Thuật toán tiến hóa đa mục tiêu thiết kế LRBS có tính giải nghĩa được
(Interpretable) và có khả năng mở rộng (Scalable), IS-LRBS-Design-MOEA, giải bài
toán hồi quy được đề xuất như sau (lược đồ tổng quát được trình bày trong hình 3.2):
Thuật toán IS-LRBS-Design-MOEA(D, SemEnHA( (D), paretofilename)
Input:
− Tập dữ liệu D = {dp = (ai,1, ai,2, …, ai,n, ai,(n + 1)): i = 1 to ND};
− SemEnHA( (D): tập G = {c−, c+} và tập các gia tử {H+ = {hj: 1 ≤ j ≤ p}, H− =
{hj: −1 ≤ j ≤ −q}, {h0}; một mảng quan hệ dấu của các gia tử ℛsign = {(h, h’,
sign(h, h’): h, h’ ∈H− H+};
− Tập các từ của các biến được đánh chỉ số: ex( ,( )), j = 1, …, n;
− Xác suất xảy ra các toán tử di truyền:
∘Các xác suất lai ghép của nhiễm sắc thể của các tham số tính mờ và LRB: Pc(Cµ) và Pc(CRB); ∘ Các xác suất đột biến (Pm) của các nhiễm sắc thể của các tham số tính mờ và LRB: Pm(Cµ) và Pm(CRB), ∘ Xác suất đột biến thêm luật Pm_Add_RB;
− k: Một mảng chứa mức đặc tả tối đa của các LFoC hiện được khai báo của
các biến;
− max: độ dài tối đa của luật;
− Mmin và Mmax tương ứng là các số nguyên chỉ số luật nhỏ nhất và lớn nhất
của LRB trên mặt Pareto;
98
− MaxGen: số thế hệ;
− Paretofilename: file chứa mặt Pareto ℙ cuối cùng (được sử dụng cho việc tiếp tục huấn luyện trong tương lai của vòng đời ứng dụng khi các LFoC hiện tại được khai báo tăng lên theo yêu cầu của người quản trị hệ thống);
Output:ℙ − Các phương án tốt nhất trên mặt Pareto.
Begin
Bước 1: Khối khởi tạo: mục đích là xây dựng các LFoC, ℙ khởi tạo.
Ifparetofilename == “” then
For h= 1 to 2 // khởi tạo mặt Pareto với 2 cá thể
1.1. Sinh các LFoC cho mọi biếnAj, j = 1, …, n + 1
− Gán k[j] là chiều dài từ tối đa (mức đặc tả) của các LFoC( ) hiện được khai báo củaAj
− Sinh các LFoC ( ) được khai báo của các biến và tập chỉ sốex( ( )), j =1,.., n+1
− Sinh ngẫu nhiên các giá trị củaj = ( (h0j), (Lj), fm(0j), ( −), fm(Wj), ( )) từ các miền giá trị phù hợp của chúng được cung cấp thỏa (FM1’ và FM2’);
− Tính toán các quan hệ tương tự ( ) = { ( )( ): x ∈ ( )} của LFoC
( ), j = 1, .., n + 1
1.2. Xây dựng các cấu trúc đa thể hình thang của các LFoC được sinh ra:
Với mọiAj, j = 1, …, n + 1,
Call TrP( ( ), k, 0, G, H, ℛsign, , ,( )j);
1.3. Sinh các luật ngôn ngữ từ các mỗi dữ liệu, dựng CRB
− Sinh ngẫu nhiên một số nguyên Mk [Mmin, Mmax];
− Lặp Mk lần để triệu gọi PrGenRule(dp, { ( ),ex( ( ): j ≤ n + 1}, max) để sinh Mk luật ngôn ngữ, trong đó dp được chọn ngẫu nhiên từ D.
1.4. Tính giá trị MSE và độ phức tạp Comp.
1.5. Gán ih vào ℙ
End for Else
1.1b. Phục hồi tệp tin “paretofilename”, tăng các LFoC được khai báo hiện tại đến các mức đặc tả mới và xây dựng các cấu trúc đa thể hình thang bổ sung ở các mức k
− ℙ được khôi phục từ tệp tin “paretofilename” chứa mặt Pareto của lượt chạy cuối cùng;
− Gán k[j] là độ dài lớn nhất của từ của LFoC được khai báo hiện tại của biến Aj, nếu độ dài lớn nhất của LFoC củaAj < k[j], j = 1,.., n+1
− Sinh LFoC ( ), j =1,.., n+1
1.2b. Xây dựng các cấu trúc đa thể hình thang của các LFoC được sinh ra: Với mọiAj, j = 1, …, n + 1,
Call TrP( ( ), k, G, H, ℛsign, , ,( ));
End if
Bước 2: Khối tiến hóa được lặp với MaxGen lần để lưu trữ một mặt Pareto tối ưu.
2.1. Tạo hai cá thể con (offspring)
− Chọn ngẫu nhiên hai cá thể 1 và 2 từℙ. Chúng được xem như cha mẹ hiện tại.
− Áp dụng toán tử lai ghép để sinh hai cá thể cono1 vào2 từ 1 và 2 trên Cµ và CRB với xác suất Pc(Cµ) và Pc(CRB) tương ứng.
− Áp dụng toán tử đột biến trên Cµ của mỗio1 vào2 một cách độc lập với xác suất Pm(Cµ)
− Áp dụng các toán tử đột biến trên CRB của mỗio1 vào2 một cách độc lập với xác suất Pm(CRB).
− Nếu toán tử thêm luật được áp dụng với xác suất Pm_Add_RB thì
− Tính hệ khoảng tương tự ( ) của LFoC ( ), j = 1, …, n + 1
− Xây dựng các cấu trúc đa thể hình thang của các LFoC được sinh ra từ
ngữ nghĩa cú pháp và định tính của các biến được khai báo:
Với mọiAj, j = 1, …, n + 1
Call TrP( ( ), k, l, G, H, ℛsign, , ,( ));
− Áp dụng toán tử thêm luật.
− Else
Áp dụng toán tử thay đổi cơ sở luật;
2.2. Tính toán giá trị của tất cả các mục tiêu củao1 vào2
2.3. Đưa từngo1 vào2 vàoℙ nếu chúng không bị trội hơn bởi bất kỳ phương án nào trongℙ. Nếuℙ đầy, loại bỏ
ngẫu nhiên cá thể thuộc về vùng có mật độ cao nhất [26].
Bước 3. Lưu mặt Pareto
− Ghi mặt Paretoℙ vào tập tin có tên là“paretofilename”;
End.
100
Bắt đầu
1Input: - Tập dữ liệu D
- Khai báo các khía cạnh ngữ nghĩa của thuộc tính Aj và mức đặc kj, j = 1, …, n +
2a.2 - Khai báo đặc tả mới k’j của Aj, j = 1, …, n + 1
2a.3 - Sinh các mức mới của Fkjj, j = 1, …,
n + 1
-Gọi TrP(Fkjj,kj, k’j - kj, G, H, ℛsign, , MGr,kjj ) để xây dựng các mức của MGr,kjj, j = 1, …, n + 1
-Với p = 1, 2, và mỗi j của C p, gọi TrP(Fkjj, kj,0, G, H, ℛsign,
j, MGr,kjj ) để xây dựng cấu trúc MGr,kjj, j = 1, …, n + 1.
2b.2 - Với p = 1, 2, tạo ra các cá thể p bởi sinh ra các CLRBp từ C p bằng thủ tục PrG-Rule({Fkjj,j kj ,j
kj: j ≤ n + 1},
max).
- Nạp 1 và 2 vàoℙ, và xem nó là mặt Pareto khởi tạo
3 - Chọn ngẫu nhiễn hai cá thể 1 và 2 từ mặt Pareto ℙ; i++
- Áp dụng toán tử lai ghép để sinh ra 2 cá thể con o1 và o2 từ 1 và 2 với xác suất lần lượtPc(Cµ) vàPc(CRB).
-Áp dụng toán đột biến trên Cµ với xác suấtPm(Cµ) cho mỗi cá thể o1 và o2
- Gọi - Áp dụng toán tử đột biến trên CRB, với xác suấtTrP(Fkjj, kj, 0, G, H, ℛsign, , MPm(CRB) cho mỗi cá thểGr,kjj ) để xây dựng các mức của o1 và o2 MGr,kjjcủa o1 và o2
có
4a -Áp dụng toán tử đột biến thêm luật 4b -Áp dụng toán tử đột biến thay đổi tiền đề luật
5
- Tính toán các mục tiêu của o1 và o2
-Lần lượt thêm cá thể o1, o2 vào mặt Paretoℙ nếu chúng không bị trội bởi bất kỳ cá thể nào trong ℙ. Nếu ℙ đầy, thì loại bỏ ngẫu nhiên một cá thể thuộc vùng có mật độ cao nhất.
đúng sai
i < maxGen 6
Output - Lưuℙvào file Kết thúc
Hình 3.2. Lược đồ của thuật toán IS-LRBSs-Design-MOEA, A
101