Double masking and RCTs: the reduction of performance bias

Los sistemas borroso-genéticos basados en el enfoque de Pittsburgh utilizan bases de conocimiento completas o bases de reglas como individuos de la población. En este enfoque el sistema evolutivo obtiene nuevas bases de conocimiento o de reglas, que son evaluadas actuando directamente sobre el entorno y analizando su evolución. En la gura 4.7 se muestra la estructura general de un sistema borroso-genético basado en el enfoque de Pittsburgh [Herrera y Magdalena, 1997]. Puede observarse cómo se realiza la integración del sistema de control borroso con el sistema a con- trolar y el sistema evolutivo.

SISTEMA DE EVALUACION POBLACION DE BASES DE CONOCIMIENTO SISTEMA GENETICO _{BC BC BC} Escala de entrada Borrosificación Interfaz de entrada Motor Inferencias Escala de salida Desborrosificación Interfaz de salida Base Conocimiento ENTORNO (sistema a controlar) acciones percepciones BC a evaluar evaluación de la BC

Figura 4.7:Aprendizaje evolutivo de una base de conocimiento sobre un FLC basado en el enfoque Pittsburgh.

En la estructura del sistema borroso-genético se pueden distinguir los siguientes elementos:

Sistema borroso, formado por los interfaces de entrada y salida, el motor de inferencias y una base de conocimiento.

Entorno o sistema a controlar, sobre el que actúa el sistema borroso a través de las percepciones y actuaciones (variables de contexto y de operación). Población de bases de conocimiento, que representan un conjunto de soluciones del sistema de control.

Sistema de evaluación, que realiza una medida de la bondad o grado de adaptación de las bases de conocimiento al entorno.

Sistema genético, que permite obtener nuevas bases de conocimiento o bases de reglas a partir de la población inicial. Los sistemas borroso-genéticos basa- dos en este enfoque centran el proceso de aprendizaje sobre la base de reglas, aunque también es posible incorporar una parte de la base de datos en dicho proceso (funciones de pertenencia o escalado). En el caso que el proceso de

aprendizaje actúe sobre los dos componentes de una base de conocimiento, los individuos han de contener información sobre la base de reglas y sobre las funciones de pertenencia, lo cual requiere la utilización de una codicación multi-cromosoma, donde los cromosomas se dividen en dos sub-cromosomas, uno codica la base de datos y el otro la base de reglas. A su vez, el proceso de aprendizaje se puede realizar en dos fases: inicialmente se optimizaría la base de reglas y, posteriormente, la base de datos. Por tanto, el AG puede actuar sobre las variables borrosas, las funciones de escalado y sobre las funciones de pertenencia asociadas a dichas variables mediante: el ajuste de parámetros que denen la forma de los conjuntos borrosos, el cruce de conjuntos borrosos con otras variables ó la mutación de puntos que denen los conjuntos borrosos. También puede actuar sobre las reglas lingüísticas de conocimiento, realizan- do el cruce de antecedentes entre reglas, la mutación de una variable en los antecedentes de la regla o la mutación del conjunto borroso de una variable en una regla.

4.6. Conclusiones

En este capítulo se ha descrito brevemente las características principales de los sistemas borrosos y borrosos-genéticos.

En primer lugar, se han revisado los conceptos básicos de los sistemas borrosos basados en reglas y su aplicación en el control de sistemas mediante controladores borrosos, mostrándose la estructura de estos. Posteriormente, se ha presentado la estructura de un sistema borroso-genético, indicando los principales enfoques que existen en el aprendizaje en dichos sistemas, Pittsburgh, Michigan e IRL. Por último, se ha mostrado con mayor detalle cómo se realiza el aprendizaje evolutivo en el enfoque de Pittsburgh, ya que es uno de los escenarios en los que se aplica el sistema de optimización de parámetros propuesto en esta tesis.

Desarrollo de la Investigación

Metodología propuesta

5.1. Introducción

A partir de la revisión realizada en los capítulos anteriores se llega a la conclusión de que son necesarias técnicas ecientes que permitan hallar unos buenos paráme- tros con los que se optimice el comportamiento de un AG para un problema dado, ya que, la elección de los mismos determinará en gran medida que el AG encuentre una solución óptima y de forma eciente.

Tradicionalmente se han utilizado valores elevados para Ps y Pc (si Ps=1.0 se trata de un AG generacional), y valores pequeños para Pm. Los valores que se han

considerado más frecuentemente en la literatura son los siguientes: N=50, Ps=1.0, Pc=0.6, Pm=0.001 [DeJong, 1975]

N=30, Ps=0.9, Pc=0.95, Pm=0.01 (evaluación on-line) [Grefenstette, 1986]

N=80, Ps=0.9, Pc=0.45, Pm=0.01 (evaluación o-line) [Grefenstette, 1986]

N∈ [20,30],Ps=1.0,Pc ∈[0.75, 0.95],Pm ∈[0.005, 0.01] [Schaer et al., 1989] N=100, Ps=1.0, Pc=0.65, Pm=0.008 [Srinivas y Patnaik, 1994]

Por otra parte, como se ha indicado anteriormente, algunos autores [Hesser y Männer, 1991, Bäck, 1992, Eiben et al., 1999] han sugerido la utilización de técnicas adaptativas, donde la conguración del AG es modicada durante su ejecución, de- bido a que diferentes valores de los parámetros pueden ser los óptimos en distintos

estados del proceso evolutivo.

En este capítulo se presenta una propuesta para la optimización de los parámetros de un AG. Se trata de un sistema que, con independencia del tipo de codicación utilizado en el algoritmo, tiene como objetivo hallar los mejores parámetros en cada tipo de problema, optimizando así su comportamiento. El sistema, además de hallar dichos parámetros, debe encontrar la forma en que variarán a lo largo de la ejecución, para lo cual se ha diseñado un nuevo método de adaptación. En la siguiente sección se muestra la estructura del sistema.