Fil sürü optimizasyon algoritması kullanarak anfis parametrelerinin öğrenilmesi
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bulanık Sistem, bulanık mantık prensiplerine dayanan bir yapay zekâ ve denetim yaklaşımıdır. Geleneksel mantık sistemlerinden farklı olarak, doğrusal ve kesin kurallar yerine, bulanık kümeler, bulanık kurallar ve bulanık çıkarım mekanizmalarıyla çalışır. Karmaşık ve belirsiz sistemleri modellemek ve kontrol etmek için daha esnek bir yaklaşım sağlar. Özünde uzman tabanlı olan bulanık sistemlerin, parametreleri ayarlanırken her zaman uzmana ulaşmak mümkün olmayabilir veya büyük veri kümeleri karşısında yeterli doğrulukta parametreler belirlenemeyebilir. Bu sebeple makine öğrenmesi veya optimizasyon algoritmaları kullanılarak ilgili parametrelerin ayarlanması günümüzde rağbet gören bir araştırma konusu haline gelmiştir. Bu amaçla literatürde, giriş ve çıkışı olan eğitim veri kümesinden öğrenen Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi'nin (ANFIS) sıklıkla kullanıldığı görülmüştür. Bu tez çalışmada, ANFIS parametrelerinin öğrenimi için Fil Sürü Optimizasyon (EHO) algoritması kullanılması önerilmiş ve ANFIS-EHO olarak adlandırılmıştır. EHO, lider filin doğru çözüme doğru ilerlediği ve takipçi fillerin onu takip ederek global bir arama yapabildiği fil sürü davranışını taklit eden meta-sezgisel bir optimizasyon algoritmasıdır. Önerilen yöntemin başarısı, dört adet lineer olmayan statik sistem kimliklendirilme problemi üzerinde ölçülmüştür. Deneysel çalışma olarak 4-9-16 bulanık kurallı ANFIS sistemine ait parametrelerinin öğrenilmesi EHO algoritması ile gerçekleştirilmiş, bu çalışma 30 kez tekrarlanmıştır. RMSE hata değerleri ve R2 değerleri raporlanmıştır. En iyi sonuçlar, tüm problemler için 16 Kurallı yapıda elde edilmiştir. ANFIS-EHO algoritmasının başarısını tartışmak için Genetik Algoritmalar ve Parçacık Sürü Optimizasyonu algoritmaları ile 16 Kurallı ANFIS yapısının parametreleri öğrenilmiştir. Her bir lineer olmayan statik sistem için algoritmalar 30 kez çalıştırılmış ve elde edilen sonuçlar Wilcoxon işaret sıra testi kullanılarak istatistikî olarak kıyaslanmıştır. Sonuçlara göre ANFIS-EHO algoritmasının daha başarılı ve tutarlı sonuçlar ürettiği görülmüştür.
Fuzzy systems are an artificial intelligence and control approach based on the principles of fuzzy logic. Unlike traditional logic systems, they operate using fuzzy sets, fuzzy rules, and fuzzy inference mechanisms instead of linear and exact rules. They provide a more flexible approach for modeling and controlling complex and uncertain systems. Fuzzy systems are inherently expert-based, and it may not always be possible to reach an expert when adjusting their parameters, or parameters may not be determined with sufficient accuracy in the face of large data sets. For this reason, adjusting the relevant parameters using machine learning or optimization algorithms has become a popular research topic today. For this purpose, the Adaptive Network-Based Fuzzy Inference System (ANFIS), which learns from a training data set with input and output, is frequently used in the literature. In this thesis study, the Elephant Swarm Optimization (EHO) algorithm is proposed for learning ANFIS parameters and is named ANFIS-EHO. EHO is a meta-heuristic optimization algorithm that mimics elephant herd behavior, where the lead elephant advances towards the correct solution and the follower elephants can perform a global search by following it. The success of the proposed method is measured on four nonlinear static system identification problems. As an experimental study, the parameters of the ANFIS system with 4-9-16 fuzzy rules were learned using the EHO algorithm, and this study was repeated 30 times. RMSE error values and R2 values are reported. The best results were obtained for the 16-rule structure for all problems. To discuss the success of the ANFIS-EHO algorithm, the parameters of the 16-rule ANFIS structure were learned using the Genetic Algorithms and Particle Swarm Optimization algorithms. For each nonlinear static system, the algorithms were run 30 times and the results were statistically compared using the Wilcoxon signed-rank test. According to the results, the ANFIS-EHO algorithm was found to produce more successful and consistent results.
Fuzzy systems are an artificial intelligence and control approach based on the principles of fuzzy logic. Unlike traditional logic systems, they operate using fuzzy sets, fuzzy rules, and fuzzy inference mechanisms instead of linear and exact rules. They provide a more flexible approach for modeling and controlling complex and uncertain systems. Fuzzy systems are inherently expert-based, and it may not always be possible to reach an expert when adjusting their parameters, or parameters may not be determined with sufficient accuracy in the face of large data sets. For this reason, adjusting the relevant parameters using machine learning or optimization algorithms has become a popular research topic today. For this purpose, the Adaptive Network-Based Fuzzy Inference System (ANFIS), which learns from a training data set with input and output, is frequently used in the literature. In this thesis study, the Elephant Swarm Optimization (EHO) algorithm is proposed for learning ANFIS parameters and is named ANFIS-EHO. EHO is a meta-heuristic optimization algorithm that mimics elephant herd behavior, where the lead elephant advances towards the correct solution and the follower elephants can perform a global search by following it. The success of the proposed method is measured on four nonlinear static system identification problems. As an experimental study, the parameters of the ANFIS system with 4-9-16 fuzzy rules were learned using the EHO algorithm, and this study was repeated 30 times. RMSE error values and R2 values are reported. The best results were obtained for the 16-rule structure for all problems. To discuss the success of the ANFIS-EHO algorithm, the parameters of the 16-rule ANFIS structure were learned using the Genetic Algorithms and Particle Swarm Optimization algorithms. For each nonlinear static system, the algorithms were run 30 times and the results were statistically compared using the Wilcoxon signed-rank test. According to the results, the ANFIS-EHO algorithm was found to produce more successful and consistent results.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Anfis, Bulanık Sistem, Fil Sürü Optimizasyonu, Anfis Parametre Optimizasyonu, Anfis, Fuzzy System, Elephant Herd Optimization, Anfis Parameter Optimization
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Durak, Ş. (2023). Fil sürü optimizasyon algoritması kullanarak anfis parametrelerinin öğrenilmesi. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Konya.
