Luận văn thạc sĩ giải pháp kết hợp công nghệ tính toán mềm với phương pháp lập luận mờ dựa trên đại số gia tử có tham số hiệu chỉnh​

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG DƯƠNG VĂN HẢI GIẢI PHÁP KẾT HỢP CƠNG NGHỆ TÍNH TỐN MỀM VỚI PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ CÓ THAM SỐ HIỆU CHỈNH LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN - 2017 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG DƯƠNG VĂN HẢI GIẢI PHÁP KẾT HỢP CƠNG NGHỆ TÍNH TỐN MỀM VỚI PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ CÓ THAM SỐ HIỆU CHỈNH Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS NGUYỄN DUY MINH THÁI NGUYÊN - 2017 i LỜI CAM ĐOAN Tôi xin cam đoan luận văn tơi thực hiện, hướng dẫn khoa học TS Nguyễn Duy Minh Số liệu kết nghiên cứu luận văn hoàn toàn trung thực chưa sử dụng để bảo vệ cơng trình khoa học nào, thơng tin, tài liệu trích dẫn luận văn rõ nguồn gốc Tôi hồn tồn chịu trách nhiệm tính pháp lý q trình nghiên cứu khoa học luận văn Thái Nguyên, tháng năm 2017 Tác giả Dương Văn Hải ii LỜI CẢM ƠN Trước hết, em xin gửi lời cảm ơn chân thành đến người hướng dẫn khoa học - TS Nguyễn Duy Minh, thầy định hướng nhiệt tình hướng dẫn, giúp đỡ em trình làm luận văn Em xin gửi lời biết ơn sâu sắc đến quý thầy cô giáo trường Đại học Công nghệ thông tin Truyền thông; thầy giáo, cô giáo Viện Công nghệ thông tin thuộc Viện hàn lâm Khoa học Công nghệ Việt Nam truyền đạt kiến thức kinh nghiệm quý báu cho chúng em thời gian học tập Xin chân thành cảm ơn bạn bè, đồng nghiệp, bạn học viên lớp cao học CK14A, người thân gia đình động viên, chia sẻ, tạo điều kiện giúp đỡ suốt trình học tập làm luận văn Thái Nguyên, tháng năm 2017 Tác giả Dương Văn Hải iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN .ii MỤC LỤC .iii DANH MỤC BẢNG v DANH MỤC HÌNH vi DANH MỤC CHỮ VIẾT TẮT vii MỞ ĐẦU Chương MỘT SỐ KIẾN THỨC CƠ BẢN 1.1 Tổng quan Cơng nghệ tính tốn mềm .3 1.1.1 Giới thiệu Cơng nghệ tính tốn mềm .3 1.1.2 Logic mờ .4 1.1.3 Mạng nơron nhân tạo 1.1.4 Mạng nơron RBF 14 1.1.5 Giải thuật di truyền .17 1.2 Đại số gia tử .23 1.2.1 Đại số gia tử biến ngôn ngữ 23 1.2.2 Độ đo tính mờ ánh xạ định lượng ngữ nghĩa 25 1.3 Phương pháp lập luận mờ 31 1.3.1 Mơ hình mờ 31 1.3.2 Phương pháp lập luận mờ đa điều kiện 32 1.4 Kết luận chương 34 Chương GIẢI PHÁP KẾT HỢP CÔNG NGHỆ TÍNH TỐN VỚI PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐSGT .35 2.1 Phương pháp lập luận mờ sử dụng đại số gia tử 35 2.2 Khái niệm ngưỡng hiệu chỉnh giá trị định lượng ngữ nghĩa 38 2.2.1 Vấn đề hiệu chỉnh định lượng ngữ nghĩa 38 iv 2.2.2 Khái niệm ngưỡng hiệu chỉnh định lượng ngữ nghĩa 38 2.2.3 Phân tích ảnh hưởng tham số hiệu chỉnh 41 2.3 Thuật tốn xác định mơ hình định lượng ngữ nghĩa tối ưu 42 2.4 Giải pháp kết hợp cơng nghệ tính tốn mềm phương pháp lập luận mờ sử dụng đại số gia tử 45 2.4.1 Các yếu tố ảnh hưởng đến phương pháp lập luận mờ sử dụng đại số gia tử 45 2.4.2 Giải pháp cho phương pháp lập luận mờ sử dụng đại số gia tử 46 2.4.3 Giải pháp sử dụng giải thuật di truyền 48 2.4.4 Giải pháp kết hợp cơng nghệ tính toán mềm phương pháp lập luận mờ sử dụng đại số gia tử 49 2.5 Tổng kết chương 50 Chương ỨNG DỤNG PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ VỚI MƠ HÌNH ĐỊNH LƯỢNG NGỮ NGHĨA TỐI ƯU 52 3.1 Mơ tả số tốn lập luận mờ .52 3.1.1 Bài toán 1: Xấp xỉ mơ hình mờ EX1 Cao-Kandel 52 3.1.2 Bài tốn 2: Mơ hình máy bay hạ độ cao Ross 53 3.2 Cài đặt thử nghiệm số toán lập luận mờ 56 3.2.1 Ứng dụng phương pháp RBF_GA_HAR cho toán 56 3.2.2 Ứng dụng phương pháp RBF_GA_HAR cho toán 60 3.3 Kết luận chương 64 KẾT LUẬN 65 TÀI LIỆU THAM KHẢO 66 v DANH MỤC BẢNG Bảng 1.1 Các hàm f(.) thường sử dụng Bảng 1.2 Các hàm kích hoạt a(.) thường sử dụng 10 Bảng 1.3 Ví dụ tính âm dương gia tử 24 Bảng 3.1 Mơ hình EX1 Cao-Kandel 52 Bảng 3.2 Các kết xấp xỉ EX1 tốt Cao-Kandel 53 Bảng 3.3 Miền giá trị biến ngôn ngữ 54 Bảng 3.4 Mơ hình mờ (FAM) 56 Bảng 3.5 Mơ hình SAM gốc - xấp xỉ mơ hình EX1 58 Bảng 3.6 Mơ hình SAM(PAR) - xấp xỉ mơ hình EX1 58 Bảng 3.7 Sai số lớn phương pháp mơ hình EX1 60 Bảng 3.8 Mơ hình SAM(PAR) - mơ hình máy bay hạ độ cao 62 vi DANH MỤC HÌNH Hình 1.1 Một mạng nơron đơn giản gồm hai nơron Hình 1.2 Mơ hình nơron nhân tạo Hình 1.3 Một số liên kết đặc thù mạng nơron 11 Hình 1.4 Học có giám sát 13 Hình 1.5 Học khơng có giám sát 13 Hình 1.6 Cấu trúc chung trình học 13 Hình 1.7 Cấu trúc mạng RBF 14 Hình 1.8 Minh họa lai ghép 18 Hình 2.1 Các khoảng mờ X1 39 Hình 2.2 Khoảng mờ J(y) phân hoạch 40 Hình 2.3 Khoảng mờ J(x) J(y) 40 Hình 2.4 Sơ đồ huấn luyện mạng 48 Hình 3.1 Đường cong thực nghiệm mơ hình EX1 53 Hình 3.2 Paraboll quan hệ h v 54 Hình 3.3 Hàm thuộc tập mờ biến h 55 Hình 3.4 Hàm thuộc tập mờ biến v 55 Hình 3.5 Hàm thuộc tập mờ biến f 55 Hình 3.6 Kết xấp xỉ mơ hình EX1 Cao-Kandel 59 Hình 3.7 Quỹ đạo hạ độ cao mơ hình máy bay 66 ĐSGT PPLLM GA RBF FMCR FAM SAM HAR OpPAR OpHAR OPHA MỞ ĐẦU Khoa học ngày phát triển có nhiều thiết bị máy móc hỗ trợ cho đời sống người Các thiết bị máy móc “thơng minh” thay sức lao động thiết bị dạng dường đích mà người vươn tới Như vậy, nhu cầu thiết yếu sống tạo máy móc hành xử giống với người Hay nói cách khác máy phải biết suy luận để đưa định đắn Người tiên phong lĩnh vực Zadeh [11] Trong cơng trình ơng mơ tả cách tốn học khái niệm mơ hồ mà ta thường gặp sống như: cao, thấp; đúng, sai tập mờ Nhờ việc xây dựng lý thuyết tập mờ mà người suy diễn từ khái niệm mơ hồ đến khái niệm mơ hồ khác mà thân logic kinh điển không làm Trên sở thông tin khơng xác thu được, người ta đưa định hiệu cho tình toán Tuy nhiên, phương pháp lập luận người vấn đề phức tạp khơng có cấu trúc Vì kể từ lý thuyết tập mờ đời nay, chưa có sở lý thuyết hình thức chặt chẽ theo nghĩa tiên đề hoá cho logic mờ lập luận mờ Để đáp ứng phần nhu cầu xây dựng sở tốn học cho việc lập luận ngơn ngữ, N.Cat Ho Wechler [1], [8] đề xuất cách tiếp cận dựa cấu trúc tự nhiên miền giá trị biến ngôn ngữ, cơng trình, tác giả rằng, giá trị biến ngôn ngữ thực tế có thứ tự định mặt ngữ nghĩa, ví dụ ta hồn tồn cảm nhận rằng, ‘trẻ’ nhỏ ‘già’, ‘nhanh’ lớn ‘chậm’ Với việc định lượng từ ngôn ngữ đại số gia tử (ĐSGT), số phương pháp lập luận nội suy đời nhằm mục đích giải toán lập luận mờ đa điều kiện, toán ứng dụng nhiều tự nhiên, kỹ thuật, phương pháp lập luận gọi phương pháp lập luận mờ sử dụng ĐSGT Tuy nhiên thực phương pháp lập luận số tồn tại: Với việc hạn chế độ sâu giá trị ngơn ngữ, ta hồn tồn hiệu chỉnh định lượng ngữ nghĩa giá trị ngôn ngữ mà bảo toàn thứ tự chúng Và mục tiêu tìm giá trị hiệu chỉnh định lượng ngữ nghĩa hợp lý giá trị ngôn ngữ độ sâu giá trị ngôn ngữ giới hạn i) 53 Hình 3.1 Đường cong thực nghiệm mơ hình EX1 Phương pháp PP Cao-Kandel với toán tử kéo theo 5* PP Cao-Kandel với toán tử kéo theo 22* PP Cao-Kandel với toán tử kéo theo PP Cao-Kandel với toán tử kéo theo 25 PP Cao-Kandel với toán tử kéo theo 31 Bảng 3.2 Các kết xấp xỉ EX1 tốt Cao-Kandel [10] 3.1.2 Bài tốn 2: Mơ hình máy bay hạ độ cao Ross Xét toán mơ hình máy bay hạ độ cao Ross [8], có phương trình động học rời rạc hóa phi đơn vị công thức 3.2 h(i+1) = h(i)+v(i); v(i+1) = v(i)+f(i) đó: v(i) đại lượng vector vận tốc thời điểm i; h(i) độ cao thời điểm i; f(i) đại lượng vector lực điều khiển thời điểm i Quan hệ vận tốc v(i) độ cao h(i) thể qua quĩ đạo Paraboll Hình 3.2 54 Hình 3.2 Paraboll quan hệ h v Vận tốc hạ cánh tối ưu độ cao h là: v0= -(20/(1000)2)/h2 (3.3) Sai số tốc độ hạ cánh qua k chu kì điều khiển là: e = (∑k= (v0 i −vi ) )1/2 (3.4) i e sai số, v0i, vi vận tốc tối ưu vận tốc chu kỳ i ứng với h(i) Yêu cầu tốn là: Tính tốn lực f mơ hình máy bay hạ độ cao từ 1000 ft, với vận tốc ban đầu máy bay −20 ft/s Theo phương pháp lập luận mờ (FMCR) [8], Ross xây dựng nhãn tập mờ cho biến độ cao, vận tốc lực điều khiển Bảng 3.3 Độ cao máy bay (h = -1000) NZh - NearZero Sh – Small Mh - Medium Lh – Large Bảng 3.3 Miền giá trị biến ngôn ngữ Hàm thuộc tập mờ biến h, v, f biểu thị Hình 3.3, 3.4, 3.5 55 Hình 3.3 Hàm thuộc tập mờ biến h Hình 3.4 Hàm thuộc tập mờ biến v Hình 3.5 Hàm thuộc tập mờ biến f Tập luật mờ xác định nhờ kinh nghiệm chun gia thể mơ hình mờ (FAM) Bảng 3.4 trích từ tài liệu [8] 56 Độ cao (h) Lh Mh Sh NZh Bảng 3.4 Mơ hình mờ (FAM) Kết lập luận đầu mơ hình máy bay hạ độ cao Ross [8] sử dụng phương pháp lập luận mờ đa điều kiện (FMCR) qua chu kỳ tổng hợp Bảng 3.4 Xác định sai số toán qua chu kỳ: eFMCR = (∑4= (v0 i ( F ) − vi ( F)) )1/2 = 7.15 (3.5) i đó: eFMCR tổng sai số tốc độ hạ độ cao mơ hình máy bay; vi0(F) vận tốc hạ độ cao tối ưu chu kỳ i; vi(F) vận tốc hạ độ cao chu kỳ i 3.2 Cài đặt thử nghiệm số toán lập luận mờ Phương pháp lập luận RBF_GA_HAR phát biểu đầy đủ Mục 2.4 Chương Trong mục ta tập trung vào bước phương pháp để giải tốn mơ hình mờ 1) Xác định tốn mơ hình tốn CM; 2) Lập luận đầu phương pháp RBF_GA_HAR Sử dụng RBF_GA_HAR xác định mô hình sai số tốn đánh giá hiệu giải số toán giới thiệu Mục 3.1 3.2.1 Ứng dụng phương pháp RBF_GA_HAR cho tốn Input: - Mơ hình mờ thể Bảng 3.1 bao gồm luật - Trong gồm biến ngơn ngữ (N, I) tương ứng với ĐSGT 57 Output: Giá trị đầu (N) tương ứng với giá trị đầu vào (I) Action: Sử dụng phương pháp RBF_GA_HAR để xấp xỉ mơ hình EX1 Cao-Kandel Step 1: Xây dựng ĐSGT cho biến ngôn ngữ Xây dựng ĐSGT AI cho biến I AN cho biến N gồm: - Tập phần tử sinh: {Small, Medium, Lagre} - Tập gia tử: {Litle, Very} Chuyển giá trị ngôn ngữ mơ hình mờ sang giá trị ngơn ngữ ĐSGT cho biến I N sau - Đối với biến I: Null →VeryVery Small; Zero → VerySmall; Small → Small; Medium → Medium; Large→ Large; VeryLarge → VeryLarge - Đối với biến N: Zero→ VerySmall; Small→Small; Medium→ Medium; Large→ Large; VeryLarge→ VeryLarge Step 2: Các tham số ĐSGT xác định trực giác sau fmI(Small) = 0.5; fmN(Small) = 0.5; µN(Very) = 0.5; µI(Very) = 0.5 Sử dụng hàm định lượng ngữ nghĩa, ta có: - Đối với biến I ta có: νI(VeryVerySmall) = 0.0625; νI(VerySmall) = 0.125; νI(Small) = 0.25; νI(Medium) = 0.5; νI(Large) = 0.75; νI(VeryLarge) = 0.875 - Đối với biến N ta có: νN(VerySmall) = 0.125; νN(Small) = 0.25; νN(Medium) = 0.5; νN(Large) = 0.75; νN(VeryLarge) = 0.875 58 Áp dụng Định lý 2.1 xác định ngưỡng hiệu chỉnh giá trị ngôn ngữ - Đối với biến I: có độ sâu k = 3, ngưỡng hiệu chỉnh định lượng ngữ nghĩa εI = 0.03125 - Đối với biến N: có độ sâu k = 2, ngưỡng hiệu chỉnh định lượng ngữ nghĩa εN = 0.0625 Chuyển đổi mơ hình FAM sang mơ hình SAM, Bảng 3.5 Is Ns Bảng 3.5 Mơ hình SAM gốc - xấp xỉ mơ hình EX1 Như có 11 tham số hiệu chỉnh khác ảnh hưởng tới phương pháp lập luận mờ sử dụng ĐSGT toán Bộ tham số hiệu chỉnh giá trị định lượng ngữ nghĩa là: OpPAR ={δIi, i =1,…,6; δNi, i =7,…,11} với điều kiện: |δIi| < 0.03125 với i = 1, ,6 cho biến I |δNi| < 0.0625 với i = 7, ,11 cho biến N Mơ hình định lượng ngữ nghĩa chứa tham số hiệu chỉnh SAM(PAR) Bảng 3.6 Is Ns + δI1 δN7 Bảng 3.6 Mơ hình SAM(PAR) – xấp xỉ mơ hình EX1 Step 3: Sử dụng mạng nơ ron RBF gồm đầu vào đầu ra, điểm mô hình SAM sử dụng làm tâm tập mẫu huấn luyện mạng Mạng huấn luyện theo thuật toán huấn luyện đề cập chương Step 4: Xác định đầu - Trước hết ta cho đầu vào giá trị I từ đến 10 với bước nhảy 0.5 59 - Định lượng giá trị thực giải định lượng thực theo Công thức 2.1 2.2 với: s0 = 0.0625+δI1, s1 = 0.875 +δI6 x0 = 0, x1 = 10 cho biến I s0 = 0.875 +δN7, s1 = 0.125+δN11 x0 = 2000, x1 =480 cho biến N Sử dụng giải thuật di truyền đề cập Mục1.1.5 chương 1, cực tiểu hàm e (Công thức 3.1) với số hệ 300, xác suất lai ghép 0.80; xác suất đột biến 0.05; kích cỡ quần thể 40; kích thước cá thể 10 Qua số lần chạy thử MATLAB, ta xác định PAR kết xấp xỉ mơ hình EX1 Cao-Kandel là: PAR={-0.031006;0.011455;0.028501;0.014205;-0.004979; -0.031006;-0.059445;0.016312;0.061034;0.052969;-0.056024} e(EX1, OPHA) = 37.901974 Trong phương pháp tối ưu tham số tối ưu [8] có kết là: e(EX1) = 62 Hình 3.6 Kết xấp xỉ mơ hình EX1 Cao-Kandel 60 Hình 3.6 đường cong xấp xỉ mơ hình EX1 Cao-Kandel phương pháp lập luận với tham số tối ưu tài liệu [7] phương pháp lập luận mờ dựa vào ĐSGT với tham số hiệu chỉnh tối ưu (RBF_GA_HAR) Phương pháp Phương pháp Cao-Kandel với toán tử kéo theo 5* [10] Phương pháp Cao-Kandel với toán tử kéo theo 22* [10] Phương pháp Cao-Kandel với toán tử kéo theo [10] Phương pháp Cao-Kandel với toán tử kéo theo 25 [10] Phương pháp Cao-Kandel với toán tử kéo theo 31 [10] Phương pháp lập luận mờ sử dụng ĐSGT (HAR) [7] Phương pháp tối ưu tham số [7] Phương pháp lập luận RBF_GA_HAR Bảng 3.7 Sai số lớn phương pháp mơ hình EX1 Nhận xét ứng dụng 2.1: Từ Hình 3.6 ta thấy phương pháp lập luận RBF_GA_HAR bám sát đường cong thực nghiệm Cao-Kandel - Mặt khác từ Bảng 3.7, sai số lớn mơ hình xấp xỉ EX1 sử dụng phương pháp lập luận RBF_GA_HAR nhỏ (Công thức 3.1) so với phương pháp lập luận tối ưu tham số [7] kết thử nghiệm Cao-Kandel - 3.2.2 Ứng dụng phương pháp RBF_GA_HAR cho toán Sau ta sử dụng phương pháp RBF_GA_HAR điều khiển mơ hình máy bay hạ độ cao, bước tiến hành sau: 61 Action: Step 1: Xây dựng ĐSGT AX chung cho biến ngôn ngữ độ cao h, vận tốc v lực điều khiển f với tập phần tử sinh Small, Medium, Large, tập gia tử gồm Little Very Step 2: Các tham số ĐSGT xác định trực giác sau: fm(Small) = 0.5; fm(Large) = 0.5; µ(Litle) = 0.5; µ(Very) = 0.5 Mơ hình SAM gốc tính tốn Bảng 3.5 ta thấy rằng: - Biến ngơn ngữ độ cao h có giá trị ngôn ngữ NZ→VeryVerySmall, S→Small, M→Medium, L→LittleLarge, giá trị ngơn ngữ có độ sâu k = 3, theo Định lý 2.1 ngưỡng hiệu chỉnh 0.0375 giá trị định lượng giá trị ngôn ngữ xác định sau: νh(VeryVerySmall) = 0.0625+δh1, νh(Small) = 0.25+ δh2; νh(Medium) = 0.5+ δh3; νh(LittleLarge) = 0.625+ δh4 - Biến ngơn ngữ vận tốc v có giá trị ngôn ngữ DL→VerySmall, DS→LittleSmall, Z→Medium, US→Large, UL→VeryLarge giá trị ngơn ngữ có độ sâu k = 2, theo Định lý 2.1 ngưỡng hiệu chỉnh 0.0625 giá trị định lượng giá trị ngôn ngữ xác định sau: νv( VerySmall) = 0.125+δv5, νv( LittleSmall) = 0.375+ δv6; νv(Medium) = 0.5+ δv7; νv( Large) = 0.675+ δv8; νv( VeryLarge) = 0.875+ δv9 Biến ngơn ngữ lực điều khiển f có giá trị ngôn ngữ DL→VerySmall,DS→LittleSmall, Z→Medium, US→Large, UL→VeryLarge giá trị ngơn ngữ có độ sâu k = 2, theo Định lý 2.1 ngưỡng hiệu chỉnh 0.0625 giá trị định lượng giá trị ngôn ngữ xác định sau: - νf(VerySmall) = 0.125+δf10, νf(LittleSmall) = 0.375+ δf11; νf(Medium) = 0.5+ δf12; νf( Large) = 0.675+ δf13; νf( VeryLarge) = 0.875+ δf14 Như tham số hiệu chỉnh định lượng ngữ nghĩa là: PAR={δhi, i =1,…4;δvi, i =5,…,9; δfi ; i =10, ,14}; 62 với điều kiện ràng buộc: |δhi | < 0.0375; i = 1, ,4 biến h; |δvi | < 0.0625; i = 5, ,9 biến v; |δfi | < 0.0625; i = 10, ,14 biến f Khi mơ hình SAM(PAR) xác định Bảng 3.8 vs hs 0.625+δh1 0.5+δh2 0.25+δh3 0.0625+δh4 Bảng 3.8 Mơ hình SAM(PAR) - mơ hình máy bay hạ độ cao Step 3: Sử dụng mạng nơron RBF gồm đầu vào đầu ra, điểm mơ hình SAM sử dụng làm tâm tập mẫu huấn luyện mạng Mạng huấn luyện theo thuật toán huấn luyện đề cập chương 1, với tham số chọn sau: r = 1, tốc độ học 0.8 sai số 0.0001 Step 4: Xác định giá trị đầu Với độ cao ban đầu 1000 ft, vận tốc -20 ft/s, tiến hành định lượng giá trị độ cao, vận tốc xác định giá trị đầu nhờ mạng RBF thiết kế, việc giải ngữ nghĩa cho ta lực điều khiển chu kỳ đầu Tiếp tục tính tốn vận tốc độ cao chu kỳ nhờ phương trình 3.2 Lặp lại q trình tính lực điều khiển độ cao xuống tới 100 ft vận tốc ta thu kết điều khiển chu kỳ điều khiển hạ độ cao tiếp theo, sai số e tốc độ hạ độ cao xác định nhờ công thức 3.3 công thức 3.4 Việc định lượng giải định lượng tiến hành theo công thức 2.1, 2.2 với: - s0 = 0.625+δh1, s1 = 0.0625+δh4 x0 = 100, x1 = 1000 cho biến h 63 - s0 = 0.125+δv5, s1 = 0.875+δv9 x0 = -20, x1 = 20 cho biến v - s0 = 0.125+δf10, s1 = 0.875+δf14 x0 = -20, x1 = 20 cho biến f Sử dụng giải thuật di truyền cực tiểu hàm e (Công thức 3.4) với số hệ 200, xác suất lai ghép 0.80; xác suất đột biến 0.05; kích cỡ quần thể 40; kích thước cá thể 10 Qua số lần chạy mô MATLAB, ta xác định PAR là: PAR={-0.025037; 0.033981; -0.021957; -0.021371; 0.022055; -0.055902; 0.047593; -0.061400; -0.059201; -0.004093; 0.013380; -0.046371; -0.026332; 0.056024} Sai số: e (OpHAR) = 8.788920 Và quỹ đạo mơ hình máy bay hạ độ cao với điều kiện ban đầu h(0) =1000 ft, v(0) = -20 ft/s xác định Hình 3.7 Hình 3.7 Quỹ đạo hạ độ cao mơ hình máy bay Nhận xét: Ta thấy quỹ đạo hạ độ cao phương pháp RBF_GA_HAR bám sát quỹ đạo hạ độ cao tối ưu mơ hình cho Cơng thức 2.4, quĩ đạo hạ độ cao tham số tối ưu [7] khơng có điều - Mặt khác, phương pháp OPHAR đưa mơ hình máy bay xuống độ cao 100 ft với sai số e(OPHAR)=8.788920 nhỏ so với phương pháp tối ưu tham số ĐSGT [1] e =22.444913 đưa mơ hình xuống độ cao xấp xỉ 250 ft - 3.3 Kết luận chương 64 Trong chương 3, ứng dụng thuật toán phương pháp lập luận kết hợp khả tính tốn cơng nghệ tính toán mềm vào phương pháp lập luận lập luận mờ dựa ĐSGT cài đặt thử nghiệm cho số tốn mơ hình mờ, cụ thể là: - Bài tốn xấp xỉ mơ hình mờ EX1 Cao – Kandel [10]; - Bài tốn mơ hình máy bay hạ độ cao Ross [9]; Qua kết ta khẳng định rằng: tính hiệu phương pháp RBF_GA_HAR mở khả ứng dụng tốt vào tốn mơ hình mờ phức tạp 65 KẾT LUẬN Nghiên cứu lý thuyết ĐSGT, cơng nghệ tính tốn mềm mảng rộng mà giới nghiên cứu phát triển Nếu tìm hiểu tất vấn đề lượng kiến thức khổng lồ Trong luận văn học viên trọng nghiên cứu, trình bày kiến thức tập mờ lý thuyết logic mờ giải thuật di truyền từ áp dụng vào phương pháp lập luận mờ dựa ĐSGT giải tốn mơ hình mờ Qua luận văn đạt số kết sau: Về lý thuyết: Tập trung nghiên cứu kiến thức chung tập mờ, logic mờ, phương pháp lập luận xấp xỉ dựa ĐSGT Luận văn phân tích kỹ phương pháp lập luận mờ dựa gia tử sử dụng cơng nghệ tính tốn mềm (RBF_GA_HAR) Cụ thể: Sử dụng mạng nơron RBF để nội suy trực tiếp từ mơ hình SAM có chứa tham số hiệu chỉnh - Sử dụng giải thuật di truyền để xác định tham số hiệu chỉnh ĐSGT - Về ứng dụng: Cài đặt phương pháp lập luận mờ dựa ĐSGT sử dụng cơng nghệ tính tốn mềm (RBF_GA_HAR) cho tốn mơ hình xấp xỉ EX1 Cao-Kandel tốn điều khiển mơ hình máy bay hạ độ cao Ross Trên sở kết cài đặt có so sánh đánh giá kết cài đặt phương pháp lập luận xấp xỉ mờ dựa ĐSGT - HAR Phạm vi khả áp dụng: Luận văn tài liệu tham khảo tốt cho người nghiên cứu lý thuyết ĐSGT ứng dụng lĩnh vực khoa học kỹ thuật Hướng nghiên cứu tiếp theo: Hoàn thiện tối ưu phương pháp lập luận mờ dựa ĐSGT sử dụng cơng nghệ tính tốn mềm (RBF_GA_HAR) cho tốn mơ hình mờ khác, nghiên cứu giải thuật khác cho số tồn thực phương pháp lập luận xấp xỉ mờ dựa ĐSGT 66 TÀI LIỆU THAM KHẢO * Tiếng Việt [1] Nguyễn Cát Hồ (2006), “Lý thuyết tập mờ Công nghệ tính tốn mềm”, Tuyển tập giảng Trường thu hệ mờ ứng dụng, in lần thứ 2, tr 51–92 [2] Nguyễn Duy Minh (2012), Tiếp cận đại số gia tử hệ mờ, Luận án tiến sĩ tốn học, Viện Cơng nghệ thơng tin [3] Đặng Thị Thu Hiền (2009), Bài toán nội suy mạng nơron RBF, Luận án tiến sĩ chuyên ngành khoa học máy tính cấp nhà nước, Trường Đại học cơng nghệ, Đại học quốc gia Hà Nội [4] Trần Thái Sơn, Nguyễn Thế Dũng (2005), “Một phương pháp nội suy giải tốn mơ hình mờ sở đại số gia tử”, Tạp chí Tin học Điều khiển học, Tập 21(3), tr 248–260 [5] Hoàng Kiếm, Lê Hoàng Thái (2000), Giải thuật di truyền – cách giải tự nhiên tốn máy tính, Nhà xuất giáo dục [6] Nguyễn Cát Hồ, Nguyễn Văn Long (2004), “Cơ sở tốn học độ đo tính mờ thơng tin ngơn ngữ”, Tạp chí Tin học Điều khiển học, 20(1), tr 64-72 [7] Nguyễn Duy Minh (2011), “Điều chỉnh ngữ nghĩa định lượng giá trị ngôn ngữ đại số gia tử ứng dụng”, Tạp chí khoa học cơng nghệ, Viện Khoa học Công nghệ Việt Nam, Tập 49(4), tr 27-40 * Tiếng Anh [8] Ho N C., Lan V N., Viet L X (2008), “Optimal hedge-algebras-based controller: Design and application”, Fuzzy Sets and Systems, 159(8), pp 968–989 [9] Ross T J (2010), Fuzzy logic with Engineering Applications, Third Edition, John Wiley & Sons [10] Cao Z and Kandel A (1989), “Applicability of some fuzzy implication operators”, Fuzzy Sets and Systems, 31, pp 151-186 [11] Zadeh L A (1975), “The concept of linguistic variable and its application to approximate reasoning”, Inform Sci 8, pp 199–249 ...ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG DƯƠNG VĂN HẢI GIẢI PHÁP KẾT HỢP CƠNG NGHỆ TÍNH TỐN MỀM VỚI PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ CÓ THAM SỐ HIỆU... GIẢI PHÁP KẾT HỢP CƠNG NGHỆ TÍNH TỐN VỚI PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ 2.1 Phương pháp lập luận mờ sử dụng đại số gia tử Cho mơ hình mờ (1.15) Tư tưởng phương pháp từ mệnh đề... pháp lập luận mờ sử dụng đại số gia tử 46 2.4.3 Giải pháp sử dụng giải thuật di truyền 48 2.4.4 Giải pháp kết hợp cơng nghệ tính tốn mềm phương pháp lập luận mờ sử dụng đại số gia tử