طراحی کنترلر های فازی توسط الگوریتم های ژنتیکی

کنترلرهای فازی

با به کار گیری نظریه مجموعه های فازی در کنترل، مسئله تعیین دقیق مدل ریاضی و محاسبات لازم در روش های متعارف طراحی کنترلرها، منتفی شده و به کارگیری تجربیات و نحوه تفکر انسانی در کنترلرها، ممکن می شود.

در منطق فازی به هر متغیر به جای یک عدد تابعی در فضای آن متغیر نسبت داده می شود که بیانگر میزان تعلق متغیر به هر نقطه از فضا است. خود متغیرها نیز متغیرهای کلامی هستند، بدین معنی که می توانند واژه هایی از زبان طبیعی را به عنوان مقدار خود بپذیرند. این واژه ها بوسیله مجموعه های فازی در محدوده ای که متغیرها تعریف شده اند، مشخص می شوند. به این واژه ها، عبارات کلامی (Linguistic terms) گفته می شود [2].

کنترلرهای فازی در یک پروسه حلقه بسته، با استفاده از مقادیر متغیرهای حالت سیستم، سیگنال کنترل را به منظور هدایت سیستم به سمت حالت مطلوب، تولید می کنند. یک، کنترلر فازی متشکل از چهار بخش است: فازی کننده (Fuzzifier)، پایگاه اطلاعات (Knowledge Base)، سیستم استنتاج (Inference System) و غیرفازی کننده (Defuzzifier) [1,3].

الگوریتم ژنتیکی

الگوریتم ژنتیکی با الهام گیری از تئوری تکامل و اصول ژنتیک و وراثت به جستجوی راه حل مناسب برای مسائل می پردازد [4]. بدین منظور ابتدا چندین پاسخ تصادفی برای مسئله مورد نظر تولید شده و در مراحل بعدی این پاسخ های ابتدایی با استفاده از اصول ژنتیک به تکامل رسیده و به پاسخ مناسب تبدیل می شوند.

نتیجه گیری و تحقیقات آتی

تصمیمات امروزه مدیریت، براساس شرایطی که در آینده محقق خواهند شد اتخاذ می گردند. لذا آگاهی از شرایط آتی، برای بهبود تصمیماتی که امروز گرفته می شوند امری حیاتی است و این اطلاع نیز تنها با پیش بینی های دقیق و قابل اطمینان که بر مدل های مناسب استوار باشند میسر است. پیش بینی قیمت نفت خام در کشور ما دارای اهمیت فراوان است چرا که بودجه کشور اتکای شدیدی به قیمت نفت دارد و چنانچه برآورد نامناسبی از قیمت نفت در سالیان آینده صورت گیرد می تواند باعث کسری بودجه و مشکلات عظیم اقتصادی گردد. از طرفی بازار نفت خام نیز بازاری بسیار پیچیده است که درک مکانیسم بنیادین و قواعد حاکم بر آن به سادگی میسر نیست.

تحقیقات نشان می دهند که مدل های خطی کارآیی مناسبی در پیش بینی قیمت این کالا ندارند اما اخیراً استفاده از شبکه عصبی در مسائل پیچیده پیش بینی با موفقیت همراه بوده است و لذا امید می رود که استفاده از مدل پیش بینی شبکه عصبی در پیش بینی قیمت نفت به نتایج مناسبی بیانجامد. اما طراحی یک مدل شبکه عصبی به روش سنتی، کاری بسیار طولانی و زمان بر است زیرا بایستی آزمایش های بسیار متعدد و فراوانی روی معماری های مختلف شبکه انجام شود و نهایتاً هم تضمینی وجود ندارد که معماری بدست آمده یک معماری مناسب و نزدیک به بهینه باشد.

الگوریتم ژنتیک بعنوان یک روش جستجوی قوی توانسته است در مسائل بهینه سازی مختلف قدرت فراوان خود را نشان دهد. مقاله حاضر یک مدل تلفیقی شبکه عصبی ارائه داده است که با استفاده از الگوریتم ژنتیک به یافتن یک معماری بهینه یا نزدیک به بهینه برای شبکه عصبی پیش بینی قیمت نفت خام WTI می پردازد. معیارهای متوسط مجذور خطا، حداکثر خطای مطلق، انحراف معیار خطا و درصد تشخیص درست جهت تغییر حاکی از آن است که مدل تلفیقی پیشنهادی این مقاله بر روش های گام زنی تصادفی و مدل آزمون و خطای شبکه عصبی برتری دارد.