Optymalizacja przy pomocy roju cząstek bazy reguł klasyfikatora rozmytego

Systemy rozmyte wykorzystywane są często jako systemy eksperckie, w tym systemy klasyfikacji danych. Szczególnie ważną kwestią jest w tym przypadku stworzenie i optymalizacja bazy reguł rozmytych na podstawie danych, opisujących konkretne zagadnienie. W tym celu stosowane są głównie metody z obszaru tzw. inteligencji obliczeniowej (ang. computational intelligence), zwłaszcza z zakresu algorytmów ewolucyjnych. Pierwsza część niniejszego artykułu prezentuje zastosowanie, należącego do obszaru tzw. inteligencji rojowej, algorytmu optymalizacji rojem cząstek PSO (ang. Particle Swarm Optimization) do optymalizacji bazy reguł klasyfikatora rozmytego. W drugiej części artykułu przedstawiono zastosowanie proponowanego podejścia do problemu klasyfikacji dwóch zbiorów danych, pochodzących ze znanej bazy UCI Machine Learning Repository (tzw. Iris Data i Glass Identification Data). Uzyskane wyniki porównano z rezultatami działania metod alternatywnych  algorytmu największego spadku oraz klasycznego algorytmu genetycznego.

---

Fuzzy systems are often used as expert systems including data classification systems. Very important issue is designing and optimization of their fuzzy rule bases from available pattern data. For this purpose, methods from the area of computational intelligence (especially evolutionary algorithms) are usually applied. The first part of this paper presents an application of the particle swarm optimization algorithm for optimizing rule base of the fuzzy classifier. Particle swarm optimization belongs to the class of swarm intelligence algorithms. Swarm intelligence techniques use the collective behaviors of many simple agents which interact with each other and with their environment. The second part of the paper describes the application of the presented method for the classification of two well-known data sets from UCI Machine Learning Repository (Iris Data and Glass Identification Data). The proposed approach is also compared with two alternative methods - gradient descent and genetic algorithm