Un sistema híbrido neuro-genético para la construcción de controladores difusos

En este trabajo se presenta un modelo para la generación de controladores difusos basado en una combinación de redes neuronales y algoritmos genéticos. Un modelo de algoritmo genético denominado evolución simbiótica permite la construcción de las reglas difusas y la generación de los conjuntos difusos utilizados como consecuentes en las reglas. Luego un modelo de red neuronal es utilizado para el ajuste de las reglas difusas obtenidas. El modelo fue validado empíricamente con un problema clásico en el ámbito de sistemas de control: el péndulo invertido.

[1]  Risto Miikkulainen,et al.  Efficient Reinforcement Learning through Symbiotic Evolution , 1996, Machine Learning.

[2]  Hamid R. Berenji,et al.  Learning and tuning fuzzy logic controllers through reinforcements , 1992, IEEE Trans. Neural Networks.

[3]  Zbigniew Michalewicz,et al.  Genetic Algorithms + Data Structures = Evolution Programs , 1992, Artificial Intelligence.

[4]  E. H. Mamdani,et al.  Prescriptive method for deriving control policy in a fuzzy-logic controller , 1975 .

[5]  Richard S. Sutton,et al.  Neuronlike adaptive elements that can solve difficult learning control problems , 1983, IEEE Transactions on Systems, Man, and Cybernetics.

[6]  Mark Overmars Forms Library-A Graphical User Interface Toolkit for Silicon Graphics Workstations , 1992 .

[7]  Risto Miikkulainen,et al.  Hierarchical evolution of neural networks , 1998, 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98TH8360).

[8]  Charles L. Karr,et al.  Design of a cart-pole balancing fuzzy logic controller using a genetic algorithm , 1991, Defense, Security, and Sensing.