بهينه سازي چندين كمينه پشتيبان در يادگيري قرينه هاي تابع هاي عضويت جهت كشف قانونهاي انجمني فازي با استفاده از الگوريتم ژنتيك فازي

یكی از جدیدترین الگوریتمهایی كه جهت كشف قوانین انجمنی فازي اخیراً ارائه شده است، رویكردي است كه در آن از مدل نمایش زبانی دو تایی براي نمایش قانون انجمنی فازي استفاده می شود كه به ناحیههاي فازي توابع عضویت اجازه انتقال نمادین تنها با یك پارامتر را می دهد.به ادعاي پیشنهاددهندگان این رویكرد، الگوریتم آنها سبب دستیابی به مقیاسپذیري و توابع عضویت مناسبتري نسبت به دیگر الگوریتم هاي مشابه خواهد شد. این ادعا با كاهشی كه در فضاي جستجوي مسأله صورت می پذیرد و نیز با تنظیم توابع عضویت با حفظ درجه شمول بالاي داده، درست به نظر می رسد، اما به نظر ما این بهبود در مواردي چندان چشمگیر نبوده است. ما در كار تحقیقی دیگري، زمان اجراي الگوریتم یاد شده را با خوشهبنديكروموزوم ها به نحو مطلوبی با حفظ پارامترهاي كیفی كاهش دادیم. البته الگوریتم ما تنها از یك كمینه پشتیبان جهت استخراج قوانین انجمنی فازي استفاده می نمود. در این مقاله نشان می دهیم كه چگونه با الهام از نتایج مثبت انعكاس ترجیحات كاربر (در مورد دانشی كه از پایگاه داده به دست می آید) در تابع برازندگی الگوریتم ژنتیك فازي دیگري، می توان در الگوریتم یاد شده ، چندین كمینه پشتیبان را بهینه كرده ، اندازهي برازندگی كروموزوم ها را افزایش داده و از همه مهمتر با تنظیم مناسب تر جابه جایی ناحیه هاي فازي، توابع عضویت بهینه تري را به دست آورد.