Fuzzy Systems and Genetic Algorithms

Fuzzy rendszerek és genetikus algoritmusok

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Subject name (Hungarian, English)

Fuzzy rendszerek és genetikus algoritmusok

Fuzzy Systems and Genetic Algorithms

Subject code

BMEVIFO4321

Subject type

—

Training Level

—

Course types and hours (weekly/semester)

Course type	lecture	tutorial	laboratory
hours (weekly)	4	0	0
type (linked/independent)	—	—	—

Assessment type

vizsga

Credits

Subject coordinator

Dr. Lantos Béla

position: egyetemi tanár

contact: lantos@iit.bme.hu

Responsible department

—

Faculty

Subject website

—

Primary curriculum type

—

Direct prerequisites – Strong prerequisite

none

Direct prerequisites – Weak prerequisite

none

Direct prerequisites – Parallel prerequisite

none

Direct prerequisites – Milestone prerequisite

none

Direct prerequisites – Exclusion

none

Objectives

Programme

I. Fuzzy rendszerek alapjai (1-3. hét)

Fuzzy halmazok, elterjedt T,S,C-normák, halmazműveletek. Direkt szorzat, reláció, összekapcsolás, kompozíció. Függvény fuzzyfikálása, fuzzy dinamikus rendszerek. Fuzzy logika. Elterjedt következtetési típusok (Kleene-Dienes, Lukasiewicz, Zadeh, Gödel, Sharp, Mamdani implikáció). Adatillesztés relációkhoz, következtetési algoritmusok típusai. Fuzzy logikai szabályozó (FLC) felépítése, defuzzyfikációs módszerek. Klasszikus szabályozók fuzzy változatai (MacVicar-Whelan mataszabályok, PD és PI jellegű FLC). Fölérendelt fuzzy szakértő. Fuzzy toolboxok MATLAB környezetben. Alkalmazási példák (szintszabályozás, invertált inga, robot irányítása fölérendelt fuzzy szakértővel).

II. Genetikus algoritmusok alapjai (4. hét)

Genetikai alapfogalmak. Genetikus algoritmusok elméleti alapjai. Fitness függvények, szelekciós módszerek. Rekombináció bináris és real populációk esetén. Mutáció, visszahelyettesítés, migráció. Genetikus toolboxok. Genetikus algoritmusok tesztelése. Alkalmazástechnikai szempontok, korlátozások figyelembe vétele.

III. Optimalizálási módszerek (5. hét)

Az optimum analitikus feltételei. Optimumkeresési technikák (gradiens, konjugált gradiens, Newton, kvázi Newton módszerek). Lineáris és nemlineáris paraméterbecslés.

IV. Statisztikus struktúra tesztek (6. hét)

Statisztikus struktúra tesztek Sugeno rendszerek esetén. Illesztési mértékek és számításuk QR felbontással. A szabálybázi meghatározásának algoritmusa. A MEGLGN (mixture of experts with Gaussian localized networks) sztochasztikus módszer.

V. Adaptív fuzzy rendszerek (7-10. hét)

Fuzzy rendszerek alkalmazásai. Klaszterezés és függvényapproximáció, Wang tétele. Nemlineáris dinamikus rendszerek identifikációja. Indirekt (modellen alapuló) és direkt (modellt nem igénylő) adaptív fuzzy irányítás stabilitási garanciák mellett. Adaptív fuzzy irányítások lineáris és nemlineáris optimalizálási problémái.

Relációk optimális megválasztása evolúciós algoritmussal.

VI. Neuro-fuzzy rendszerek (11. hét)

Adaptív hálózatok. Fuzzy rendszer konvertálása neurális hálózattá, ANFIS. Hibrid tanítás LS és hibavisszaterjesztő technikával.

VII. Fuzzy approximáció szinguláris érték felbontással (12. hét)

Raszterpont háló felett adott függvény approximációs feladatának megfogalmazása. SVD megoldás kétváltozós esetben, az SN és NN feltétel betartása. Általánosítás több változóra.

VIII. Multikritériumú genetikus algoritmusok (13-14. hét)

Multikritériumú optimalizálási feladatok, Pareto-dominancia, preferencia illesztések.

Multikritériumú döntéshozatal, Fleming-Fonseca stratégia, preferálhatósági reláció, korlátozás kielégítés. Populáció rangsorolás, multikritériumú költség tájképe, fitness hozzárendelés, fülkés indukciós módszerek, finess megosztás, paraméterválasztás. Multikritériumú genetikus algoritmus felépítése. Alkalmazási példa.

Az intelligens rendszerek modellezésére, a szakértői tudás ábrázolására, irányítási és képfeldolgozási algoritmusok kifejlesztésére és megvalósítására egyre terjednek a fuzzy módszerek. A relációk és rendszerparaméterek optimális megválasztása (tanulás, adaptivitás) globális optimalizálási feladat, amelynek megoldására jól használhatók a genetikus algoritmusok. A tárgy e korszerű soft computing módszerek elméleti alapjainak és alkalmazástechnikájának bemutatását tűzte ki célul.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

(előadás, gyakorlat, laboratórium): A tantárgy előadásból áll, amelynek anyagába beillesztésre kerülnek az elméletet magyarázó illusztrációs példák és esettanulmányok.

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Skill type competencies

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Recommended (non-compulsory) preliminary competencies

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

General rules

Követelmények: a. A szorgalmi időszakban: 1 zárthelyi, vizsgába beszámít (20%). Az aláírás feltétele legalább elégséges osztályzat a ZH-ra. A vizsgára bocsátás feltétele: aláírás. b. A vizsgaidőszakban: írásbeli vizsga; Pótlási lehetőségek: Sikertelen nagy ZH egyszer pótolható a szorgalmi időszakban vagy egy alkalommal a vizsgaidőszak harmadik hetének végéig.

Assessment methods

In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

nincs

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements

Requirements valid from:

—

Requirements valid until:

—

Curriculum placement

No curriculum placements recorded for this subject version.