Tesis penerapan algoritma genetika dan himpunan fuzzy di RDB

Abstrak

Setelah menghasilkan populasi baru melalui operasi seleksi, kita dapat menghitung rata-rata nilai kebugaran populasi tersebut. Asumsikan kromosom 1, kromosom 2, dan kromosom 3 merupakan tiga kromosom populasi , dan nilai kebugarannya masing-masing adalah 0,975, 0,744, dan 0,480. Selanjutnya kita asumsikan rata-rata nilai kebugaran populasi ini adalah 0,627, maka : Dr.

Jika ~2~1~1, maka kromosom 1 mendapat 2 posisi, kromosom 2 dan 3 mendapat 1 posisi, dan proses pertukaran berlanjut. Jika setelah memeriksa semua kromosom dalam populasi, jumlah kromosom yang dipilih dalam seleksi lebih kecil dari jumlah kromosom dalam populasi, kita memilih secara acak kromosom yang menempati posisi tersebut. Bedah crossover untuk lulusan.

Kata kunci: algoritma genetika, himpunan fuzzy, RDB

Pendahuluan

Dalam bab ini, kami menetapkan probabilitas crossover ke 1,0. Dengan cara ini, setelah operasi seleksi, beberapa kromosom dalam populasi menjalani operasi persilangan. Sistem melakukan ini dengan memilih secara acak dua kromosom sebagai orang tua dan titik persilangan secara acak. Sistem kemudian melakukan operasi persilangan pada dua kromosom pada titik persilangan untuk menghasilkan dua anak. Seperti terlihat pada Gambar 12.8 di bawah ini. Misalnya kromosom yang diperoleh setelah operasi crossover ditunjukkan pada Gambar 12.9.

Bagaimana ^ Untuk kromosom 1: 0,975/0,627 = 1,55 ^ Untuk kromosom 2: 0,744/0,627 = 1,18 ^ Untuk kromosom 3: 0,480/0,627 = 0,77  Aturan selanjutnya, – Mahasiswa pascasarjana di bidang Machine Intelligence.

Apa itu operasi mutasi? Setelah operasi crossover, kromosom-kromosom dalam populasi mengalami operasi mutasi. Hal ini dicapai melalui sistem yang secara acak memilih kromosom tempat operasi mutasi dilakukan dan secara acak menentukan gen mana yang akan dimutasi. Ingat, tidak setiap generasi menjalani operasi mutasi. Studi pascasarjana.

Bagaimana kita memilih angka probabilitas mutasi R (dimana Re[0, 1]) untuk melakukan operasi mutasi? Setelah proses crossover selesai, sistem kembali [0. Penerapan algoritma genetika dan himpunan fuzzy di RDB (1) Gambar 12.8 Kromosom sebelum operasi crossover Gambar 12.9 Kromosom setelah operasi crossover 129 mahasiswa PhD

Apa saja penerapan GA dan himpunan fuzzy di RDB (1) 1]. Jika bilangan acak kurang dari R, sistem akan melakukan operasi mutasi pada beberapa kromosom dalam populasi. Misalkan terdapat sebuah kromosom seperti yang ditunjukkan pada Gambar 12, dan kemudian asumsikan bahwa sistem secara acak memilih gen ketujuh dalam kromosom untuk operasi mutasi. Sistem kemudian secara acak memberikan nilai skor baru (misalnya 0,624) pada gen yang dipilih. Gambar 12.1 Gambar 12.10 Kromosom mahasiswa pascasarjana sebelum operasi mutasi.

Bagaimana suatu algoritma genetika secara terus menerus melakukan operasi seleksi, persilangan, dan mutasi untuk setiap generasi. Setelah algoritma genetika konvergen maka diperoleh kombinasi bobot atribut yang optimal. Jika database berisi tupel dengan nilai null, kita dapat memperkirakan nilai null tersebut berdasarkan bobot atribut yang dihasilkan oleh algoritma genetika. Gambar 12.11 Kromosom setelah operasi mutasi. Untuk lebih jelasnya, kami menerapkan algoritma genetika. Parameternya adalah: ukuran populasi = 60, jumlah generasi = 300, laju pindah silang = 1,0, laju mutasi = 0,2; kromosom optimal yang diperoleh berisi kombinasi bobot atribut “derajat” dan “pengalaman”, seperti ditunjukkan pada Gambar 12.12 di bawah. Gambar 12.12 Kromosom terbaik yang diperoleh mahasiswa pascasarjana.

Bagaimana menerapkan algoritma genetika dan himpunan fuzzy ke RDB (1) Untuk memperkirakan nilai null dari atribut tupel gaji T22 (lihat Tabel 12.5) dari EMP ID S22, kita perlu mencari tupel berikut: Tupel terdekat T2. Menghitung kedekatan antara dua tupel dapat dilakukan sebagai berikut. Mari kita ambil ID EMP sebagai S1 sebagai contoh dan lihat tupel T1 yang ditunjukkan pada Tabel 12.5. Kita dapat melihat bahwa nilai atribut “Gelar” dan “Pengalaman” dari tuple T1 masing-masing adalah “Ph.D”. (P) dan “7.2”. Kita juga dapat melihat bahwa kemiripan antara nilai atribut “Derajat” tupel T1 dan tupel T22 adalah 1 (yaitu kesamaan (T22. Derajat, T1. Derajat) = 1). Studi pascasarjana.

Oleh karena itu, berdasarkan nilai atribut Experience tuple T1 dan tuple T22 diperoleh: Seperti terlihat pada Tabel 12.3, nilai fuzzifikasi atribut Experience tuple T1 dengan EMP ID = S1 adalah “SH” (sedikit sudut pandang yang lebih tinggi). Kami kemudian memilih nilai gen keenam berlabel “P-SH” pada Gambar 12.12 (yaitu: 0,303). Artinya bobot atribut derajat dan pengalaman masing-masing sebesar 0,303 dan 0,697 (ditentukan dari 1 hingga 0,303). Berdasarkan persamaan (12.4), keeratan antara tupel T22 dan T1 dapat dihitung sebagai berikut: Kedekatan (T22, T1) = 1 x 0,303 + 1,180 x (1 – 0,303) Mahasiswa S3.

Is = 0.303 + 0.802 = 1.125 Setelah menghitung kedekatan semua tupel relatif terhadap tupel T22, kita dapat melihat bahwa tupel T20 paling dekat dengan tupel T22 (yaitu, kedekatan antar tupel T22 adalah Closeness(T22, T20 )) T20 adalah nilai paling dekat dengan 1.0), dimana Proximity(T22, T20) dihitung sebagai berikut: 8.5 Proximity(T22, T20) = 1 x 0.303 + x (1 – 0.303) 7.8 Graduation.

Is = 0,303 + 1,0897 x 0,697^1,0625 Sesuai rumus (12.5), kalikan nilai atribut “Gaji” tupel T20 dengan kedekatan (T22, T20) antara tupel T20 dan T22, dan nilai taksirannya adalah nilai atribut Tupel “ET22 .Gaji” “Gaji” T22 dapat dihitung sebagai berikut: T22.Pengalaman T Pengalaman 8,5 lulusan.

Ya == 1,180 7.2  Aturan selanjutnya, – Mahasiswa Pascasarjana Kecerdasan Mesin.

132 Apa saja penerapan algoritma genetika dan himpunan fuzzy pada RDB (1) ET22.Salary = 65000 x 1.0625 = 69065.83 Seperti terlihat pada Tabel 12.2, nilai sebenarnya dari atribut “Salary” pada tuple T22 adalah 70000.

apa yang harus saya lakukan? Berdasarkan persamaan (12.6), kesalahan estimasi pada perhitungan nilai estimasi atribut “Gaji” tuple T22 adalah: 69065.83 -70000 Error22 = 70000 934.17 = 70000 mahasiswa S3.

Misal – – 0.01 Ulangi proses yang sama untuk mendapatkan estimasi gaji dan estimasi error untuk setiap tuple pada database pada Tabel 12.2, seperti terlihat pada Tabel 12.6 di bawah ini. Tabel 12.6 Estimasi Gaji dan Kesalahan Estimasi Tiap Tuple Degree EMP-ID Pengalaman Gaji Gaji (Estimasi) Kesalahan Estimasi S1 PhD 7.2 63,000 61,515.00 -0.024 S2 2.0 37,000 36,967.44 -0.001 PhD

S3 pascasarjana 7,0 40.000 40.634,14 0,016 S4 Doktor 1,2 47.000 46.873,66 -0,003 S5 Magister 7.5 53.000 56.134,37 0,059 S6 pascasarjana 1,5 26.000 26.146,40 0,0 0 6 p 7 Mahasiswa S1 2,3 29,000 27,822,08 -0,041 mahasiswa SMP 8 Mahasiswa PhD 2,0 50,000 50,067.20 0,001 Mahasiswa Pascasarjana

Seperti apa dokter itu? S9? 3,8 54.000 53.958,94 -0,001 S10 pascasarjana 3,5 35.000 35.152,00 0,004 S11 Magister 3,5 40.000 40.206,19 0,005 S12 Magister 3,6 41.000 40.796,57 -0,005 S1 3 Menyelesaikan pendidikan S2 10,0 68.000 68.495 ,74 0,007 Mahasiswa S14 S3 5.0 57.000 56.240,72 -0,013 Mahasiswa S3.

S19 Master 6.5 51,000 51,197.58 0.004 S20 PhD 7.8 65,000 64,813.75 -0.003 Cara mendapatkan gelar Anda.

S21 Master 8.1 64.000 60.853,28 -0,049 S22 Doktor 8.5 70.000 69.065,83 -0,013 Rata-rata kesalahan estimasi 0,018  Aturan selanjutnya, – Mahasiswa PhD di bidang kecerdasan mesin.

Bagaimana 133 Apa saja penerapan algoritma genetika dan himpunan fuzzy di RDB(1)? Terlihat juga dari Tabel 12.6 rata-rata kesalahan estimasi sebesar 0,01. Tentu saja terdapat parameter seperti ukuran populasi, laju persilangan, laju mutasi dan jumlah generasi dalam algoritma genetika. Studi pascasarjana.

Seperti dalam bab ini, kami memperkirakan nilai atribut “Konten” setiap tupel dengan mempertimbangkan 4 parameter (yaitu ukuran populasi, generasi, laju mutasi, dan laju persilangan) untuk 4 kasus, seperti yang ditunjukkan pada Tabel 12.2, di mana mean Tabel 12.7 di bawah ini menunjukkan nilai perkiraan untuk berbagai kasus kesalahan. Tabel 12.7 Rata-rata error estimasi setiap parameter algoritma genetika Laju Crossover Jumlah pengukuran Laju mutasi Rata-rata error estimasi pembangkitan populasi 30 100 1,0 0,1 0,036 Mahasiswa S3.

Apa yang harus dilakukan 40 150 1.0 0.1 0.032 50 200 1.0 0.2 0.027 60 300 1.0 0.2 0.018 Terlihat pada Tabel 12.7 di atas, kromosom terbaik dengan nilai fitness terbesar muncul pada situasi ke-4 (parameter: ukuran populasi = 60, generasi populasi ) ). bilangan = 300), bilangan persilangan = 1,0, bilangan mutasi = 0,2), dimana kromosom optimal mewakili kombinasi derajat dan bobot atribut empiris yang terbaik, seperti terlihat pada Gambar 12.1. Hasil eksperimen di atas didasarkan pada metode yang diusulkan dalam makalah SM Chen dan CM.

Dibandingkan dengan metode yang dikemukakan oleh SM Chen dan MS Yeh [Chen97] serta SM Chen dan HH Chen [Chen00], Huang [Chen03] jelas mampu memberikan akurasi estimasi rata-rata yang lebih tinggi.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

134 Bagaimana algoritma genetika dan himpunan fuzzy diterapkan pada mahasiswa PhD RDB (1).

Aesin Intelegensi 135 Bagaimana dengan mahasiswa PhD . Konsultasi disertasi  Subakti?

Apa saja penerapan algoritma genetika dan himpunan fuzzy pada RDB (2) Bab 13 Penerapan algoritma genetika dan himpunan fuzzy pada RDB (2) Bab ini akan membahas tentang penerapan algoritma genetika dan himpunan fuzzy pada database relasional, seperti pada Bab 13 Bab 13 12 Penerapan Namun yang dibahas di sini adalah sifat ketergantungan antara algoritma genetika dan himpunan fuzzy – sifat ini adalah bilangan negatif, bukan bilangan positif seperti pada Bab Ketergantungan negatif antara algoritma genetika dan himpunan fuzzy diperkirakan terjadi. atribut yang terlibat. Sistem ini akan memungkinkan kita memahami bagaimana algoritma genetika dengan himpunan fuzzy dapat digunakan secara praktis dalam kehidupan kita sehari-hari. Perpustakaan yang digunakan berasal dari CM Huang [Huang02], SM Chen dan lulusan master.

Bagaimana dengan Ye [Chen97]; SM Chen dan HH Chen [Chen00]; KS Leung dan W. Lam [Leung98]; dan mahasiswa pascasarjana SM Chen dan CM.

Nama saya Huang [Chen03]. Nama Aplikasi: Menghasilkan aturan fuzzy berbobot dari database relasional untuk memperkirakan korelasi negatif antara atribut dan nol. Pada bab ini kita membahas penerapan GA (genetika algoritma) dan himpunan fuzzy dalam database relasional (RDB – Relational Database). Hal yang sama berlaku untuk Bab Bedanya, terdapat ketergantungan negatif di antara keduanya. 13.1 Basis Data Relasional yang Digunakan Misalnya, Anda dapat melihat basis data perusahaan rental mobil bernama Benz Secondhand Cars. Korelasi negatif antar atribut adalah hubungan antara tahun sewa mobil (Year) dan harga sewa mobil lulusan (Price).

bagaimana kemajuannya? Semakin panjang tahun produksi sewa (yaitu semakin tua mobil), maka harga sewa akan semakin murah, dan sebaliknya, semakin pendek tahun produksi (yaitu semakin baru mobil), maka harga sewa akan semakin mahal. Tabel 13.1 menjelaskan hubungan negatif antara karakteristik tahun kendaraan dan harga sewa.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

136 Tabel 13.1 Mobil bekas Mobil Mercedes-Benz, ID, model, tahun, CC, harga* 1 E 10 2300 550000 2 S 3 3200 2520000 Kelas.

Ya 3 C 7 2800 790000 4 S 10 5000 1180000 5 S 10 3200 880000 6 E 2 2400 1650000 7 S 5 2800 1890000 8 S 6 3200 1490000

Ada 9 E 3 2400 1550000 10 C 2 2400 1630000 11 E 3 2400 1530000 12 E 1 2400 1890000 13 S 5 3200 1680000 14 E 5 2300 1230000

Bagaimana dengan PhD?

Bagaimana algoritma genetika dan himpunan fuzzy diimplementasikan di RDB(2)? Simbol “*” di atas menunjukkan bahwa atribut tersebut memiliki korelasi negatif dengan atribut yang ingin kita taksir nol (yaitu atribut tahun). 13.2 Menggunakan fungsi keanggotaan istilah bahasa Fungsi keanggotaan istilah bahasa pada atribut “tahun” ditunjukkan pada Gambar 13.1. Terminologi Linguistik: Tahun-Tahun Terakhir 1.2.

1 Rendah Sedang Tinggi 0,2 0 1 2 3 4 5 6 7 8 9 Bagaimana kalau studi pascasarjana 10 tahun?

Berapa derajat keanggotaannya 0.8 0.6 0.4 Gambar 13.1 Fungsi keanggotaan istilah linguistik pada atribut “Tahun”  Aturan selanjutnya, – mahasiswa PhD di bidang Machine Intelligence.

Cara Menjalankan 137 “Penerapan Algoritma Genetika dan Fuzzy Set pada RDB (2)”.

Pada saat yang sama, fungsi anggota elemen bahasa dapat direpresentasikan sebagai atribut “CC” pada Gambar 13.2 di bawah. Tingkat keanggotaan 0,8 0,6 0,4 0,2 Mahasiswa doktoral.

1.2 0 1 1 2 3 4 5 6 7 8 Semester bahasa: lulusan CCCC.

Bagaimana dengan (x 1000) Rendah Sedang Tinggi Gambar 13.2 Fungsi keanggotaan istilah bahasa pada atribut “CC” 13.3 Relasi fuzzy Relasi fuzzy pada database relasional ditunjukkan pada Tabel 13.2 di bawah ini. Tabel 13.2 Hubungan fuzzy dalam database relasional Mercedes-Benz yang digunakan oleh mahasiswa pascasarjana.

Seperti apa bentuk KTP mobil? Ada 0,900 mahasiswa doktoral.

Ya 4 S 10 5000 1180000 tinggi/1,000 tinggi/1,000 5 S 10 3200 880000 tinggi/1,000 sedang/0,900 6 E 2 2400 1650000 rendah/1,000 sedang/0,700 7 S 5 2800 1890 000 sedang /1,0 0 0 /0,900 8 S 6 3200 1490000 Sedang/0,667 Sedang/0,900 9 E 3 2400 1550000 Rendah/0,667 Sedang/0,700 Lulusan.

10 C 2 2400 1630000 rendah/1.000 sedang/0,700 11 E 3 2400 1530000 rendah/0,667 sedang/0,700 12 E 1 2400 1890000 rendah/1.000 sedang/0,700 13 S 5 3200 168 00 00 dari 1, 000 0,900 14 E 5 2300 1,230 .000 Menengah/1.000 Menengah/0.650 15 E 9 2200 760000 SMA/1.000 Menengah/0.600 Lulusan.

Ya 16 E 9 2000 530000 Tinggi/1,000 Rendah/0,500 17 C 8 1800 580000 Tinggi/1,000 Rendah/0,600 18 E 6 3200 1350000 Sedang/0,667 Sedang/0,900 19 S 7 6000 2150 00 0 tinggi/0. 6 67 Tinggi/1.000 20 S 2 3200 3200000 Rendah/0,667 Sedang/0,900  Aturan selanjutnya, –

Mahasiswa PhD di bidang Kecerdasan Mesin.

138 Bagaimana menerapkan GA dan himpunan fuzzy pada lulusan RDB (2).

13.4 Bagaimana susunan gen pada kromosom? Format gen pada kromosom yang digunakan dalam aplikasi ini tercantum pada Tabel 13.3 di bawah ini. Tabel 13.3 Format gen yang digunakan pada kromosom Gaya Tahun CC Atribut Berat Gaya Atribut Berat Tahun Atribut Berat CC Pada saat yang sama, setiap kromosom mewakili kombinasi bobot atributnya, yang merupakan urutan bobot atribut. Studi pascasarjana.

Bagaimana saya bisa menggunakan kromosom ini untuk memperkirakan nilai nol? Ikhtisarnya ditunjukkan pada Gambar 13.3 di bawah ini. 0,505 0,131* 0,364 0,636 0,051* 0,313 0,717 0,030* 0,253* 0,717 0,212* 0,071 0,616 0,283* 0,101* 0,364 0,071* 0,566* 0,899 0,030* 0,071 0,394 0,596* 0,010* 0,687 0,192 0,121* E-rendah-rendahE-rendah-sedang E – Rendah – Tinggi E – Sedang – Rendah E – Sedang – Tengah E – Sedang – Tinggi E – Tinggi – Rendah E – Tinggi – Sedang E – Tinggi – Tinggi Gaya Retro CC Tahun Gaya CC Tahun Gaya CC Tahun Gaya CC – Tahun Gaya CC gaya CC tahun gaya CC tahun gaya CC tahun gaya CC lulusan CC.

Seperti terlihat pada Gambar 13.3 Kromosom dan gen penyusunnya 13.5 Gaya perhitungan nilai kebugaran kromosom Kemiripan nilai atribut dapat dilihat pada Tabel 13.4 di bawah ini. Tabel 13.4 Kemiripan nilai atribut gaya lulusan.

BAGAIMANA CESC 1 0.6 0.4 E 0.6 1 0.6 S 0.4 0.6 1 Tahun CC Style Tahun CC Style Tahun CC Style Tahun CC Style Tahun CC Style Tahun CC Style Tahun CC Style Tahun CC Style Tahun CC Style CC 0.647* Wisuda.

0,182 0,808 0,071 0,121* C-rendah-rendah C-rendah-sedang C-rendah-tinggi C-sedang-rendah Bagaimana dengan mahasiswa doktoral?

Apa itu C-Tinggi-Rendah C-Tinggi-Sedang C-Tinggi-Tinggi C-Sedang-Sedang C-Sedang-Tinggi Gaya CC Tahun Gaya CC Tahun Gaya CC Tahun Gaya CC Tahun Gaya CC Tahun Gaya CC Tahun Gaya CC Tahun Gaya CC Studi Pascasarjana .

0,455 0,495* 0,050 0,616 0,141* 0,243 0,101 0,586* 0,313 0,384 0,051 0,565* Bagaimana dengan Dr.

0,566 0,253* 0,960 0,040 0,000 0,101 0,505 0,394 0,111 0,242 0,374 0,131 0,495 0,111 0,616* 0,273* Mahasiswa PhD.

0,515 0,010* 0,475 S-sedang-sedang S-sedang-tinggi S-tinggi-rendah S-tinggi-sedang S-tinggi-tinggi Cara menilai.

Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin 139.

Bagaimana algoritma genetika dan himpunan fuzzy diimplementasikan di RDB? (2) Pada saat yang sama, diberikan kesamaan Sim(Ti.x,Tj.x) antara nilai atribut X pada tupel Ti dan nilai atribut X pada tupel Tj. Sebagai berikut: ìSimilarity(TX,TX) Sim(Ti.x, Tj.x) = ïí 1 (13.1) ada jika Rank(TX) < Rank(TX), sebaliknya ïîSimilarity(TX,TX) ada.

Berapakah rank ij dari 3 nilai bukan numerik “C”, “E” dan “S” : Rank(C) = 1 Rank(E) = 2 Rank(S) = 3 Terdapat 4 situasi dimana bobot harus mempertimbangkan jumlah atribut. . . Hitung kedekatan (Ti, Tj) antara tupel Ti dan Tj, yaitu: Ph.D.

Kasus 1: Jika “*” tidak muncul pada atribut bobot “tahun” dan “CC” dari gen tertentu pada kromosom, maka: T . Keketatan tahun (Ti, Tj) = Sim(Ti.Style, Tj.Style) x berat (Ti.Style) + i T tahun j. Pertanyaan: Mahasiswa doktoral.

CC x berat (Ti.Tahun) + i T Bagaimana cara menghitung CC j? Kasus 2: Jika atribut bobot “tahun” suatu gen ditampilkan sebagai “*” pada kromosom, tetapi atribut bobot “CC” tidak ditampilkan sebagai “*”, maka: T tahun j. Ketat (Ti, Tj) = Sim(Ti.Style, Tj.Style) x Berat (Ti.Style) + Rating.

T tahun T.CC x berat (Ti.CC) (13,3) x berat (Ti.tahun) + i T CC j Bagaimana cara menghitungnya? Kasus 3: Jika tidak ada “*” pada atribut “tahun” dari bobot gen tertentu pada kromosom, tetapi ada “*” pada atribut bobot “CC”, maka: mahasiswa doktoral.

Apa itu x-weight (Ti.CC) (13.2)  Aturan selanjutnya, – Pascasarjana Machine Intelligence.

Bagaimana 140 Apa saja penerapan algoritma genetika dan himpunan fuzzy pada RDB (2) T.Year Closeness(Ti, Tj) = Sim(Ti.Style, Tj.Style) x Weight(Ti.Style) + i T Year j. T CC j lulusan.

x bobot (Ti.Tahun) + T CC x bobot (Ti.CC) (13.4) Kasus 4: Jika “*” muncul di atribut bobot “tahun”, dan “*” muncul di atribut bobot “tahun”, maka CC berikut mengacu pada kromosom gen yang diterapkan: T tahun. Kekompakan (Ti, Tj) = Sim(Ti.Style, Tj.Style) x Berat (Ti.Style) + Skala.

Bagaimana dengan T tahun T CC j? x berat(Ti.Tahun) + T CC x berat(Ti.CC) (13.5) Rata-rata_Error = n Ph.D.

^-1 Bagaimana kesalahan i (13.8) n dihitung? Nilai kebugaran suatu kromosom dapat kita tentukan melalui elemen evaluasi “ETi.Price” pada “Price”. Rumusnya adalah: atribut Fitness Level = 1 – Avg_Error (13.9). Grup Ti: ETi.Harga = Tj.Harga x Kedekatan(Ti, Tj) (13.6) Lulus.

Tuple Ti Errori = ETice i.Pr.Pr (13.7) Berapakah error estimasi antara nilai estimasi “ETi.Price” dan nilai sebenarnya “Ti.Price” dari atribut “Price” di Ice?

Ti .P Rice Bagaimana mengasumsikan bahwa Avg_Error mewakili rata-rata perkiraan kesalahan tuple yang dihitung berdasarkan bobot yang terjadi pada gen pada suatu kromosom, dimana ^ Ti  Aturan selanjutnya, – Graduate Machine Intelligence.

Bagaimana 141 Apa saja penerapan algoritma genetika dan himpunan fuzzy di RDB? (2) Proses seleksi Ketika populasi baru dihasilkan, nilai kebugaran setiap hierarki kromosom dihitung terlebih dahulu.

Saat melakukan proses seleksi, sistem secara acak memilih dua kromosom dari populasi baru. Kromosom dengan nilai kebugaran lebih besar masih layak dan siap untuk operasi crossover. Proses ini diulangi hingga populasi baru mencapai jumlah kromosom yang diinginkan (tergantung populasinya). Operasi crossover Jumlah crossover = Kromosom diperlakukan sebagai kubus bersarang.

Bagaimana cara memilih dua kromosom secara acak sebagai orang tua untuk menghasilkan dua anak (keturunan)? Perpotongannya terdiri dari 3 titik (gaya, tahun, CC). Mutation OS secara acak menghasilkan dua angka yang menunjukkan berapa banyak kromosom yang ada dan berapa banyak gen pada kromosom tersebut yang bermutasi. Sistem kemudian secara acak memilih sebuah kromosom untuk operasi mutasi dan secara acak menentukan gen mana dalam kromosom yang dipilih yang akan dipilih untuk operasi mutasi. Pengguna berpengalaman dapat menyesuaikan tingkat mutasi.

Bagaimana cara menganggap kromosom sebagai kubus? Sistem secara acak memberikan skor baru pada gen yang dipilih, dan gen baru tersebut menggantikan yang lama.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

142 Bagaimana aplikasi GA dan himpunan fuzzy ada di RDB? (2) Kapan hal ini akan berhenti? Sistem menyimpan nilai kebugaran rata-rata seluruh kromosom dalam populasi pada setiap evolusi. Jika selisih nilai kebugaran generasi satu dengan generasi sebelumnya lebih rendah dari ambang batas, sistem akan menghentikan proses evolusi. Studi pascasarjana.

Apa contoh limit seperti B.0.00? Ketika sistem kromosom optimal untuk translasi terbalik bertemu, kromosom dengan nilai kebugaran terbesar dihilangkan dari populasi generasi sebelumnya. Sistem kemudian menyimpan bobot atribut yang muncul pada kromosom terbaik di basis aturan untuk memperkirakan nilai nol. 13.6 Contoh Misalnya database relasional dengan nilai 0 akan memprediksi lulusan dengan nilai 0, seperti terlihat pada Tabel 13.5 di bawah ini.

Tabel 13.5 Mobil Bekas Mercedes-Benz Car-ID Style Tahun CC Harga* 1 E 10 2300 Nol 2 S 3 3200 2520000 3 C 7 2800 790000 4 S 10 5000 1180000 Apa contoh nilai null dalam database mahasiswa pascasarjana? .

Ya 5 S 10 3200 880000 6 E 2 2400 1650000 7 S 5 2800 1890000 8 S 6 3200 1490000 9 E 3 2400 1550000 10 C 2 2400 1630000 Ph.D.

Bagaimana dengan PhD?

17 C 8 1800 580000 18 E 6 3200 1350000 19 S 7 6000 2150000 20 S 2 3200 3200000  Aturan selanjutnya, – Bagaimana dengan mahasiswa PhD di bidang kecerdasan mesin?

143 Bagaimana menerapkan himpunan fuzzy harian GA di RDB (2) Kesalahan estimasi rata-rata berbagai parameter (ukuran populasi = 30, tingkat persilangan = 1, tingkat mutasi = 0,05, jumlah generasi = 30, setelah 10 kali berjalan) Mahasiswa Ph.D.

Ada berapa contoh pelatihan? 50 contoh pelatihan dan 150 contoh pengujian. 100 contoh pelatihan dan 100 contoh pengujian. 150 contoh pelatihan dan 50 contoh pengujian. Rata-rata kesalahan estimasi metode adalah 0,0993 0,1033 0,1003

Huang-and-Chen [Chen00] Bagaimana dengan metode ini [Huang02] 0,0969 0,0938 0,0876 Hasil eksperimen di atas berdasarkan metode yang dikemukakan oleh CM Huang [Huang02], yang tentunya dapat memberikan akurasi estimasi rata-rata yang lebih tinggi dibandingkan metode yang diusulkan oleh SM Chen HH Chen [ Chen00] mahasiswa PhD.

Bagaimana himpunan fuzzy diterapkan pada agen mobil pintar? Bab 14: Penerapan himpunan fuzzy pada agen mobil pintar. Pada bab ini akan dibahas mengenai penggunaan himpunan fuzzy pada prototype aplikasi dunia nyata yaitu jarak dan kecepatan antar mobil. Mobil ini dari mobil sebelumnya. Literatur yang digunakan adalah Stuart J. Russell dan Peter Norvig [Rus03] serta hasil penelitian penulis sendiri. 14.1 Mencapai tujuan.

Bagaimana menerapkan agen cerdas (misalnya agen mobil) yang kecerdasannya mampu mengatur jarak dengan mobil di depan. Kecerdasan yang diperoleh berkat penerapan fuzzy set pada agen mobil pintar ini. Gambaran umum dari proxy yang ingin kita terapkan ditunjukkan pada Gambar 14.1 di bawah ini, dimana kita berada di Car2 dan mencoba menjauhkan diri dari Car1 (proxy lain). Gambar 14.1 Ikhtisar Agen Mobil Pintar 14.2 Implementasi Agen ADEN Agen: entitas komputasi yang mendelegasikan tugas pengguna secara hierarkis dan otonom.

Apa ciri-ciri agen? Delegasi – Dapat mewakili pengguna dan melakukan tugas yang diarahkan oleh pengguna. Keterampilan Komunikasi – Kemampuan untuk berkomunikasi dengan agen lain.  Aturan selanjutnya, – Mahasiswa PhD di bidang Kecerdasan Mesin.

Bagaimana 145 Aplikasi Fuzzy Set pada Agen Mobil Pintar Mencapai Otonomi – Kemandirian Hasil pada Gambar 1 dan 2 di atas menunjukkan perilaku mandiri yang tidak bergantung pada intervensi pengguna langsung (otonomi). Pengawasan – Kemampuan merasakan (merasakan) lingkungan sekitar seorang mahasiswa pascasarjana.

Cara mendapatkan motivasi – untuk mampu membuat perbedaan di lingkungan Anda. Kecerdasan—baik reaktif (sederhana) atau kognitif (lebih kompleks)—dapat berkembang di lingkungan. Kami akan menerapkan agen untuk mendukung preferensi/pengaturan pengguna untuk kecepatan dan jarak (jarak) antara kami dan mobil di depan. Agen otomatis kami didasarkan pada teori himpunan fuzzy dan dapat bekerja serta berpikir secara mandiri sambil tetap memungkinkan pemantauan yang baik. Sebagian besar aktivitas pengguna dapat didelegasikan kepada agen otomotif ini, dan komunikasi untuk tujuan ini terjadi melalui layanan Global Positioning System (GPS). Pengguna dapat dengan mudah memulai (memulai/menjalankan) agen dan mematikannya dengan mudah.

Bagaimana 14.3 Pengetahuan apa yang dibutuhkan agen mobil pintar? Mengingat teori himpunan fuzzy yang diajukan sebelumnya, akan menarik untuk menerapkan beberapa bagian dari teori ini ke dunia nyata yang berkaitan dengan teknologi agen seperti bahasa pemrograman. Definisi pengetahuan di agen otomatis kami ditunjukkan pada Gambar 14.2 di bawah. JIKA jaraknya kecil, kecepatannya lambat, MAKA Command=KeepSpeed JIKA jaraknya kecil, kecepatannya tinggi, MAKA Command=Perlambat. Jika jaraknya jauh dan kecepatannya lambat, maka Command=SpeedUp Doctor.

Apa itu IF Farther Faster THEN Command=KeepSpeed Gambar 14.2 Pengetahuan Agen Otomatis Cerdas  Aturan selanjutnya, – mahasiswa PhD di bidang Machine Intelligence.

146 Apa saja penerapan himpunan fuzzy pada agen kendaraan cerdas? Catatan: ^”Sempit” mengacu pada kisaran antara 0 dan 30 m. ^”Lebar” mengacu pada rentang dari 10 hingga lebih dari 30 m.

^ “Lambat” mengacu pada 0 hingga 70 km/jam. ^ “Cepat” mengacu pada 30 hingga 70 km/jam ke atas. ^ Untuk kenyamanan, semua indeks maksimum disetel ke nilai MaxIdx (misalnya, 100). ^ Ingat, rentang indeks adalah dari 0 hingga MaxIdx. ^ Namun, jumlah seluruh indeks adalah MaxIdx + 1 derajat.

^ ‘KeepSpeed’ antara -10 ~ 10 km/h2 ^ ‘SlowDown’ antara -10 ~ 0 km/h2 ^ ‘SpeedUp’ antara 0 ~ dan lebih dari 10 m/h2 14.4 Algoritma Ini yang pertama . Mobil ini dinamakan Mobil1 dan berada di depan mobil kedua (disebut Mobil Pascasarjana2).

Bagaimana kalau kita di dalam mobil? Yang harus kita lakukan adalah mengendalikan mobil kita (Mobil 2) dengan memperhatikan kecepatan mobil kita (Mobil 2) dan jarak antara mobil kita dengan mobil lain. Kita dapat memerintahkan mobil kita untuk melakukan sesuatu (yaitu mengeluarkan perintah), apakah itu mempertahankan kecepatan saat ini, memperlambat mobil dengan mengurangi kecepatan, atau mempercepat mobil dengan menekan pedal gas. Kami mendefinisikan himpunan fuzzy: ^ jarak 4 sempit dan lebar ^ kecepatan 4 gradien lambat dan cepat.

Aturan selanjutnya, Cara Menerapkan Fuzzy Set di Smart Car Agent^ Perintah 4 KeepSpeed, SlowDown dan SpeedUp Kita mengacak nilai percepatan awal Mobil1, lalu menyesuaikan kecepatan Mobil1 dan memperbarui posisi Mobil1. Lakukan hal yang sama dengan mobil. Tentukan jarak antara Mobil1 dan Mobil. Sesuai dengan kecepatan Car2 dan jarak antara kedua mobil, terapkan empat aturan pada Gambar 14.2 untuk mendapatkan perintah yang perlu dijalankan Car2 (apakah perlu KeepSpeed (mempertahankan kecepatan saat ini) atau SlowDown (perlahan-lahan kurangi kecepatannya) kecepatan mobil)). )) atau mempercepat (mobil melambat). Mobil berakselerasi)). Kemudian visualisasikan pembaruan bagan dan nilai-nilai yang Anda terima selama studi pascasarjana, dan di mana Car2 (dan tentu saja Car1) berada pada berbagai tahap studi pascasarjana Anda.

Seperti 14.5 Apa yang dimaksud dengan transplantasi? Gambar 14.3-14.5 menunjukkan diagram implementasi himpunan fuzzy jarak, kecepatan dan perintah. Gambar 14.3 Grafik himpunan fuzzy: jarak. Untuk lebih memahaminya, kami jelaskan di bawah ini. Pertama, jarak antara mobil kita (Mobil2) dan Mobil1 adalah 15 meter. Studi pascasarjana.

Jadi mari kita lihat Gambar 14.3 untuk memahami status jarak kita. Derajat keanggotaan mahasiswa pascasarjana pada jarak 15 meter adalah 0,8±0,6.

Berapa jarak himpunan fuzzy X (meter)  Aturan selanjutnya, – mahasiswa PhD bidang Machine Intelligence.

Bagaimana 148 aplikasi himpunan fuzzy pada agen mobil pintar dapat mempunyai keanggotaan sempit 0,75 (dekat) atau keanggotaan lebar 0,2 (jauh)? Karena setelah membandingkan 0,75 dan 0,25, kondisi jarak mobil kita yang lebih akurat adalah sangat dekat. Gambar 14.4 Diagram himpunan fuzzy: kecepatan mahasiswa pascasarjana.

Asumsikan kecepatan mobil kita (Mobil2) saat ini adalah 60 km/jam. Mari kita lihat Gambar 14.4 untuk memahami status kecepatan mobil. Hasil penelitian menunjukkan bahwa kecepatan 60 kilometer per jam termasuk cepat dengan derajat keanggotaan 0,75, dan juga lambat dengan derajat keanggotaan 0,2. Setelah dibandingkan, keadaan kecepatan lebih akurat dibandingkan Car2 karena 0,75 lebih besar dari 0,25. Tingkat keanggotaan 0,8 0,6 0,4 Lulusan.

Pembahasan

Makalah ini menunjukkan cara dan penerapan himpunan fuzzy pada agen mobil pintar? Kemudian kita terapkan ilmu dari Gambar Dengan mempertimbangkan status Close dan Fast, SlowDown adalah perintah yang paling sesuai untuk situasi kita saat ini, seperti yang ditunjukkan oleh nomor pengetahuan. Mahasiswa S3 ke bawah.

Apa arti command=slow down ketika jaraknya lebih kecil dan kecepatannya lebih tinggi? Implementasi sebenarnya adalah melakukan operasi OR dan AND pada nilai jarak dan kecepatan himpunan fuzzy. Sesuai penjelasan sebelumnya pada Bab 11, operasi OR adalah mencari nilai maksimum di antara nilai-nilai operasi, sedangkan operasi AND adalah mencari nilai minimum di antara nilai-nilai operasi. Oleh karena itu, persamaan di atas dapat ditulis ulang sebagai berikut: IF [jarak = sempit (MD = keanggotaan = 0.75) OR jarak = lebar (MD = 0.25)] AND [kecepatan = cepat (MD = 0.75) OR kecepatan = lambat (MD = 0,25 )]Mahasiswa PhD.

Jadi mengapa perintah=apa? JIKA [Maks(Jarak=Sempit(MD=0,75), Jarak=Lebar(MD=0,25)))] DAN [Maks(Kecepatan=Cepat(MD=0,75), Kecepatan=Lambat(MD=0,25)))] Lalu ada mahasiswa PhD.

Perintah = apa yang harus dilakukan? JIKA Jarak = Sempit (MD = 0.75) AND Kecepatan = Cepat (MD = 0.75) MAKA Perintah = Memperlambat 4 Pengetahuan 2 pada Gambar 14.2 Untuk menentukan nilai percepatan pada daerah SlowDown, carilah luas yang dibentuk oleh daerah tersebut (Pusat) Region, CoA atau Center of Gravity, CoG) dapat ditemukan di:  Aturan selanjutnya, – Kursus Mesin Cerdas.

Kesimpulan

Diketahui bahwa cara menyelesaikan aplikasi agen mobil pintar Fuzzy Set dengan menggunakan aturan (rule set) berupa:

Min(jarak=sempit(MD=0,75), kecepatan=cepat(MD=0,75))=(MD=0,75) Min(jarak=lebar(MD=0,25, kecepatan=lambat(MD=0,25)))=(MD = 0.25) Kemudian cari luas batasnya seperti terlihat pada Gambar 14.6 di bawah ini. Di sini terlihat bahwa luas batas yang dibentuk oleh SlowDown adalah MD=0.75, MD=0.25, dan luas yang dibentuk adalah segitiga. CoA dapat menemukan pusat pendidikannya melalui (ditandai x pada Gambar 14.6). Misal CoA -6 km/jam2, maka mobil kita (Car2) perlu dikurangi kecepatannya hingga akselerasi 6 km/jam. Oleh karena itu, sistem terus beradaptasi dengan akselerasi mobil kita. Jarak dan kecepatan saat ini menentukan tindakan (perintah) selanjutnya.