الگوریتم ژنتیک در بسیاری از مسائل بهینه‌سازی که فضای جستجوی بزرگ، غیرخطی یا پیچیده دارند قابل استفاده است و به همین دلیل در حوزه‌های مختلف مهندسی، هوش مصنوعی و علوم کاربرد فراوانی پیدا کرده است.

الگوریتم ژنتیک چگونه کار می‌کند؟

در یک مسئله بهینه‌سازی، ابتدا باید متغیرهای تصمیم مشخص شوند. سپس هر جواب ممکن به شکلی قابل استفاده برای الگوریتم نمایش داده می‌شود.

الگوریتم ژنتیک معمولاً با مراحل زیر اجرا می‌شود:

1. تولید جمعیت اولیه
2. محاسبه مقدار تابع برازندگی
3. انتخاب والدین مناسب
4. انجام Crossover
5. اعمال Mutation
6. تولید نسل جدید
7. ارزیابی نسل جدید
8. تکرار مراحل تا رسیدن به شرط توقف

هدف این فرایند آن است که با گذشت نسل‌ها، کیفیت جواب‌های موجود در جمعیت افزایش پیدا کند.

کروموزوم در الگوریتم ژنتیک

در GA هر جواب ممکن برای مسئله با یک Chromosome نمایش داده می‌شود.

کروموزوم شامل مجموعه‌ای از ژن‌ها است و هر ژن می‌تواند نماینده یکی از متغیرهای مسئله باشد.

برای مثال اگر مسئله دارای سه متغیر تصمیم باشد، یک کروموزوم می‌تواند اطلاعات مربوط به این سه متغیر را در خود نگه دارد.

نحوه نمایش کروموزوم اهمیت زیادی دارد، زیرا ساختار آن باید متناسب با مسئله بهینه‌سازی انتخاب شود.

کدگذاری باینری و حقیقی

یکی از روش‌های کلاسیک نمایش کروموزوم‌ها، Binary Encoding است. در این روش متغیرها به رشته‌های صفر و یک تبدیل می‌شوند.

با این حال برای بسیاری از مسائل مهندسی استفاده از Real-Valued Encoding مناسب‌تر است، زیرا متغیرها مستقیماً به صورت اعداد حقیقی نمایش داده می‌شوند.

انتخاب نوع کدگذاری به ساختار مسئله، نوع متغیرها و روش اعمال عملگرهای ژنتیکی بستگی دارد.

Population یا جمعیت

مجموعه‌ای از چند کروموزوم یک Population را تشکیل می‌دهد.

هر عضو جمعیت یک جواب احتمالی برای مسئله است. در ابتدای اجرای الگوریتم، جمعیت اولیه معمولاً به صورت تصادفی ایجاد می‌شود.

سپس در هر Generation جمعیت جدیدی تولید می‌شود که انتظار داریم نسبت به نسل‌های قبلی جواب‌های مناسب‌تری در آن وجود داشته باشد.

تعداد اعضای جمعیت یکی از پارامترهای مهم الگوریتم ژنتیک است.

تابع هدف و Fitness Function

یکی از مهم‌ترین مراحل استفاده از الگوریتم ژنتیک، تعریف صحیح Objective Function یا تابع هدف است.

الگوریتم باید بتواند کیفیت هر جواب را اندازه‌گیری کند. این کار از طریق Fitness Function انجام می‌شود.

برای مثال ممکن است هدف مسئله یکی از موارد زیر باشد:

• کمینه کردن هزینه
• کمینه کردن خطا
• بیشینه کردن سود
• بیشینه کردن راندمان
• کاهش مصرف انرژی
• پیدا کردن بهترین پارامترهای یک مدل

اگر تابع هدف به درستی تعریف نشود، حتی یک الگوریتم ژنتیک خوب نیز نمی‌تواند جواب مناسبی برای مسئله پیدا کند.

Selection یا انتخاب

بعد از محاسبه Fitness، باید مشخص شود کدام اعضای جمعیت برای تولید نسل بعد انتخاب شوند.

به این مرحله Selection گفته می‌شود.

در حالت کلی جواب‌هایی که Fitness بهتری دارند، شانس بیشتری برای انتقال ویژگی‌های خود به نسل بعد خواهند داشت.

روش‌های مختلفی برای Selection وجود دارد.

Roulette Wheel Selection

یکی از روش‌های معروف انتخاب در GA، Roulette Wheel Selection است.

در این روش احتمال انتخاب هر عضو با کیفیت یا Fitness آن ارتباط دارد.

به صورت مفهومی می‌توان یک چرخ رولت را تصور کرد که اعضای بهتر سهم بیشتری از آن را در اختیار دارند؛ بنابراین احتمال انتخاب آن‌ها بیشتر است.

با این حال اعضای ضعیف‌تر نیز احتمال صفر ندارند و همین موضوع به حفظ تنوع جمعیت کمک می‌کند.

Tournament Selection

روش Tournament Selection نیز یکی از روش‌های پرکاربرد انتخاب است.

در این روش چند عضو از جمعیت انتخاب شده و با یکدیگر مقایسه می‌شوند. سپس عضو مناسب‌تر به عنوان والد انتخاب می‌شود.

این عملیات چندین بار تکرار می‌شود تا تعداد کافی والد برای تولید نسل بعد در اختیار الگوریتم قرار گیرد.

Elitism

در الگوریتم ژنتیک ممکن است بهترین جواب یک نسل در هنگام Crossover و Mutation از بین برود.

برای جلوگیری از این اتفاق می‌توان از Elitism استفاده کرد.

در روش نخبه‌گرایی، تعدادی از بهترین اعضای جمعیت بدون تغییر مستقیماً به نسل بعد منتقل می‌شوند.

این کار کمک می‌کند بهترین جواب پیدا شده تا آن لحظه از دست نرود.

Crossover یا آمیختگی

یکی از اصلی‌ترین عملگرهای الگوریتم ژنتیک Crossover است.

در این مرحله دو کروموزوم والد انتخاب می‌شوند و بخش‌هایی از اطلاعات آن‌ها با یکدیگر ترکیب می‌شوند تا فرزندان جدیدی ایجاد شوند.

ایده اصلی این است که شاید ترکیب ویژگی‌های خوب دو والد بتواند یک جواب بهتر تولید کند.

Single Point Crossover

در Single Point Crossover یک نقطه روی کروموزوم انتخاب می‌شود.

قسمتی از ژن‌های بعد از این نقطه میان والدها جابه‌جا می‌شوند و به این ترتیب دو فرزند جدید ایجاد می‌شوند.

این روش یکی از ساده‌ترین روش‌های آمیختگی در الگوریتم ژنتیک است.

Two-Point و Multi-Point Crossover

در Two-Point Crossover دو نقطه روی کروموزوم مشخص می‌شود و بخش قرار گرفته بین این دو نقطه میان والدها جابه‌جا می‌شود.

اگر تعداد بیشتری نقطه Crossover داشته باشیم، با یک روش Multi-Point Crossover مواجه هستیم.

انتخاب روش مناسب Crossover می‌تواند روی سرعت و کیفیت جستجو تأثیر بگذارد.

Uniform Crossover

در Uniform Crossover انتخاب ژن‌های فرزند می‌تواند برای هر موقعیت به صورت جداگانه انجام شود.

در نتیجه ترکیب ژن‌های والدین انعطاف بیشتری نسبت به روش‌های تک‌نقطه‌ای دارد.

نوع Crossover باید با نوع کدگذاری کروموزوم و ساختار مسئله هماهنگ باشد.

Mutation یا جهش

اگر تنها از Selection و Crossover استفاده شود، احتمال دارد جمعیت به تدریج تنوع خود را از دست بدهد.

Mutation برای ایجاد تغییرات تصادفی کوچک در کروموزوم‌ها استفاده می‌شود.

در کدگذاری باینری، Mutation می‌تواند یک بیت صفر را به یک یا برعکس تبدیل کند.

در کدگذاری حقیقی نیز می‌توان مقدار یکی از متغیرها را با یک تغییر تصادفی اصلاح کرد.

هدف Mutation حفظ تنوع ژنتیکی و کمک به الگوریتم برای جستجوی نواحی جدید فضای جواب است.

تعادل Exploration و Exploitation

یکی از موضوعات مهم در الگوریتم‌های بهینه‌سازی، ایجاد تعادل میان:

• Exploration: جستجوی نواحی جدید
• Exploitation: بهبود جواب‌های خوب موجود

است.

Selection و Elitism معمولاً الگوریتم را به سمت جواب‌های خوب هدایت می‌کنند، در حالی که Mutation و تنوع جمعیت کمک می‌کنند فضای بیشتری از جواب‌های ممکن بررسی شود.

تنظیم مناسب پارامترها برای ایجاد این تعادل اهمیت زیادی دارد.

احتمال Crossover و Mutation

دو پارامتر مهم GA عبارتند از:

• Crossover Probability
• Mutation Probability

اگر Mutation بسیار کم باشد ممکن است الگوریتم تنوع کافی نداشته باشد. اگر بیش از حد زیاد باشد، رفتار الگوریتم می‌تواند بیش از اندازه تصادفی شود.

همین موضوع درباره نرخ Crossover نیز وجود دارد.

در پروژه‌های عملی ممکن است لازم باشد چند مقدار مختلف برای این پارامترها آزمایش شود.

شرط توقف الگوریتم

الگوریتم ژنتیک نمی‌تواند برای همیشه اجرا شود و باید یک معیار برای پایان عملیات تعریف کنیم.

شرط توقف می‌تواند بر اساس یکی از موارد زیر باشد:

• رسیدن به تعداد مشخصی Generation
• رسیدن Fitness به مقدار مورد نظر
• عدم بهبود جواب طی چند نسل
• رسیدن به محدودیت زمانی
• رسیدن تغییرات Fitness به مقدار بسیار کم

پس از تحقق شرط توقف، بهترین جواب موجود در جمعیت به عنوان جواب الگوریتم گزارش می‌شود.

همگرایی زودرس

یکی از مشکلات احتمالی الگوریتم ژنتیک، Premature Convergence است.

در این حالت اعضای جمعیت خیلی زود شبیه یکدیگر می‌شوند و الگوریتم در یک ناحیه از فضای جستجو متوقف می‌شود.

این مسئله می‌تواند باعث شود الگوریتم به یک جواب محلی برسد و جواب بهتر موجود در فضای جستجو را پیدا نکند.

تنظیم Mutation، اندازه Population و روش Selection در کاهش این مشکل اهمیت دارند.

پیاده‌سازی الگوریتم ژنتیک در MATLAB

تمرکز اصلی این دوره بر پیاده‌سازی عملی Genetic Algorithm در MATLAB است.

MATLAB محیط مناسبی برای پیاده‌سازی الگوریتم‌های بهینه‌سازی است، زیرا کار با بردارها، ماتریس‌ها، اعداد تصادفی، توابع و نمودارها در آن ساده است.

در یک پیاده‌سازی GA معمولاً بخش‌هایی برای موارد زیر نوشته می‌شوند:

• تعریف مسئله
• تولید Population
• محاسبه Cost
• Selection
• Crossover
• Mutation
• ذخیره بهترین جواب
• رسم روند همگرایی

درک این اجزا به کاربر اجازه می‌دهد الگوریتم را برای پروژه‌های متفاوت تغییر دهد.

رسم نمودار همگرایی

برای بررسی عملکرد GA معمولاً بهترین مقدار تابع هدف در هر نسل ذخیره می‌شود.

سپس می‌توان Convergence Curve را رسم کرد.

این نمودار نشان می‌دهد الگوریتم در طول نسل‌ها چگونه جواب مسئله را بهبود داده است.

با مشاهده نمودار همگرایی می‌توان درباره سرعت بهبود الگوریتم و نیاز احتمالی به تغییر پارامترها تصمیم‌گیری کرد.

الگوریتم ژنتیک برای مسائل مهندسی

Genetic Algorithm محدود به یک رشته خاص نیست و می‌توان آن را در بسیاری از مسائل مهندسی استفاده کرد.

نمونه‌هایی از کاربردهای آن عبارتند از:

• بهینه‌سازی طراحی
• سیستم‌های قدرت
• کنترل
• مکان‌یابی
• زمان‌بندی
• مهندسی صنایع
• انتخاب ویژگی
• تنظیم پارامترهای مدل
• طراحی شبکه عصبی
• مدیریت انرژی
• بهینه‌سازی سازه
• مسائل اقتصادی

نکته اصلی این است که مسئله باید به شکلی تعریف شود که متغیرهای تصمیم، تابع هدف و در صورت وجود قیود آن مشخص باشند.

استفاده از GA در یادگیری ماشین

الگوریتم ژنتیک می‌تواند در مسائل Machine Learning نیز استفاده شود.

برای مثال می‌توان از GA برای:

• Feature Selection
• Hyperparameter Optimization
• انتخاب ساختار مدل
• تنظیم پارامترهای شبکه عصبی
• انتخاب متغیرهای ورودی
• کمینه کردن خطای مدل

استفاده کرد.

در این حالت عملکرد مدل یادگیری ماشین می‌تواند در داخل تابع هدف محاسبه شود و GA به دنبال ترکیبی از پارامترها باشد که عملکرد بهتری ایجاد کند.

این آموزش برای چه افرادی مناسب است؟

این دوره برای افراد زیر می‌تواند مفید باشد:

• دانشجویان مهندسی برق
• دانشجویان کامپیوتر و هوش مصنوعی
• دانشجویان صنایع
• دانشجویان مکانیک و عمران
• پژوهشگران بهینه‌سازی
• دانشجویان کارشناسی ارشد و دکتری
• افرادی که در پایان‌نامه از GA استفاده می‌کنند
• افرادی که قصد کدنویسی الگوریتم‌های تکاملی در MATLAB را دارند

پیش‌نیاز دوره

پیش‌نیاز معرفی‌شده برای این محصول، آشنایی با مبانی بهینه‌سازی است.

قبل از پیاده‌سازی یک الگوریتم ژنتیک باید بتوانید متغیرهای تصمیم، تابع هدف، محدوده متغیرها و در صورت نیاز قیود مسئله را به درستی تعریف کنید.

همچنین آشنایی مقدماتی با MATLAB برای استفاده بهتر از بخش کدنویسی توصیه می‌شود.

هدف این آموزش

هدف این دوره آن است که مخاطب ابتدا اجزای اصلی Genetic Algorithm را به صورت مفهومی درک کرده و سپس نحوه تبدیل این اجزا به کد MATLAB را یاد بگیرد.

پس از مشاهده آموزش، کاربر باید دید روشن‌تری نسبت به Population، Chromosome، Fitness Function، Selection، Crossover، Mutation و Generation داشته باشد و بتواند ساختار الگوریتم را برای مسئله بهینه‌سازی خود توسعه دهد.

فیلم جامع آموزش فارسی الگوریتم ژنتیک در متلب MATLAB

نوشته فیلم جامع آموزش فارسی الگوریتم ژنتیک در MATLAB اولین بار در ايران متلب. پدیدار شد.

این ویژگی باعث می‌شود سیستم‌های فازی نوع 2 در مسائلی که داده‌ها دارای نویز، ابهام یا عدم قطعیت زیادی هستند، انعطاف بیشتری نسبت به سیستم‌های فازی معمولی داشته باشند.

چرا فازی نوع 2؟

در بسیاری از مسائل واقعی تعیین دقیق تابع عضویت کار ساده‌ای نیست.

برای مثال ممکن است چند متخصص درباره مرز میان مفاهیمی مانند «کم»، «متوسط» و «زیاد» نظرهای متفاوتی داشته باشند. همچنین داده‌های واقعی ممکن است دارای نویز باشند یا رفتار سیستم با گذشت زمان تغییر کند.

در چنین شرایطی استفاده از یک تابع عضویت ثابت ممکن است نتواند عدم قطعیت موجود را به خوبی نمایش دهد.

فازی نوع 2 برای همین نوع مسائل طراحی شده است و می‌تواند عدم قطعیت موجود در خود تابع عضویت را نیز مدل کند.

تفاوت فازی نوع 1 و نوع 2

در فازی نوع 1، برای هر مقدار ورودی یک درجه عضویت مشخص در بازه صفر تا یک داریم.

اما در فازی نوع 2، درجه عضویت می‌تواند خود یک مجموعه فازی باشد.

در کاربردهای عملی، یکی از مهم‌ترین و پرکاربردترین انواع فازی نوع 2، Interval Type-2 Fuzzy System است که نسبت به نوع عمومی محاسبات ساده‌تری دارد.

در این آموزش تمرکز اصلی بر سیستم‌های فازی نوع 2 بازه‌ای است.

مفهوم FOU

یکی از مهم‌ترین مفاهیم در فازی نوع 2، Footprint of Uncertainty یا FOU است.

FOU ناحیه‌ای است که عدم قطعیت تابع عضویت را نمایش می‌دهد.

در یک سیستم فازی نوع 2 بازه‌ای، معمولاً دو تابع عضویت اصلی داریم:

• Upper Membership Function
• Lower Membership Function

فضای بین این دو تابع همان FOU است.

هرچه عدم قطعیت در تعریف تابع عضویت بیشتر باشد، این ناحیه می‌تواند گسترده‌تر شود.

تابع عضویت Upper و Lower

برای تعریف یک مجموعه فازی نوع 2 بازه‌ای، از تابع عضویت بالا و پایین استفاده می‌شود.

تابع Upper حد بالای درجه عضویت و تابع Lower حد پایین آن را مشخص می‌کند.

در نتیجه به جای آن‌که برای یک ورودی یک مقدار عضویت مشخص داشته باشیم، یک بازه از مقادیر عضویت در اختیار خواهیم داشت.

این موضوع یکی از تفاوت‌های اصلی سیستم فازی نوع 2 با فازی نوع 1 است.

ساختار کلی سیستم فازی نوع 2

یک سیستم فازی نوع 2 معمولاً شامل بخش‌های زیر است:

• Fuzzifier
• Rule Base
• Inference Engine
• Type Reducer
• Defuzzifier

ورودی ابتدا وارد بخش Fuzzifier می‌شود و سپس قوانین فازی توسط موتور استنتاج مورد ارزیابی قرار می‌گیرند.

یکی از بخش‌های مهمی که در سیستم فازی نوع 1 وجود ندارد، Type Reducer است.

وظیفه Type Reducer تبدیل خروجی فازی نوع 2 به یک مجموعه فازی نوع 1 است تا در نهایت بتوان یک مقدار عددی Crisp تولید کرد.

Type Reduction چیست؟

خروجی موتور استنتاج در یک سیستم Type-2 هنوز دارای عدم قطعیت است و نمی‌توان مستقیماً آن را به یک عدد تبدیل کرد.

بنابراین ابتدا باید مرحله‌ای به نام Type Reduction انجام شود.

در این مرحله مجموعه فازی نوع 2 به یک مجموعه فازی نوع 1 تبدیل می‌شود و سپس عملیات Defuzzification روی آن انجام می‌شود.

یکی از مهم‌ترین روش‌های کاهش نوع، روش مبتنی بر مرکز ثقل است.

الگوریتم Karnik-Mendel

یکی از الگوریتم‌های مشهور در سیستم‌های فازی نوع 2، Karnik-Mendel یا KM است.

این الگوریتم برای محاسبه حدود چپ و راست خروجی Type-Reduced استفاده می‌شود.

در این آموزش الگوریتم KM و شبه‌کد آن بررسی شده و نحوه محاسبه مقادیر مورد نیاز برای رسیدن به خروجی نهایی تشریح می‌شود.

مفاهیمی مانند:

• yl
• yr
• L
• R
• Firing Interval

در این بخش مورد بررسی قرار می‌گیرند.

Firing Interval در قوانین فازی

در سیستم‌های فازی نوع 2، میزان فعال شدن یک قانون لزوماً یک عدد مشخص نیست و ممکن است به صورت یک بازه بیان شود.

این بازه با عنوان Firing Interval شناخته می‌شود.

در دوره نحوه محاسبه Firing Interval در قسمت Antecedent و Consequent قوانین بررسی می‌شود تا کاربر روند کامل اجرای یک Rule را در سیستم Type-2 درک کند.

قوانین فازی نوع 2

مانند سیستم‌های فازی نوع 1، در فازی نوع 2 نیز از قوانین If-Then استفاده می‌شود.

تفاوت اصلی در این است که توابع عضویت موجود در قسمت شرط و نتیجه دارای عدم قطعیت هستند.

در آموزش نحوه تعریف Rule Base، ایجاد Rule Table و عملکرد قوانین با مثال‌های گرافیکی بررسی می‌شود.

عملیات Min، Max و Product

در موتور استنتاج فازی از عملگرهای مختلفی برای ترکیب شرایط قوانین استفاده می‌شود.

در این دوره نحوه عملکرد عملگرهای:

• Min
• Max
• Product

در سیستم فازی نوع 2 توضیح داده می‌شود.

درک این عملیات برای فهم نحوه تولید Fired Rule FOU و خروجی نهایی سیستم اهمیت زیادی دارد.

طراحی گرافیکی سیستم فازی نوع 2

یکی از بخش‌های مهم این دوره، آموزش کار با Toolbox فازی نوع 2 است.

کاربر یاد می‌گیرد چگونه بدون کدنویسی اولیه، یک سیستم فازی نوع 2 را از طریق محیط گرافیکی طراحی کند.

از جمله کارهایی که در این بخش آموزش داده می‌شوند:

• تعریف ورودی‌ها
• تغییر نام ورودی‌ها
• تعیین بازه ورودی
• افزایش یا کاهش تعداد ورودی‌ها
• تعریف توابع عضویت
• تغییر نام Membership Functionها
• تنظیم Upper و Lower
• تعریف قوانین
• حذف و اضافه کردن Rule
• تنظیم بخش Inference

انواع Membership Function

در طراحی سیستم فازی نوع 2 می‌توان از انواع مختلف توابع عضویت استفاده کرد.

در آموزش با نمونه‌هایی مانند:

• Gaussian
• Triangular
• Gauss Mean
• Gauss Div
• Gauss Uncertain Peak
• Triangular Uncertain Peak

آشنا می‌شوید.

همچنین نحوه تنظیم پارامترهای این توابع و تغییر میزان عدم قطعیت آن‌ها بررسی می‌شود.

تولید کد MATLAB بدون کدنویسی اولیه

یکی از قابلیت‌های کاربردی Toolbox مورد استفاده در این آموزش، امکان طراحی گرافیکی سیستم و سپس Export کردن مدل به کد MATLAB است.

به این ترتیب ابتدا می‌توانید ساختار سیستم را در محیط گرافیکی ایجاد کنید و سپس M-File تولیدشده را مشاهده و ویرایش کنید.

در دوره کد تولیدشده به صورت خط به خط بررسی می‌شود تا کاربر با ساختار برنامه نیز آشنا شود.

کدنویسی فازی نوع 2 در MATLAB

علاوه بر طراحی گرافیکی، نحوه پیاده‌سازی مستقیم سیستم فازی نوع 2 در MATLAB نیز آموزش داده می‌شود.

موضوعاتی مانند:

• ساخت FuzzyT2Struct
• تعریف ورودی و خروجی
• تعریف Membership Function
• تعریف Rule Base
• استفاده از تابع type2fls
• اعمال داده به سیستم
• دریافت خروجی

در بخش برنامه‌نویسی مورد بررسی قرار می‌گیرند.

این قسمت برای افرادی اهمیت زیادی دارد که می‌خواهند سیستم فازی نوع 2 را در یک پروژه بزرگ‌تر یا الگوریتم دیگر استفاده کنند.

مدل‌سازی با دو ورودی و یک خروجی

در آموزش یک سیستم فازی نوع 2 دارای دو ورودی و یک خروجی نیز بررسی می‌شود.

این مثال کمک می‌کند کاربر مراحل طراحی یک سیستم را از تعریف توابع عضویت تا ایجاد قوانین و محاسبه خروجی به صورت عملی مشاهده کند.

بعد از درک این ساختار می‌توان سیستم را برای تعداد بیشتری از ورودی‌ها یا مسائل متفاوت توسعه داد.

کاربردهای فازی نوع 2

سیستم‌های فازی نوع 2 در حوزه‌هایی که عدم قطعیت و نویز اهمیت زیادی دارند قابل استفاده هستند.

برخی از کاربردهای آن عبارتند از:

• کنترل سیستم‌های غیرخطی
• رباتیک
• پردازش تصویر
• تشخیص لبه
• Pattern Recognition
• Classification
• پیش‌بینی سری زمانی
• مدل‌سازی سیستم‌ها
• پردازش داده‌های نویزی
• تصمیم‌گیری
• سیستم‌های هوشمند
• کاربردهای پزشکی

این آموزش برای چه افرادی مناسب است؟

این دوره می‌تواند برای گروه‌های زیر مناسب باشد:

• دانشجویان مهندسی برق و کنترل
• دانشجویان کامپیوتر و هوش مصنوعی
• پژوهشگران منطق فازی
• دانشجویان کارشناسی ارشد و دکتری
• افرادی که در پایان‌نامه از فازی نوع 2 استفاده می‌کنند
• پژوهشگران سیستم‌های هوشمند
• علاقه‌مندان Computational Intelligence
• افرادی که قصد پیاده‌سازی Type-2 Fuzzy در MATLAB را دارند

پیش‌نیاز پیشنهادی

برای درک بهتر مطالب، آشنایی مقدماتی با منطق فازی نوع 1 توصیه می‌شود.

بهتر است کاربر با مفاهیمی مانند:

• Membership Function
• Fuzzification
• Rule Base
• Inference
• Defuzzification

آشنا باشد.

برای بخش کدنویسی نیز آشنایی اولیه با MATLAB مفید خواهد بود.

هدف این آموزش

هدف این دوره آن است که مخاطب ابتدا تفاوت سیستم‌های فازی نوع 1 و نوع 2 را درک کرده و سپس با اجزای مختلف یک سیستم Interval Type-2 آشنا شود.

در ادامه کاربر می‌آموزد چگونه الگوریتم Karnik-Mendel و Type Reduction عمل می‌کنند و در نهایت می‌تواند یک سیستم فازی نوع 2 را هم به صورت گرافیکی و هم به صورت کدنویسی در MATLAB پیاده‌سازی کند.

فیلم آموزش فارسی فازی نوع 2

نوشته فیلم آموزش فارسی فازی نوع 2 در MATLAB اولین بار در ايران متلب. پدیدار شد.