kiếm hệ luật tối ưu
Với phương pháp thiết kế FLRBC với ngữ nghĩa tính tốn của từ ngơn ngữ được xác định dựa trên ĐSGT, việc hiệu chỉnh thích nghi ngữ nghĩa của các từ ngơn ngữ cho từng tập dữ liệu cụ thể được thực hiện thơng qua các tham số ngữ nghĩa. Trong [5, 57], thuật tốn GSA với hàm thích nghi là tổng cĩ trọng số của các hàm mục tiêu được áp dụng để tìm kiếm tối ưu các tham số ngữ nghĩa cho các thuộc tính của tập dữ liệu được thực nghiệm. Nhược điểm của hàm thích nghi này là sự nhạy cảm của các trọng số do việc gán trọng số phụ thuộc vào người thiết kế. Luận án sử dụng thuật tốn tối ưu bầy đàn đa mục tiêu MOPSO để tìm kiếm tối ưu các tham số ngữ nghĩa và tìm kiếm hệ luật tối ưu. Nhờ đĩ, các mục tiêu được đối xử bình đẳng trong quá trình tối ưu.
Với thủ tục sinh tập luật khởi đầu E_IFRG(Л, D, NR0, K, λ) được trình bày trong chương trước, quá trình tối ưu các tham số ngữ nghĩa được thực hiện như sau:
i) Khởi tạo một thế hệ dân số ban đầu Pop0 với vị trí khởi tạo của mỗi cá thể bao gồm tập các giá trị ngẫu nhiên với các ràng buộc được nêu ở trên của các tham số ngữ nghĩa Л0,i ứng với các thuộc tính, các giá trị thích nghi ứng với các mục tiêu (2.9) được tính và các cá thể khởi tạo được đánh giá. ii) Đối với mỗi vị trí hiện tại của mỗi cá thể của một thế hệ Popt bao gồm tập
giá trị của các tham số ngữ nghĩa Лt,i, là kết quả của các bước trước, ứng với các thuộc tính, thuật tốn tính các giá trị thích nghi ứng với các mục tiêu (2.9) và đánh giá các cá thể. Quá trình này được lặp lại ở thế hệ Popt+1
cho tới khi đạt điều kiện kết thúc.
Trong quá trình tối ưu, các giá trị kj ≤ K quy định độ dài tối đa của các từ ngơn ngữ cùng với các giá trị cụ thể của các tham số tính mờ của các thuộc tính xác định
các thể hạt tương ứng dưới dạng cấu trúc đơn hoặc đa thể hạt. Dựa trên các cấu trúc thể hạt này, các tập mờ được sinh ra một cách tự động và giá trị của các hàm mục tiêu được tính nhằm tìm ra các từ ngơn ngữ tối ưu cùng với các tập mờ của chúng.
Sau đây là thuật tốn tối ưu các tham số ngữ nghĩa được cấu trúc hĩa bằng thuật tốn MOPSO và được đặt tên là MOPSO_SPO.
Thuật tốn 3.2. MOPSO_SPO //[CT2] Tối ưu các tham số ngữ nghĩa
Đầu vào: tập dữ liệu mẫu D = {(dp, Cp) | p = 1, …, m}; Các ràng buộc của các tham số tính mờ;
Các tham số: NR0, Npop, Gmax, K, λ; //Npop là kích thước bầy, Gmax là số thế hệ
Đầu ra: Tập các tham số ngữ nghĩa tối ưu Лopt;
Begin
Khởi tạo quần thể pop0 = {Л0,i | i = 1, …, Npop} sao cho các giá trị tham số tính mờ thỏa các ràng buộc tương ứng;
For i = 1 to Npop do begin
Sinh tập luật mờ S0(Л0,i) từ Л0,i bằng thủ tục E_IFRG(Л0,i, D, NR0, K, λ); Tính giá trị của tất cả các mục tiêu của particle Л0,i;
Gán vị trí hiện tại của particle Л0,i vào bộ nhớ pbesti của nĩ; End;
Tất cả các particle khơng bị trội hơn được lưu trữ trong bộ nhớ Лopt;
Tính các giá trị của chia sẻ thích nghi (Fitness sharing) fSharei cho tất cả các particle trong bộ nhớ lưu trữ ngồi;
t = 0; //Khởi tạo số thế hệ Repeat
Chọn một đầu đàn (leader) từ bộ nhớ lưu trữ Лopt cho các particle; For i =1 to Npop do begin
Cập nhật tốc độ (velocity) của particle Лt,i sử dụng cơng thức (3.6); Tính vị trí mới của particle Лt,i sử dụng cơng thức (3.7);
Tính giá trị của tất cả các mục tiêu của particle Лt,i; End;
Cập nhật bộ nhớ lưu trữ Лopt theo tiêu chuẩn tính trội và chia sẻ thích nghi; Cập nhật giá trị chia sẻ thích nghi (fitness sharing) của tất cả các particle nếu bộ nhớ lưu trữ bị thay đổi;
Cập nhật bộ nhớ pbesti của tất cả các particle với tiêu chuẩn tính trội; t = t + 1;
Until t = Gmax;
Trả lại kết quả là tập các giá trị tốt nhất của các tham số ngữ nghĩa Лopt được lưu trong bộ nhớ lưu trữ;
End.
Thuật tốn MOPSO_SPO tìm được các tập giá trị tối ưu của các tham số ngữ nghĩa Лopt. Chúng ta chọn ra một bộ giá trị bất kỳ của các tham số ngữ nghĩa, Лopt,i*, để sinh tập luật khởi đầu S0(Лopt,i*) gồm NR0 luật sử dụng thủ tục E_IFRG(Лopt,i*, D,
NR0, K, λ). Nhiệm vụ tiếp theo là lựa chọn một tập luật con S từ S0 thỏa các mục tiêu (2.10). Thuật tốn MOPSO được sử dụng để tìm kiếm tập luật tối ưu với phương pháp mã hĩa số thực (2.11) và được đặt tên là MOPSO_RBO.
Thủ tục MOPSO_RBO cĩ cấu trúc tương tự như thủ tục MOPSO_SPO với điểm khác là vị trí của mỗi particle là một tập luật con của S0. Khi thủ tục
MOPSO_RBO kết thúc ta thu được các tập luật gần tối ưu S*. Lựa chọn một tập luật Sl* cho FLRBC từ S* với tiêu chuẩn độ chính xác phân lớp trên tập huấn luyện là tốt nhất. Nếu cĩ nhiều tập luật cùng thỏa điều kiện lựa chọn thì chọn ngẫu nhiên một tập luật trong chúng.