Fuzzy Evolutionary Computation

از امروز، محاسبات تکاملی و محاسبات مجموعه فازی دو فناوری پیشرفته، توسعه یافته و بسیار پیشرفته پردازش اطلاعات هستند. باخ از آنها دستور کار تحقیقاتی مشخص خود را دارد، اهداف مشخصی که باید به آنها دست یافت و یک محیط الگوریتمی تعیین شده خود را داشته باشد. به طور خلاصه، محاسبات تکاملی (EC) با هدف یک روش منسجم مبتنی بر جمعیت برای بهینه‌سازی ساختاری و پارامتری انواع سیستم‌ها است. علاوه بر این طیف گسترده از چنین کاربردهای بهینه سازی، این پارادایم توانایی مهمی برای مقابله با اهداف واقع بینانه و اهداف طراحی که در قالب توابع تناسب اندام مربوطه منعکس شده است، دارد. جستجوی GA (که اغلب به عنوان یک دامنه غالب در میان سایر تکنیک‌های EC مانند استراتژی‌های تکاملی، برنامه‌ریزی ژنتیکی یا برنامه‌نویسی تکاملی در نظر گرفته می‌شود) کارایی زیادی را ارائه می‌کند و به حرکت در فضاهای جستجوی بزرگ کمک می‌کند. محور اصلی مجموعه های فازی در نمایش و مدیریت اطلاعات غیر عددی (زبانی) است. مفهوم کلیدی (که اهمیت مفهومی آن به عنوان weH به عنوان اهمیت الگوریتمی در سال‌های اخیر شروع به افزایش کرده است) جزئی بودن اطلاعات است. تا حدودی با اصل ناسازگاری ابداع شده توسط L. A. Zadeh مطابقت دارد. مجموعه‌های فازی وسیله‌ای را تشکیل می‌دهند که در بیان یک کاراکتر دانه‌ای از اطلاعاتی که قرار است گرفته شود، مفید باشد. هنگامی که از طریق مجموعه‌های فازی یا روابط فازی کمی‌سازی شد، دانش دامنه می‌تواند به طور کارآمد استفاده شود و اغلب در هنگام تحلیل و بهینه‌سازی سیستم‌های پیچیده، بار محاسباتی سنگین را کاهش می‌دهد.

As of today, Evolutionary Computing and Fuzzy Set Computing are two mature, wen -developed, and higbly advanced technologies of information processing. Bach of them has its own clearly defined research agenda, specific goals to be achieved, and a wen setUed algorithmic environment. Concisely speaking, Evolutionary Computing (EC) is aimed at a coherent population -oriented methodology of structural and parametric optimization of a diversity of systems. In addition to this broad spectrum of such optimization applications, this paradigm otTers an important ability to cope with realistic goals and design objectives reflected in the form of relevant fitness functions. The GA search (which is often regarded as a dominant domain among other techniques of EC such as evolutionary strategies, genetic programming or evolutionary programming) delivers a great deal of efficiency helping navigate through large search spaces. The main thrust of fuzzy sets is in representing and managing nonnumeric (linguistic) information. The key notion (whose conceptual as weH as algorithmic importance has started to increase in the recent years) is that of information granularity. It somewhat concurs with the principle of incompatibility coined by L. A. Zadeh. Fuzzy sets form a vehic1e helpful in expressing a granular character of information to be captured. Once quantified via fuzzy sets or fuzzy relations, the domain knowledge could be used efficiently very often reducing a heavy computation burden when analyzing and optimizing complex systems.