Самонастраивающиеся эволюционные алгоритмы формирования систем на нечеткой логике

При помощи разработанных эволюционных алгоритмов решена важная и актуальная проблема автоматизации построения компактных и легко интерпретируемых классификаторов с использованием аппарата нечеткой логики. Цель: повышение качества и интерпретируемости нечетких классификаторов, а также снижение требуемых вычислительных ресурсов при их формировании за счет применения самонастраивающихся эволюционных алгоритмов. Разработаны методы кодирования базы нечетких правил, реализован метод гибридизации питтсбургского и мичиганского подходов к формированию нечетких классификаторов, а также разработан метод селекции обучающих примеров для снижения вычислительной сложности алгоритма и повышения качества классификации и интерпретируемости получаемых результатов. Разработаны, исследованы и апробированы новый самокофигурируемый гибридный эволюционный алгоритм формирования баз нечетких правил и новый адаптивный метод селекции обучающих примеров с возможностью формирования сбалансированных подвыборок ограниченного объема для обучения классификаторов. Полученные результаты численных экспериментов доказывают, что предложенный подход с активным обучением показывает эффективность классификации на уровне лучших алгоритмов из известных в мировом сообществе и в некоторых случаях превосходит их. Проведенный статистический анализ результатов и тестирование алгоритма для различных объемов обучающей подвыборки и длины периода адаптации показывает преимущества предложенного подхода. Решенные практические задачи классификации с несбалансированными данными подтверждают корректность и реализуемость предложенного метода.