normák, halmazműveletek. Direkt szorzat, reláció, összekapcsolás, kompozíció. Függvény fuzzyfikálása, fuzzy dinamikus rendszerek. Fuzzy logika. Elterjedt következtetési típusok (Kleene-Dienes, Lukasiewicz, Zadeh, Gödel, Sharp, Mamdani implikáció). Adatillesztés relációkhoz, következtetési algoritmusok típusai. Fuzzy logikai szabályozó (FLC) felépítése, defuzzyfikációs módszerek. Klasszikus szabályozók fuzzy változatai (MacVicar-Whelan mataszabályok, PD és PI jellegű FLC). Fölérendelt fuzzy szakértő. Fuzzy toolboxok MATLAB környezetben. Alkalmazási példák (szintszabályozás, invertált inga, robot irányítása fölérendelt fuzzy szakértővel).

II. Genetikus algoritmusok alapjai (4. hét)

Genetikai alapfogalmak. Genetikus algoritmusok elméleti alapjai. Fitness függvények, szelekciós módszerek. Rekombináció bináris és real populációk esetén. Mutáció, visszahelyettesítés, migráció. Genetikus toolboxok. Genetikus algoritmusok tesztelése. Alkalmazástechnikai szempontok, korlátozások figyelembe vétele.

III. Optimalizálási módszerek (5. hét)

Az optimum analitikus feltételei. Optimumkeresési technikák (gradiens, konjugált gradiens, Newton, kvázi Newton módszerek). Lineáris és nemlineáris paraméterbecslés.

IV. Statisztikus struktúra tesztek (6. hét)

Statisztikus struktúra tesztek Sugeno rendszerek esetén. Illesztési mértékek és számításuk QR felbontással. A szabálybázi meghatározásának algoritmusa. A MEGLGN (mixture of experts with Gaussian localized networks) sztochasztikus módszer.

V. Adaptív fuzzy rendszerek (7-10. hét)

Fuzzy rendszerek alkalmazásai. Klaszterezés és függvényapproximáció, Wang tétele. Nemlineáris dinamikus rendszerek identifikációja. Indirekt (modellen alapuló) és direkt (modellt nem igénylő) adaptív fuzzy irányítás stabilitási garanciák mellett. Adaptív fuzzy irányítások lineáris és nemlineáris optimalizálási problémái.

Relációk optimális megválasztása evolúciós algoritmussal.

VI. Neuro-fuzzy rendszerek (11. hét)

Adaptív hálózatok. Fuzzy rendszer konvertálása neurális hálózattá, ANFIS. Hibrid tanítás LS és hibavisszaterjesztő technikával.

VII. Fuzzy approximáció szinguláris érték felbontással (12. hét)

Raszterpont háló felett adott függvény approximációs feladatának megfogalmazása. SVD megoldás kétváltozós esetben, az SN és NN feltétel betartása. Általánosítás több változóra.

VIII. Multikritériumú genetikus algoritmusok (13-14. hét)

Multikritériumú optimalizálási feladatok, Pareto-dominancia, preferencia illesztések.

Multikritériumú döntéshozatal, Fleming-Fonseca stratégia, preferálhatósági reláció, korlátozás kielégítés. Populáció rangsorolás, multikritériumú költség tájképe, fitness hozzárendelés, fülkés indukciós módszerek, finess megosztás, paraméterválasztás. Multikritériumú genetikus algoritmus felépítése. Alkalmazási példa.

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

(előadás, gyakorlat, laboratórium):

A tantárgy előadásból áll, amelynek anyagába beillesztésre kerülnek az elméletet magyarázó illusztrációs példák és esettanulmányok.

10. Követelmények

a. A szorgalmi időszakban:

1 zárthelyi, vizsgába beszámít (20%). Az aláírás feltétele legalább elégséges osztályzat a ZH-ra.

A vizsgára bocsátás feltétele: aláírás.

b. A vizsgaidőszakban:

írásbeli vizsga;

11. Pótlási lehetőségek

Sikertelen nagy ZH egyszer pótolható a szorgalmi időszakban vagy egy alkalommal a vizsgaidőszak harmadik hetének végéig.

12. Konzultációs lehetőségek

Hallgatói igény esetén a ZH, pót ZH és vizsgák előtt az oktatóval egyeztetett időpontban.

13. Jegyzet, tankönyv, felhasználható irodalom

Lantos Béla: Fuzzy systems and genetic algorithms. Műegyetemi Kiadó, 2002.

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontakt óra	56
Félévközi készülés órákra	30
Felkészülés zárthelyire	32
Vizsgafelkészülés	32
Összesen	150

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Dr. Lantos Béla	egyetemi tanár	Irányítástechnika és Informatika