Parçacık sürüsü optimizasyon algoritmasıyla bulanık-nöral ağ eğitimi

Abstract

Günümüzde, biyolojik sistemlerden esinlenilmis bir çok hesaplama teknigibulunmaktadır. Bu tez çalısmasının temelinde de kus sürülerinin davranıslarındanesinlenilerek ortaya çıkarılmıs bir yöntem olan ?Parçacık Sürüsü Optimizasyon(PSO) Algoritması? bulunmaktadır. Bu tarz yöntemlerin, geriye yayılım gibi klasikyöntemlere karsı bir çok üstünlügü vardır. Bu yöntemler, çok parametreli sistemlerinoptimizasyonunda, diferansiyel denklem çözümü ve gradyen hesaplanmasıgerektirmedigi için islem yükünü ve islem zamanını azaltmaktadır.Bu tez çalısması içerisinde, ilk olarak PSO algoritması anlatılmıstır. Sonrasındaalgoritmanın basarımını artırmak için ortaya konan karma (hibrit) algoritmaanlatılmıstır. Karma algoritmada; PSO algoritması içersine, genetik algoritmaya özgüçaprazlama ve degisim operatörleri dahil edilmistir. Yapılan benzetim sonuçlarından,algoritmanın basarımının önemli ölçüde arttıgı görülmüstür.Bulanık-nöral ag parametrelerinin belirlenmesi çok parametreli bir optimizasyonproblemidir. Bu tez çalısmasında, bu problemin çözümü, PSO algoritmasıkullanılarak yapılmıstır. Farklı yapılardaki bulanık-nöral agların egitilmesi ve ikiörnek sistem üzerindeki kontrol basarımları sunulmustur. lk olarak ayrık zamandatanımlanmıs tek giris-tek çıkıslı dinamik bir sistemi kontrol edebilmek içinyinelemeli bulanık-nöral ag, tez içersinde anlatılan iki algoritma ile egitilmistir.Benzetim sonuçlarına göre algoritmaların karsılastırması yapılmıs ve karmaalgoritmanın üstünlügü görülmüstür.Tez içersinde son çalısmada ise üç farklı yapıdaki bulanık-nöral ag, karma algoritmaile DC motor hızını kontrol etmek için egitilmistir. Buradaki amaç farklı yapılardakibulanık-nöral agların, sürekli zamanda tanımlanmıs örnek bir sistem üzerindekibasarımlarını karsılastırmaktır. Yapılan benzetimlerde karma algoritma ile egitilenbulanık-nöral agların oldukça iyi kontrol sonuçları verdigi görülmüstür.Anahtar Kelimeler: Parçacık Sürüsü Optimizasyonu, Genetik Algoritma, Bulanık-NöralAg Egitimi, Kontrolör Parametrelerinin Optimizasyonu

Nowadays; there are a lot of computation techniques inspired bybiological systems. This thesis?s basis is based on ?Particle swarm optimization(PSO) algorithm? inspired by the behavior of bird flocks. These computationtechniques have more superiority than classical techniques like back propagation.These techniques don?t need the solution of differential equation and partial gradient,since they decrease the computation time and complexity for purposes of multiparameter optimization problem solutions.In this thesis, firstly PSO algorithm is explained and then the concept of hybridalgorithm, which is proposed to increase the success of PSO algorithm. In hybridalgorithm; crossover and mutation operators, which belongs to genetics algorithm,are inserted in PSO algorithm. As can be seen from the simulation results, it?s shownthat hybrid algorithm?s performance is superior that of PSO.Determination of fuzzy neural network?s (FNN) parameters is a multi parameteroptimization problem. In this dissertation, this problem is solved by using PSOalgorithm and training of the different FNN controller architectures and theirperformances is presented based on two sample systems. Firstly recurrent FNN istrained by two algorithms explained in this thesis to control the single input-singleoutput dynamical plant defined in discrete time domain. For this plant, comparison ofclassical PSO and hybrid PSO algorithms is made and it is shown superiority ofhybrid algorithms with numerous simulation results.Finally, 3 different types of FNN are trained by hybrid algorithm to control the speedof DC motor. And then the performances of FNN?s are compared on the simulationsystem defined in continuous time domain. As a result, it is shown that the FNNtrained by hybrid algorithm gives successful control results.Key Words: Particle Swarm Optimization, Genetics Algorithm, Neuro ? Fuzzy NetworkTraining, Optimization of Controller?s parameters