Genetic reinforcement learning through symbiotic evolution for fuzzy controller design

Juang, Chia‐Feng; Lin, Jianyu; Lin, Chin-Teng

doi:10.1109/3477.836377

Cited by 184 publications

(4 citation statements)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In SOA, to prevent suitable selection times from falling into the local optimal solution, we use two different actions to update V M k . Such actions are defined in the following equations: if Accumulator ≤ SOATimes, then do Steps 1 to 3, (25) if Best Fitnessg = Best Fitness, then Accumulator = Accumulator + 1, (26) if Accumulator > SOATimes, then do Step 0 and Accumulator = 0, (27) where SOATimes is a predefined value, Best_Fitness g represents the best fitness value of the best combination of chromosomes in the gth generation, and Best_Fitness represents the best fitness value of the best combination of chromosomes in the current generations. If Equation 27 is satisfied, then it indicates that the suitable selection times may fall into the local optimal solution.…”

Section: Self-organization Algorithmmentioning

confidence: 99%

“…In the remaining chromosomes in each group, this study uses the roulette-wheel selection method [26] for this reproduction process. The well-performed chromosomes in the top half of each group [27] proceed to the next generation. The other half is created by executing crossover and mutation operations on chromosomes in the top half of the parent individuals.…”

Section: Reproduction Strategymentioning

confidence: 99%

See 1 more Smart Citation

Efficient and accurate image alignment using TSK-type neuro-fuzzy network with data-mining-based evolutionary learning algorithm

Hsu

Cheng

Lin

2011

EURASIP J. Adv. Signal Process.

View full text Add to dashboard Cite

Image alignment is considered a key problem in visual inspection applications. The main concerns for such tasks are fast image alignment with subpixel accuracy. About this, neural network-based approaches are very popular in visual inspection because of their high accuracy and efficiency of aligning images. However, such methods are difficult to identify the structure and parameters of neural network. In this study, a Takagi-Sugeno-Kang-type neurofuzzy network (NFN) with data-mining-based evolutionary learning algorithm (DMELA) is proposed. Compared with traditional learning algorithms, DMELA combines the self-organization algorithm (SOA), data-mining selection method (DMSM), and regularized least square (RLS) method to not only determine a suitable number of fuzzy rules, but also automatically tune the parameters of NFN. Experimental results are shown to demonstrate superior performance of the DMELA constructed image alignment system over other typical learning algorithms and existing alignment systems. Such system is useful to develop accurate and efficient image alignment systems.

show abstract

Section: Self-organization Algorithmmentioning

confidence: 99%

Section: Reproduction Strategymentioning

confidence: 99%

Efficient and accurate image alignment using TSK-type neuro-fuzzy network with data-mining-based evolutionary learning algorithm

Hsu

Cheng

Lin

2011

EURASIP J. Adv. Signal Process.

View full text Add to dashboard Cite

show abstract

“…Since the RL has the capability to simulate the behavior of human beings when making decisions, to learn and accumulate experience through interaction with the environment, and to make corresponding actions when encountering various states in order to achieve the set goals. Hence, the reinforcement learning often is employed to enable the continuous learning and evolution of fuzzy systems, such as adjusting the attribution function [18], changing the number of rules [19], etc. In [20], Berenji used reinforcement learning combined with the fuzzy system to adjust the attribution function, so that the fuzzy system can be established more automatically.…”

Section: Introductionmentioning

confidence: 99%

Dynamic Energy Management for Perpetual Operation of Energy Harvesting Wireless Sensor Node Using Fuzzy Q-Learning

Hsu

Lin

2022

Energies

View full text Add to dashboard Cite

In an energy harvesting wireless sensor node (EHWSN), balance of energy harvested and consumption using dynamic energy management to achieve the goal of perpetual operation is one of the most important research topics. In this study, a novel fuzzy Q-learning (FQL)-based dynamic energy management (FQLDEM) is proposed in adapting its policy to the time varying environment, regarding both the harvested energy and the energy consumption of the WSN. The FQLDEM applies Q-learning to train, evaluate, and update the fuzzy rule base and then uses the fuzzy inference system (FIS) for determining the working duty cycle of the sensor of the EHWSN. Through the interaction with the energy harvesting environment, the learning agent of the FQL will be able to find the appropriate fuzzy rules in adapting the working duty cycle for the goal of energy neutrality such that the objective of perpetual operation of the EHWSN can be achieved. Experimental results show that the FQLDEM can maintain the battery charge status at a higher level than other existing methods did, such as the reinforcement learning (RL) method and dynamic duty cycle adaption (DDCA), and achieve the perpetual operation of the EHWSN. Furthermore, experimental results for required on-demand sensing measurements exhibit that the FQLDEM method can be slowly upgraded to meet 65% of the service quality control requirements in the early stage, which outperforms the RL-based and DDCA methods.

show abstract

“…Μία άλλη σημαντική οικογένεια αλγόριθμων που ακολουθεί τη στρατηγική IRL είναι αυτή LiBGFC που προέρχεται από τον αλγόριθμο Linguistic Boosted Genetic Fuzzy Classifier (LiBGFC) [461]. Μία διαφορετική αλλά ενδιαφέρουσα προσέγγιση προτάθηκε στην εργασία [445], όπου και Συμβιωτική εξέλιξη εξετάστηκε η χρήση της συμβιωτικής εξέλιξης [464,465]…”

Section: η μεθοδολογία Irlunclassified

Μοντελοποίηση Ιδιοτήτων Εδαφών Από Υπερφασματικές Υπογραφές Με Χρήση Τεχνικών Υπολογιστικής Νοημοσύνης

Τσακιρίδης¹

View full text Add to dashboard Cite

Η παρούσα διατριβή πραγματεύεται το πρόβλημα της μοντελοποίησης των φυσικοχημικών ιδιοτήτων ενός εδαφικού δείγματος μέσω της φασματικής υπογραφής διάχυτης ανάκλασης του στο ορατό--υπέρυθρο ηλεκτρομαγνητικό φάσμα που λαμβάνεται στο εργαστήριο. Κύριος στόχος της αποτελεί την ανάπτυξη καινοτόμων μεθοδολογιών που εντάσσονται στο ευρύτερο πλαίσιο της ερμηνεύσιμης τεχνητής νοημοσύνης, ούτως ώστε τα μοντέλα να χαρακτηρίζονται από σημαντικό βαθμό ερμηνευσιμότητας. Το χαρακτηριστικό τους αυτό επιτρέπει τους ερευνητές και τους χρήστες να τα κατανοήσουν, να τα εμπιστευτούν καταλλήλως, αλλά και να τα διαχειριστούν, διότι επιτρέπει στα μοντέλα να εξηγήσουν τη διαδικασία συμπερασμού τους, να χαρακτηρίσουν τα δυνατά και αδύνατα σημεία τους, και να καταδείξουν πώς θα συμπεριφέρονται στο μέλλον ή σε νέα δεδομένα, διασφαλίζοντας τη μεταφερσιμότητά τους. Για τον σκοπό αυτό προτείνονται μεθοδολογίες που εντάσσονται στο γνωστικό αντικείμενο της υπολογιστικής νοημοσύνης. Συγκεκριμένα, αρχικώς προτείνεται μία οικογένεια αλγορίθμων για την ανάπτυξη εξελικτικών ασαφών συστημάτων. Ιδιαίτερο χαρακτηριστικό αυτών των συστημάτων είναι ο μεγάλος βαθμός ερμηνευσιμότητας τους, καθώς δημιουργούν απλά και εύληπτα μοντέλα βασισμένα σε κανόνες που προσιδιάζουν στις απλές συμπερασματικές προτάσεις του ανθρώπινου νου. Κάθε μέλος αυτής της οικογένειας εμφανίζει συγκριτικά πλεονεκτήματα σε σχέση με άλλα εξελικτικά ασαφή συστήματα που έχουν προταθεί στη βιβλιογραφία, και είναι σε θέση να αντιμετωπίζει προβλήματα μεγάλης διαστατικότητας του χώρου εισόδου επιτυγχάνοντας την επιθυμητή ισορροπία μεταξύ της ορθότητας των προβλέψεων και της δομικής πολυπλοκότητας των παραγόμενων βάσεων κανόνων. Κατόπιν, παρουσιάζονται τεχνικές μηχανικής μάθησης και μία τεχνική βαθιάς μάθησης που σχεδιάζονται έχοντας ως στόχο την επίτευξη μικρότερων σφαλμάτων πρόβλεψης αλλά και ταυτοχρόνως την εισαγωγή δομικών στοιχείων που επιτρέπουν την ερμηνεία των αποτελεσμάτων και των διαδικασιών συμπερασμού των μοντέλων. Στο πλαίσιο των ανωτέρω μεθοδολογιών, προτείνεται και η συνδυαστική χρήση διαφορετικών τεχνικών προ-επεξεργασίας φάσματος με γνώμονα την αξιοποίηση της συμπληρωματικής πληροφορίας που προκύπτει από τη χρήση αυτών. Οι προτεινόμενες διαδικασίες εφαρμόζονται σε μεγάλες φασματικές βιβλιοθήκες εδαφών που έχουν αναπτυχθεί τα τελευταία χρόνια.

show abstract

Genetic reinforcement learning through symbiotic evolution for fuzzy controller design

Cited by 184 publications

References 24 publications

Efficient and accurate image alignment using TSK-type neuro-fuzzy network with data-mining-based evolutionary learning algorithm

Efficient and accurate image alignment using TSK-type neuro-fuzzy network with data-mining-based evolutionary learning algorithm

Dynamic Energy Management for Perpetual Operation of Energy Harvesting Wireless Sensor Node Using Fuzzy Q-Learning

Μοντελοποίηση Ιδιοτήτων Εδαφών Από Υπερφασματικές Υπογραφές Με Χρήση Τεχνικών Υπολογιστικής Νοημοσύνης

Contact Info

Product

Resources

About