Многоагентный алгоритм проектирования баз нечетких правил для задач классификации

Представлен многоагентный подход к организации коллектива оптимизаторов, основанный на встречах между агентами. В ходе оптимизационного процесса агенты обмениваются лучшими решениями, при этом лучшие агенты получают больше ресурсов в форме встреч. Среди агентов выбраны шесть генетических алгоритмов с различными операторами и три различных алгоритма роя частиц. Предложенный метод коллективного решения оптимизационных задач применен для формирования нечеткой базы правил. Нечеткая база правил состояла из фиксированного числа правил, для каждой переменной каждого правила функция принадлежности задавалась с помощью двух сигмоидальных функций. При этом кодируемыми параметрами были точки достижения сигмоидами 0 и 1, так что задача построения базы нечетких правил сводилась к задаче вещественной оптимизации. Число вещественных параметров при этом зависело от размерности классификационной задачи. Эффективность алгоритма сравнивалась с самонастраивающимся генетическим алгоритмом, решающим ту же задачу формирования нечеткой базы правил. При этом качество классификации оценивалось по величине точности, выборка разбивалась на обучающую и тестовую в соотношении 70 на 30. В качестве классификационных задач выбраны шесть задач с репозиторием KEEL и UCI, в их числе задачи кредитного скоринга, медицинской диагностики, распознавания банкнот и форм зёрен. Для сравнения также были выбраны два других метода классификации, в частности, машины опорных векторов (SVM) и ещё один метод формирования нечетких систем, в котором кодировались номера нечетких термов. По результатам тестирования можно отметить, что многоагентный алгоритм показал эффективность, сравнимую с другими методами при решении сложных оптимизационных задач.