Ứng dụng thuật tốn MOPSO-SA tối ưu các tham số ngữ nghĩa

3.1.2. Đánh giá tính hiệu quả của thuật tốn MOPSO-SA so với thuật tốn

3.1.2.2. Ứng dụng thuật tốn MOPSO-SA tối ưu các tham số ngữ nghĩa

tìm kiếm hệ luật tối ưu

Trong phương pháp thiết kế FLRBC với ngữ nghĩa tính tốn của các từ ngơn ngữ được xác định dựa trên ĐSGT, giá trị của các tham số ngữ nghĩa của các biến ngơn ngữ tương ứng với các thuộc tính được hiệu chỉnh tối ưu cho phù hợp với từng tập dữ liệu mẫu cụ thể. Mục này trình bày ứng dụng của thuật tốn MOPSO-SA để tối ưu các tham số ngữ nghĩa và tìm kiếm hệ luật tối ưu thay cho thuật tốn GSA và MOPSO.

Với các mục tiêu tối ưu (2.9) và các ràng buộc đối với các tham số ngữ nghĩa được cho ở trên, thuật tốn tối ưu các tham số ngữ nghĩa được cấu trúc hĩa bằng thuật tốn MOPSO-SA và được đặt tên là MOPSOSA_SPO như dưới đây:

Thuật tốn 3.5. MOPSOSA_SPO //[CT6] Tối ưu các tham số ngữ nghĩa

Các ràng buộc của các tham số tính mờ; Các tham số: NR0, Npop, Gmax, K, λ, Tmax, α; //Npop là kích thước bầy, Gmax là số thế hệ

Đầu ra: Tập các tham số ngữ nghĩa tối ưu Лopt;

Begin

Khởi tạo một quần thể pop0 = {Л0,i | i = 1, …, Npop} sao cho các giá trị tham số tính mờ thỏa các ràng buộc tương ứng;

T0 = Tmax;

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 tốt nhất 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;

t = 0; Repeat

Chọn một đầu đàn (leader) từ bộ nhớ lưu trữ cho các particle; For i =1 to Npop do begin

Repeat

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);

Kiểm tra các ràng buộc của các tham số tính mờ;

Sinh tập luật mờ S0(Лt,i) từ Лt,i bằng thủ tục E_IFRG(Лt,i, D, NR0, K, λ); Tính giá trị của tất cả các mục tiêu của particle Лt,i;

If vị trí mới t1

i

pop trội hơn t i

Else

Tính RMSR đối với vị trí hiện tại và vị trí trước đĩ theo cơng thức (3.8); Sinh ngẫu nhiên số δ [0, 1];

If δ > / or số lần di chuyển thất bại lớn hơn 100 then Chấp nhận vị trí mới t1

i

pop ;

End If End If;

Until vị trị mới được chấp nhận or số lần di chuyển thất bại lớn hơn 100; End;

Cập nhật bộ nhớ lưu trữ Лopt theo tiêu chuẩn tính trội và chia sẻ thích nghi; Cập nhật giá trị của 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 theo tiêu chuẩn tính trội; Tt1 Tt;

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 ngồi;

End.