Resumen

Este trabajo propone una optimización de colonias de hormigas mejorada con mutación dinámica e inicialización ad hoc, ACODM-I, para mejorar la precisión del diseño de sistemas difusos de tipo Takagi-Sugeno-Kang- (TSK-). En lugar de la inicialización genérica que se suele utilizar en la mayoría de los algoritmos basados en poblaciones, ACODM-I propone una inicialización ad hoc específica para la aplicación para generar las soluciones iniciales de las hormigas y mejorar la precisión del diseño de sistemas difusos. Las soluciones de hormiga iniciales generadas se mejoran iterativamente mediante un nuevo enfoque que incorpora la mutación dinámica en el ACO continuo existente (ACOR). La mutación dinámica introducida equilibra la capacidad de exploración y la tasa de convergencia proporcionando direcciones de búsqueda más diversas en la etapa inicial del proceso de optimización. Para validar el algoritmo propuesto se han simulado ejemplos de aplicación de dos sistemas difusos de tipo TSK de orden cero para el control de seguimiento de plantas dinámicas y un sistema difuso de tipo TSK de primer orden para la predicción de series temporales caóticas. Las comparaciones de rendimiento con el ACOR y diferentes algoritmos avanzados o modelos neural-fuzzy verifican la superioridad del algoritmo propuesto. También se han discutido y verificado en las simulaciones los efectos sobre la precisión del diseño y la tasa de convergencia producidos por la inicialización propuesta y la mutación dinámica introducida.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:diseño de sistemas difusos, soluciones iniciales de hormigas, mutación dinámica introducida, tasa de convergencia, mutación dinámica, algoritmo propuesto, orden tsk, sistema difuso, series temporales caóticas, etapa de optimización
• Keywords:fuzzy system design, initial ant solutions, introduced dynamic mutation, convergence rate, dynamic mutation, proposed algorithm, order tsk, fuzzy system, chaotic time series, stage of optimization