ZÁRÓVIZSGA KÉRDÉSEK

FUZZY RENDSZEREK ÉS GENETIKUS ALGORITMUSOK

 

1.      Fuzzy halmazok és tagsági függvények.  T, S és c normák axiómái. Tipikus T, S és c normák, fuzzy halmazműveletek (metszet, unió, komplemens).

2.      Fuzzy direkt szorzat, hengeres kiterjesztés, projekció, összekapcsolás és kompozíció. Determinisztikus függvény fuzzy kiterjesztése.

3.      Fuzzy logika. Fuzzy konjunkció, diszjunkció, negálás. Fuzzy implikáció típusok. Fuzzy relációk standard alakja.

4.      Bemeneti adatok fuzzifikálása. Kompozíció-bázisú  és egyedi kompozíció-bázisú következtetések. Mamdani-féle max-min, max-dot és sum-dot következtetési algoritmus. A max-min és max-dot  algoritmus illusztrálása 2 reláció esetén.

5.      Defuzzifikációs módszerek. COG=COA, COS, biszektor, height, MOM módszerek. TSK-típusú fuzzy rendszerek. Defuzzifikáció TSK-típusú fuzzy rendszerek esetén.

6.      Fuzzy logikai szabályozó (FLC) blokkvázlata és az egyes egységek funkciói. Fuzzy PID, PD és PI szabályozók. A MacVicar-Whelan metaszabályok. Fuzzy PD szabályozó szabálybázisának felvétele. Fuzzy PI szabályozó megvalósítása.

7.      Genetikus algoritmusok elméleti alapjai. Optimalizálási feladat, egyed, fenotipus és genotipus alak, pupuláció, bináris és real genetikus algoritmus. Egyszerű bináris genetikus algoritmus (SGA) blokkvázlata. Multipopulációs genetikus algoritmus (MPGA) blokkvázlata, migrációs stratégiák.

8.      Átszámítás célfüggvényről fitness értékre, lineáris és nemlineáris rangsor. Szelekciós algoritmusok, rulett-kerék módszer, sztochasztikus univerzális mintavételezés (SUS). Genetikus operátorok (rekombináció, mutáció) és megvalósításuk bináris és real GA esetén. Visszahelyettesítési stratégiák.

9.      Hard computing módszerek az optimalizálásban. Gradiens, konjugált gradiens, Newton és kvázi Newton módszerek.

10.  Lineáris paraméterbecslés. Batch (off-line) módszer. Rekurzív (on-line) paraméterbecslés felejtéssel,  és  rekurzív számítása. A nemlineáris paraméterbecslési feladat visszavezetése lineárisra lépésenkénti deriválással és a megoldás alakja.

11.  Nulladrendű Sugeno (Wang) fuzzy függvényapproximáció. Fuzzy rendszer konvertálása neurális hálózattá, a hibakritérium gradiensének számítása, hibavisszaterjesztés. Fuzzy klaszterezés (nearest neighborhood módszer). Tanítás adaptív szabályfelvétellel.

12.  Fuzzy SISO adaptív irányítások. A rendszerosztály lehatárolása. Az 1. típusú indirekt fuzzy adaptív irányítás blokkvázlata. Specifikáció, tervezési előírások, Ljapunov egyenlet. A névleges és a felügyelő irányítás alakja, adaptív hangolási szabály. Paraméterkorlátozások figyelembe vétele, Luenberger projekció. Módosítások a 2. típusú irányítás esetén, a függvények paraméterek szerinti deriváltjainak számítása.

13.  A SISO 1. típusú direkt fuzzy adaptív irányítás  névleges és  felügyelő irányításának alakja. A rendszeroszály leszűkítése és az adaptív hangolás szabálya. Módosítások a 2. típusú irányítás esetén.

14.  A szubtraktív klaszterezési algoritmus lépései és az azokban használt matematikai összefüggések. Nulladrendű Sugeno (Wang) fuzzy rendszer inicializálása a klaszterezés eredményei alapján. A hibakritérium ,  és  paraméterek szerinti parciális deriváltjai a gradiens technikán alapuló hangoláshoz.

15.  Adaptív hálózat alapú fuzzy következtető rendszerek (ANFIS). Rétegek, csomópontok, kimeneti függvények és argumentumaik, fix és változó (adaptív) csomópontok.  Tanítási és tesztelési I/O adatok, hibakritérium, hátratartó rekurzió és a részletes deriválási szabályok a paraméterek szerinti hangoláshoz.

16.  Elsőrendű Sugeno fuzzy rendszer konvertálása adaptív hálózattá. A módszer illusztrálása 2 bemenet és 2 reláció esetén, a paraméterbecslés lineáris részének  alakjában a konkrét  és   megadása. Hibrid tanítás LS és gradiens módszerrel. Lépéshossz módosítási stratégiák. A lineáris rész paramétereinek becslése felejtéses rekurzív LS technikával,  és  számítása az egykimenetű és többkimenetű esetben.

17.  Fuzzy tudásbázis automatikus generálása evolúciós programozással nulladrendű Sugeno (Wang) rendszer esetén. A relációk általános alakja, tüzelési érték, defuzzifikáció. Paraméterek, I/O adatok. A hiba számítása modellezés és szabályozás esetén. Mező, egyed, populáció, fitness, mutáció. Q-tournament szelekció. Egyszerűsített evolúciós algoritmus. Büntetés üres relációk miatt.

18.  A fuzzy tudásbázis ábrázolása evolúciós programozással történő automatikus generálás esetén, struktúra és paraméter ábrázolás. Egyed és fuzzy rendszer kapcsolata. Inicializálás. A struktúra mutáció megvalósítása. A paraméter mutáció megvalósítása.

19.  Multikritériumú optimalizálás és többszörös korlátozás kezelés evolúciós algoritmussal. Vektorkritérium részben rendezése, Pareto dominancia, Pareto optimum. Preferencia összeillesztések.  Korlátozások. A multikritériumú optimalizálás evolúciós megközelítései, korlátozás kezelés, a multikritérium kezelés nem-Pareto és Pareto-bázisú megközelítései. Általános multikritériumú evolúciós optimalizáló blokkvázlata.

20.  Előírt célokon és prioritásokon alapuló multikritériumú döntéshozatal. Döntési változó, döntési függvény, cél és prioritás megadás standard alakja. Preferálhatósági reláció. Speciális esetek leírása a standard alakban. Populáció rangsorolás. Rangsor meghatározás egyszerű példák esetén.

21.  Multikritériumú genetikus algoritmusok implementációs kérdései. Fitness hozzárendelés, a tradicionális stratégia módosításai. Fülkés (niche) indukciós módszerek, fitness megosztás, a fülkeméret megválasztása. Párosítási megszorítások. A preferenciák progresszív összeillesztése. Multikritériumú genetikus algoritmus (Multiobjective GA, MOGA) blokkvázlata.

22.  Fuzzy approximáció raszterháló felett szinguláris érték felbontással. Az approximáció megfogalmazása 2 változó esetén. Reláció, függvényalak, SN és NN feltétel. Szinguláris érték felbontás, az SN és NN feltétel betartása, a fuzzy approximátor 4 esete, lineáris interpoláció.

23.  Statisztikus struktúra tesztek Sugeno típusú fuzzy rendszerek esetén. Illesztési mértékek és számításuk QR felbontással. A szabálybázis meghatározásának algoritmusa.

24.  Fuzzy rendszer tanítása sztochasztikus módszerrel. A MEGLGN algoritmus alapelve, az optimum feladat részproblémái és megoldásuk. A MEGLGN szakértő fuzzy interpretálása.