Made available in DSpace on 2016-06-02T19:05:22Z (GMT). No. of bitstreams: 1 DissAFT.pdf: 987671 bytes, checksum: a50597a438e0122d6e69ee6481e7d4a3 (MD5) Previous issue date: 2006-09-13 / This work focuses on the problem of automatic generation of fuzzy systems through evolutionary computation, specifically using the approach of co-evolution. Coevolution is based on the idea of modular modeling of the problem subcomponents. In this work the subcomponents are represented by different species, which have a collaborative relation among them. The fuzzy system to be created has the objective of pattern classification. Basically, the evolutionary scheme is composed by four different species, which have a hierarchical collaboration both in the generation of the species and in the fitness determination of the individuals of these species. These species are organized in levels, where the contribution in the species generation happens from the lowest to highest levels and the contribution in the fitness determination happens from the highest to lowest levels. The results obtained indicate that the studied approach is very promising and, through its use, one can generate efficient classification systems, that present a performance similar to other approaches found in the literature. / Este trabalho enfoca o problema de geração automática de sistemas nebulosos por meio da computação evolutiva, mais especificamente por meio da abordagem de coevolução. A co-evolução baseia-se na idéia de modelagem modular de subcomponentes do problema. Neste trabalho esses subcomponentes são representados por espécies diferentes, que têm uma relação colaborativa entre si. Essa relação força uma evolução co-adaptada entre as populações das espécies. O sistema nebuloso a ser gerado tem como objetivo a classificação de padrões. Basicamente, o esquema evolutivo é formado por quatro espécies diferentes, que têm uma colaboração hierárquica, tanto na geração das espécies, quanto na determinação da aptidão dos indivíduos dessas espécies. Essas espécies são organizadas em níveis, onde a colaboração na geração das espécies se dá dos níveis mais baixos para os mais altos, e a colaboração na determinação das aptidões se dá dos níveis mais altos para os mais baixos. Os resultados obtidos indicam que a abordagem estudada é bastante promissora e pode-se obter, por meio dela, sistemas de classificação eficientes que apresentam desempenho semelhante ao de outras abordagens encontradas na literatura.

Made available in DSpace on 2016-06-02T19:05:54Z (GMT). No. of bitstreams: 1 3998.pdf: 3486824 bytes, checksum: f1c040adfdc7d0672bc93a058f8a413d (MD5) Previous issue date: 2011-06-28 / Financiadora de Estudos e Projetos / The goal of this work is to study, expand and evaluate the use of multiobjective genetic algorithms and the iterative rule learning approach in fuzzy system generation, especially, in fuzzy rule-based systems, both in automatic fuzzy rule generation from datasets and in fuzzy sets optimization. This work investigates the use of multi-objective genetic algorithms with a focus on the trade-off between accuracy and interpretability, considered contradictory objectives in the representation of fuzzy systems. With this purpose, we propose and implement an evolutive multi-objective genetic model composed of three stages. In the first stage uniformly distributed fuzzy sets are created. In the second stage, the rule base is generated by using an iterative rule learning approach and a multiobjective genetic algorithm. Finally the fuzzy sets created in the first stage are optimized through a multi-objective genetic algorithm. The proposed model was evaluated with a number of benchmark datasets and the results were compared to three other methods found in the literature. The results obtained with the optimization of the fuzzy sets were compared to the result of another fuzzy set optimizer found in the literature. Statistical comparison methods usually applied in similar context show that the proposed method has an improved classification rate and interpretability in comparison with the other methods. / O objetivo deste trabalho é estudar, expandir e avaliar o uso dos algoritmos genéticos multiobjetivo e a abordagem iterativa na geração de sistemas fuzzy, mais especificamente para sistemas fuzzy baseados em regras, tanto na geração automática da base de regras fuzzy a partir de conjuntos de dados, como a otimização dos conjuntos fuzzy. Esse trabalho investiga o uso dos algoritmos genéticos multiobjetivo com enfoque na questão de balanceamento entre precisão e interpretabilidade, ambos considerados contraditórios entre si na representação de sistemas fuzzy. Com este intuito, é proposto e implementado um modelo evolutivo multiobjetivo genético composto por três etapas. Na primeira etapa são criados os conjuntos fuzzy uniformemente distribuídos. Na segunda etapa é tratada a geração da base de regras usando a abordagem iterativa e um algoritmo genético multiobjetivo. Por fim, na terceira etapa os conjuntos fuzzy criados na primeira etapa são otimizados mediante um algoritmo genético multiobjetivo. O modelo desenvolvido foi avaliado em diversos conjuntos de dados benchmark e os resultados obtidos foram comparados com outros três métodos, que geram regras de classificação, encontrados na literatura. Os resultados obtidos após a otimização dos conjuntos fuzzy foram comparados com resultados de outro otimizador de conjuntos fuzzy encontrado na literatura. Métodos estatísticos de comparação usualmente aplicados em contextos semelhantes mostram uma melhor taxa de classificação e interpretabilidade do método proposto com relação a outros métodos.

Made available in DSpace on 2016-06-02T19:06:08Z (GMT). No. of bitstreams: 1 656.pdf: 1176051 bytes, checksum: 79408472b8b3606bcf1eb1699d034a2e (MD5) Previous issue date: 2004-05-24 / Financiadora de Estudos e Projetos / The construction of the knowledge base of fuzzy systems has been beneficited intensively from automatic methods that extract the necessary knowledge from data sets which represent examples of the problem. The evolutionary computation, especially genetic algorithms, has been the focus of a great number of researches that deal with the problem of automatic generation of knowledge bases as search and optimization processes using di erent approaches. This work presents a methodology to learn fuzzy rule bases from examples by means of Genetic Algorithms using the Pittsburgh approach. The methodology is composed of 2 stages. The first one is the genetic learning of rule base and the other one is the genetic optimization of the rule base previously obtained in order to exclude redundant and unnecessary rules. The first stage uses a Self Adaptive Genetic Algorithm, that changes dynamically the crossover and mutation rates ensuring genetic diversity and avoiding the premature convergence. The membership functions are defined previously by the fuzzy clustering algorithm FC-Means and remain fixed during all learning process. The application domain is multidimensional pattern classification, where the attributes and, sometimes, the class are fuzzy, so they are represented by linguistic values. The proposed methodology performance is evaluated by computational simulations on some real-world pattern classification problems. The tests focused the accuracy of generated fuzzy rules in di erent situations. The dynamic change of algorithm parameters showed that better results can be obtained and the use of don t care conditions allowed to generate a small number of comprehensible and compact rules. / A construção da base de conhecimento de sistemas fuzzy tem sido beneficiada intensamente por métodos automáticos que extraem o conhecimento necessário a partir de conjuntos de dados que representam exemplos do problema. A computação evolutiva, em particular os algoritmos genéticos, tem sido alvo de um grande número de pesquisas que tratam, usando abordagens variadas, a questão da geração automática da base de conhecimento de sistemas fuzzy como um processo de busca e otimização. Este trabalho apresenta uma metodologia para o aprendizado de bases de regras fuzzy a partir de exemplos por meio de Algoritmos Genéticos usando a abordagem Pittsburgh. A metodologia é composta por duas etapas. A primeira é a geração genética da base de regras e a segunda é a otimização genética da base de regras previamente obtida, a fim de eliminar regras redundantes e desnecessárias. A primeira etapa utiliza um algoritmo genético auto-adaptativo, que altera dinamicamente os valores das taxas de cruzamento e mutação, a fim de garantir diversidade genética na população e evitar convergência prematura. As funções de pertinência são previamente definidas pelo algoritmo de agrupamento fuzzy FC-Means e permanecem fixas durante todo o processo de aprendizado. O domínio da aplicação é a classificação de padrões multi-dimensionais, onde os atributos e, algumas vezes, as classes são fuzzy, portanto, representados por valores lingüísticos. O desempenho da metodologia proposta é avaliado por simulações computacionais em alguns problemas de classificação do mundo real. Os testes focaram a acuidade das bases de regras geradas em diferentes situações. A alteração dinâmica dos parâmetros do algoritmo mostrou que melhores resultados podem ser obtidos e o uso da condição de don t care permitiu gerar um reduzido n´umero de regras mais compreensíveis e compactas.

Submitted by Alison Vanceto (alison-vanceto@hotmail.com) on 2017-02-14T11:18:13Z No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-03-20T13:12:18Z (GMT) No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-03-20T13:12:31Z (GMT) No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) / Made available in DSpace on 2017-03-20T13:23:55Z (GMT). No. of bitstreams: 1 TeseAHMP.pdf: 2470407 bytes, checksum: b3f2c2d64bfa00285c28963c74627bea (MD5) Previous issue date: 2014-12-02 / Não recebi financiamento / The process of building the knowledge base of fuzzy systems has benefited extensively of methods to automatically extract the necessary knowledge from data sets that represent examples of the problem. Among the topics investigated in the most recent research is the matter of balance between accuracy and interpretability, which has been addressed by means of multi-objective genetiv algorithms, NSGA-II being on of the most popular. In this scope, we identified the need to control the diversity of solutions found by these algorithms, so that each solution would balance the Pareto frontier with respect to the goals optimized by the multi-objective genetic algorithm. In this PhD thesis a multi-objective genetic algorithm, named NSGA-DO, is proposed. It is able to find non dominated solutions that balance the Pareto frontier with respect optimization of the objectives. The main characteristicof NSGA-DO is the distance oriented selection of solutions. Once the Pareto frontier is found, the algorithm uses the locations of the solutions in the frontier to find the best distribution of solutions. As for the validation of the proposal, NSGA-DO was applied to a methodology for the generation of fuzzy knowledge bases. Experiments show the superiority of NSGADO when compared to NSGA-II in all three issues analyzed: dispersion, accuracy and interpretability. / A construção da base de conhecimento de sistemas fuzzy tem sido beneficiada intensamente por métodos automáticos que extraem o conhecimento necessário a partir de conjuntos de dados que representam exemplos do problema. Entre os tópicos mais investigados nas pesquisas recentes está a questão do balanceamento entre acuidade e interpretabilidade, que têm sido abordada por meio dos algoritmos genéticos multiobjetivo, sendo o NSGA-II um dos mais populares. Neste escopo, identificou-se a necessidade do controle da distribuição das soluções encontradas por estes algoritmos, a fim de que cada solução possa equilibrar a fronteira de Pareto com relação aos objetivos otimizados pelo algoritmo genético multiobjetivo. Neste sentido, desenvolveu-se neste projeto de doutorado um algoritmo genético multiobjetivo, chamado NSGA-DO, capaz de encontrar soluções não dominadas que equilibram a fronteira de Pareto nos objetivos a serem otimizados. A principal característica do NSGA-DO é a seleção de soluções orientada à distância. Uma vez encontrada a fronteira de Pareto, o algoritmo usa a localização das soluções nesta fronteira para encontrar a melhor distribuição das soluções. Para a validação da proposta, aplicou-se o NSGA-DO em uma metodologia para a geração de bases de conhecimento fuzzy. Experimentos realizados comprovaram a superioridade do NSGA-DO com relação ao NSGA-II nos três quesitos analisados: dispersão, acurácia e interpretabilidade.

Orientador: Fernando Antônio Campos Gomide / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-16T03:39:08Z (GMT). No. of bitstreams: 1 Walter_IgorAlexandre_D.pdf: 1762436 bytes, checksum: 257485271a6580f86b0b466799ceff14 (MD5) Previous issue date: 2010 / Resumo: Sugerimos uma abordagem evolutiva para o projeto de estratégias de interação em sistemas multiagentes, especialmente estratégias de oferta modeladas como sistemas baseados em regras nebulosas. O objetivo é a aprendizagem das estratégias de oferta em leilões em modelos em que a base de conhecimento sofre evolução para melhorar o desempenho dos agentes atuando em um ambiente competitivo. Dados para aprendizagem e otimização das estratégias são raros em ambientes competitivos como os leilões. Introduzimos um modelo de sistema genético fuzzy (GFS) cujos operadores genéticos utilizam uma representação de tamanho variável do cromossomo e uma relação hierárquica estabelecida através do fitness dos indivíduos, em um esquema que explora e explota o espaço de busca ao longo das gerações. A evolução de estratégias de interação permite a descoberta de comportamentos dos agentes previamente desconhecidos e inesperados, permitindouma análise mais rica dos mecanismos de negociação e seu papel como protocolo de coordenação. A aplicação da abordagem proposta no mercado de energia elétrica permite a simulação destes mercados através da evolução de estratégias de oferta (bidding) em leilões de energia. A reestruturação destes mercados nas economias contemporâneas apresenta novos desafios e oportunidades, uma vez que não há consenso sobre qual seria sua melhor organização. A evolução da estrutura organizacional destes mercados salienta a falta de discernimento sobre as principais questões a serem analisadas e levadas em consideração. Argumenta-se que a abordagem econômica neoclássica se mostra limitada na análise dos efeitos da reestruturação e no estudo do comportamento dos agentes econômicos competindo nos mercados de energia elétrica reestruturados. Apresentamos uma arquitetura computacional inspirada na Economia Computacional baseada em Agentes que permite a modelagem, estudo e simulação destes mercados. Aplicamos ferramentas de inteligência computacional adequadas à concepção dos agentes participantes nos mercados de energia e que podem ser estendidas a outros mecanismos de mercado e negociação. Os mercados de energia elétrica são sistemas complexos habitados por agentes econômicos com interesse próprio que interagem entre si. Concluímos que é natural modelar e simular estes mercados como sistemas multiagentes. A evolução de estratégias de oferta permite a descoberta de comportamentos que auxiliam na tomada de decisão de um participante e na avaliação do mecanismo de negociação por parte de seus projetistas / Abstract: We suggest an evolutionary approach to design interaction strategies for multiagent systems, focusing on strategies modeled as fuzzy rule-based systems. The aim is to learn models represented by evolving knowledge bases to achieve agents' performance improvement when playing in a competitive environment. In competitive situations data for learning and tuning are rare and rule bases must jointly evolve with the databases. We introduce an evolutionary algorithm whose operators use variable length chromosome, a hierarchical relationship among individuals through fitness, and a scheme that successively explores and exploits the search space along generations. Evolution of interaction strategies uncovers unknown and unexpected agent behaviors and allows a richer analysis of negotiation mechanisms and their role as a coordination protocol. An application concerning an electricity market illustrates the effectiveness of the approach and allows to simulate the market through evolutionary bidding strategies. The restructuring process of power markets raises new challenges and opportunities, since there is no consensual market architecture. The evolution of the power industry organization shows a lack of insight about the issues to be addressed and taken into account. Several authors have considered the available tools based on the neoclassical economics theory a limited approach to analyze the effects of the industry restructuring and to study economical agents behavior participating in a restructured electricity market. We present Artificial Economy Multiagent System (AEMAS), a computational architecture inspired on Agent-based Computational Economics (ACE) that allows to model, study and simulate a power market. We apply Computational Intelligence tools to conceive the market agents that we expect could be extended to other negotiation environments. A power market is a complex system populated by self interested economical agents that interact. We conclude that it is feasible to model and simulate these markets on a multiagent system based approach. The evolution of bidding strategies allows to uncover new and unexpected behaviors that help to address the negotiation mechanism analysis by its designers and to support a market player decision process / Doutorado / Engenharia de Computação / Doutor em Engenharia Elétrica

Made available in DSpace on 2016-06-02T19:05:45Z (GMT). No. of bitstreams: 1 3199.pdf: 1902769 bytes, checksum: 95b9e8c5042bd6117bd75983a58966f6 (MD5) Previous issue date: 2009-10-30 / Universidade Federal de Sao Carlos / The objective of this work is to study, expand and evaluate the use of interval type-2 fuzzy sets in the knowledge representation for fuzzy inference systems, specifically for fuzzy classifiers, as well as its automatic generation form data sets, by means of genetic algorithms. This work investigates the use of such sets focussing the issue of balance between the cost addition in representation and the gains in interpretability and accuracy, both deriving from the representation and processing complexity of interval type-2 fuzzy sets. With this intent, an evolutionary model composed of three stages was proposed and implemented. In the first stage the rule base is generated, in the second stage the data base is optimized and finally, the number of rules of the rule base obtained is optimized in the third stage. The model developed was evaluated using several benchmark data sets and the results obtained were compared with two other fuzzy classifiers, being one of them generated by the same model using type-1 fuzzy sets and the other one generated by the Wang&Mendel method. Statistical methods usually applied for comparisons in similar contexts demonstrated a significant improvement in the classification rates of the intervalar type-2 fuzzy set classifier generated by the proposed model, with relation to the other methods. / O objetivo deste trabalho é estudar, expandir e avaliar o uso de conjuntos fuzzy intervalares tipo-2 na representação do conhecimento em sistemas de inferência fuzzy, mais especificamente para os classificadores fuzzy, bem como sua geração automática a partir de conjuntos de dados, por meio de algoritmos genéticos. Esse trabalho investiga o uso de tais conjuntos com enfoque na questão de balanceamento entre o acréscimo de custo da representação e os ganhos em interpretabilidade e precisão, ambos decorrentes da complexidade de representação e processamento dos conjuntos fuzzy intervalares do tipo-2. Com este intuito, foi proposto e implementado um modelo evolutivo composto por três etapas. Na primeira etapa á gerada a base de regras, na segunda é otimizada a base de dados e, por fim, na terceira etapa o número de regras da base gerada é otimizado. O modelo desenvolvido foi avaliado em diversos conjuntos de dados benchmark e os resultados obtidos foram comparados com outros dois classificadores fuzzy, sendo um deles gerados pelo mesmo modelo, porém, utilizando conjuntos fuzzy do tipo-1 e, o outro, gerado pelo método de Wang&Mendel. Métodos estatísticos de comparação usualmente aplicados em contextos semelhantes mostraram aumento significativo na taxa de classificação do classificador fuzzy intervalar do tipo-2 gerado pelo modelo em relação aos outros dois classificadores utilizados para comparação.