بهينه‌سازي ساختار الگوريتم درخت مدل خطي محلي با استفاده از الگوريتم بهينه‌سازي حدي

Structure Optimization of Locally Linear Model Tree Using Extermal Optimization

درخت مدل خطي محلي يا LOLIMOT كه در آن از نوعي مدل فازي عصبي خطي محلي استفاده شده است، الگوريتمي بر اساس استراتژي تقسيم و حل مي‌باشد كه در آن حل مسيله پيچيده از طريق تقسيم مسيله به تعدادي زير مسيله كوچك‌تر (و از اين رو ساده‌تر) صورت مي‌پذيرد. بنابراين مشخصات اين مدل فازي- عصبي (زيرمسيله‌هاي كوچك‌تر شده) به مقدار زيادي به ساختار الگوريتم به كار برده شده جهت تقسيم‌بندي وابسته مي‌باشد. الگوريتم LOLIMOT براي رسيدن به خروجي با خطاي كمتر فضاي مسيله را به تعدادي مدل خطي محلي يا LLM تقسيم مي‌نمايد و پس از پيدا كردن بدترين LLM (LLM با خطاي بيشتر) با تقسيم آن به دو LLM الگوريتم را ادامه مي‌دهد. در اين الگوريتم در هر تكرار از آن بدترين LLM با نرخ تقسيم 1/2 در جهت‌هاي متعامد بر فضاي ورودي تقسيم مي‌شود. در اين مقاله به كمك الگوريتم بهينه‌سازي حدي به بهينه‌سازي نرخ تقسيم مي‌پردازيم، نتايج پياده سازي حاكي از آن است كه كارايي نسخه جديد الگوريتم LOLIMOT از نظر شاخص ميانگين مربعات خطا بهتر از الگوريتم اوليه است.

Locally Linear Model Tree (LOLIMOT) algorithm proposed by Nelles deals with local linear nearo-fuzzy models that is based on divides-and-conquer strategy that a complex modeling problem is divided to a number of smaller and thus simpler sub problems. So the characteristic of such a neuro-fuzzy model depends on division strategy for the original complex problem. For finding the best output the algorithm divides the problem to a number of local linear models (LLMs) , then continues with finding the worst LLM and dividing it. LOLIMOT splits the local linear models into two equal halves with an axis-orthogonal decomposition strategy. In this paper a new approach based on extremeal optimization (EO) is used to optimize the structure of LOLIMOT. Simulation results show the effectiveness of the enhanced LOLIMOT to have a higher precision with optimal number of neurons.