Laskuharjoitus 9 AS Automaation signaalinkäsittelymenetelmät Sumea säätö Geneettiset algoritmit
Sumeat joukot Sumeassa logiikassa binääriset joukot korvataan sumeilla joukoilla –Alkiot voivat saada muitakin arvoja kuin 0 tai 1 Kielelliset muuttujat kuvaavat joukkoja –Pieni / Keskikokoinen / Suuri –Hidas / Keskinkertainen / Nopea Jäsenyysfunktiot kuvaavat suureiden kuulumista sumeisiin joukkoihin
Sumea säätö Päätöksen- tekologiikka Sumeu- tus Selkey- tys Pro- sessi täsmällinen mittaus sumea mittaussumea ohjaus täsmällinen ohjaus Sääntö- kanta jäsenyys- funktio esim. painopiste
Sääntökannat Sääntökanta kuvaa joukkojen keskinäisiä suhteita AND-operaation sumea vastine yleisessä muodossa nimeltään T-normi OR-operaation vastine S-normi
Sumeuden poisto (defuzzication) Erilaisia menetelmiä Sumea ulostulo: SOM MOM LOM Centroid
Päätöspinta Loppujen lopuksi sumealla logiikalla luodaan sääntöjä sisääntulojen ja ulostulojen välille Sisääntulojen ja ulostulojen suhde pystytään esittämään kuvaajana Kahden sisääntulon ja yhden ulostulon tapauksessa kuvaaja on pinta = Päätöspinta
Fuzzy Logic Toolbox Matlabissa oleva sumean logiikan käsittelyyn tarkoitettu osa Työkalu sumeiden sääntökantojen rakentamiseen Toimii myös yhdessä Simulinkin kanssa –Kuvaajaan lohko, joka sisältää sumean päättelyyn
Geneettiset algoritmit (GA) Adaptiivisia metodeja Käytetään optimointiongelmien ratkaisemiseen Tehokkaita –ratkaisun etsintä suurella populaatiolla –ratkaisun etsintä parametri-avaruuden eri osista yhtäaikaa
Geneettisen algoritmin toiminta 1)Populaation luonti –Kaikki yksilöt (kromosomit) ovat jonkin asteisia ratkaisuja kyseiselle ongelmalle –Kromosomi koostuu yhdistetyistä geeneistä –Geenit normaalisti bittijonoja 2)Populaation yksilöille hyvyysarvot –Hyvyysfunktio ongelmakohtaisesti
Geneettisen algoritmin toiminta 3)Pariutuminen –Populaatiosta valitaan yksilöitä pariutumaan pariutusjoukkoon –Hyvillä yksilöillä suuri hyvyysarvo kopioituvat usein –Valinta-algoritmeja 1.Roulett 2.Tournament 3.Rank
Geneettisen algoritmin toiminta 4)Cross-over –Pariutumisjoukosta satunnaisesti kaksi yksilöä –Cross-over Tietyllä todennäköisyydellä –Mutaatio Pieni todennäköisyys 5)Uusi sukupolvi –Jälkeläiset + osa vanhemmista muodostavat uuden sukupolven
Rinnakkaiset geneettiset algoritmit Työläismalli –Rinnakkaisia prosessoreita Siirtolaismalli –Alipopulaatiot kehittyvät pääasiassa itsenäisesti –Vaihtavat yksilöitä tietyin väliajoin Diffuusiomalli –Populaation kromosomit omissa prosesseissaan –Voivat olla tekemisissä rajoitettujen naapureiden kanssa