МЕТОД АВТОМАТИЧЕСКОЙ ОПТИМИЗАЦИИ БАЗЫ НЕЧЕТКИХ ПРАВИЛ ИНТЕЛЛЕКТУАЛЬНЫХ РЕГУЛЯТОРОВ НА ОСНОВЕ СУБТРАКТИВНОЙ КЛАСТЕРИЗАЦИИ
Аннотация
Целью работы является разработка метода оптимизации базы нечетких правил интеллектуального регулятора для управления техническим объектом с использованием субтрактивной кластеризации. В статье приведен обзор и краткий анализ состояния дел в области оптимизации работы интеллектуальных систем управления. Для достижения цели исследования разработана гибридная модель, в которой управление техническим объектом реализуется с помощью классического ПИ-регулятора и нечеткого ПИ-регулятора с сгенерированной структурой системы нечеткого вывода типа Cyгено и разработанной моделью адаптивной системы нейро-нечеткого вывода. Данная конфигурация модели позволяет формировать базу нечетких правил, которая не зависит от знаний эксперта в предметной области. В статье предложен новый метод оптимизации базы правил нечеткого регулятора на основе методов кластеризации, в частности субтрактивной кластеризации, позволяющий уменьшать количество правил нечеткого логического вывода и увеличить быстродействие системы управления техническим объектом. Сначала проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов до применения субтрактивной кластеризации. Применение субтрактивной кластеризации по разработанному в исследовании способу для значений классического регулятора и нечеткого, позволило добиться их количественного сокращения в 1,7 и 5,25 раз соответственно. Затем проведено моделирование гибридной модели, синтезированной на основе значений нечеткого и классического регуляторов после применения субтрактивной кластеризации. Результаты, полученные в процессе моделирования показали высокую эффективность предложенного метода оптимизации базы правил нечеткого регулятора. За счет применения субтрактивной кластеризации в гибридной модели для интеллектуального регулятора удалось значительно уменьшить количество функций принадлежности, требуемых для описания входных лингвистических переменных (с пяти до четырех) и уменьшить количество правил нечеткого логического вывода (с двадцати пяти до шестнадцати). Анализ полученных графиков переходных процессов, полученных для гибридных моделей до и после применения субтрактивной кластеризации, показал, что основные показатели качества процесса управления остаются неизменными при существенном сокращении проводимых вычислений.
Список литературы
1. Siavash Shirali, Saeed Zolfaghari Moghaddam, Mortaza Aliasghary. An interval Type-2 fuzzy Frac-tional-Order PD-PI controller for frequency stabilization of islanded microgrids optimized with CO algo-rithm, International Journal of Electrical Power & Energy Systems, March 2025, Vol. 164, 110422. Available at: https://doi.org/10.1016/j.ijepes.2024.110422.
2. Mohamed I. Abdo, Emad A. Elsheikh. Optimization of a fractional-order interval type-2 fuzzy PID con-troller based on BBO for real-time applications, Franklin Open, September 2024, Vol. 8, 100121. Avail-able at: https://doi.org/10.1016/j.fraope.2024.100121.
3. Xuguang Chai, Yalin Wu, Lei Feng. Energy-efficient scalable routing algorithm based on hierarchical agglomerative clustering for Wireless Sensor Networks, Alexandria Engineering Journal, May 2025, Vol. 120, pp. 95-105. Available at: https://doi.org/10.1016/j.aej.2025.02.018.
4. Mingyang Geng, Yuying Shang, Shiyu Xiang, Jiachen Wang, Lei Wang, Huaibo Song. Using improved density peak clustering algorithm for flower cluster identification and apple central and peripheral flower detection, Computers and Electronics in Agriculture, May 2025, Vol. 232, 110095. Available at: https://doi.org/10.1016/j.compag.2025.110095.
5. Hongkang Zhang, Shao-Lun Huang. Improved fuzzy C-means clustering algorithm based on fuzzy particle swarm optimization for solving data clustering problems, Mathematics and Computers in Simu-lation, July 2025, Vol. 233, pp. 311-329. Available at: https://doi.org/10.1016/j.matcom.2025.02.012.
6. Guangchuan Hu, Amin Rezaeipanah. Noise-robust semi-supervised clustering learning framework con-sidering weighted consensus and pairwise similarities, Neurocomputing. Available online 16 February 2025, 129700. Available at: https://doi.org/10.1016/j.neucom.2025.129700.
7. Jun Ye, Zhaowang Hu, Zhengqi Zhang. General-purpose multi-user privacy-preserving outsourced k-means clustering, Journal of Information Security and Applications, March 2025, Vol. 89, 103976. Available at: https://doi.org/10.1016/j.jisa.2025.103976.
8. Guohui Ding, Yankai Wang, Chenyang Li, Haohan Sun, Cailong Li, Lei Wang, Haijun Yin, Tiantian Huang. HSCFC: High-dimensional streaming data clustering algorithm based on feedback control sys-tem, Future Generation Computer Systems, September 2023, Vol. 146, pp. 156-165. Available at: https://doi.org/10.1016/j.future.2023.04.008.
9. Lei Li, Xiao-Li Yin, Xin-Chun Jia, Behrooz Sobhani. Day ahead powerful probabilistic wind power fore-cast usingcombined intelligent structure and fuzzy clustering algorithm, Energy, 2020, Vol. 192, 116498. Available at: https://doi.org/10.1016/j.energy.2019.116498.
10. Mao Yang, Chaoyu Shi, Huiyu Liu. Day-ahead wind power forecasting based on the clustering of equiv-alent power curves, Energy, 1 March 2021, Vol. 218, 119515. Available at: https://doi.org/10.1016/j.energy.2020.119515.
11. Tao Tan, Tao Zhao. A data-driven fuzzy system for the automatic determination of fuzzy set type based on fuzziness, Information Sciences, September 2023, Vol. 642, 119173. Available at: https://doi.org/10.1016/j.ins.2023.119173.
12. Fan Z., Chiong R., Hu Z., Lin Y. A multi-layer fuzzy model based on fuzzy-rule clustering for prediction tasks, Neurocomputing, 2020. Available at: https://doi.org/10.1016/j.neucom.2020.04.031.
13. Raul Ruiz de la Hermosa Gonzalez-Carrato. Wind farm monitoring using Mahalanobis distance and fuzzy clustering, Renewable Energy, 2018, 123, pp. 526-540.
14. Arash Chaghari, Mohammad-Reza Feizi-Derakhshi, Mohammad-Ali Balafar. Fuzzy clustering based on Forest optimization algorithm, Journal of King Saud University – Computer and Information Scienc-es, 2018, 30, pp. 25-32.
15. Mayank Baranwal and Srinivasa Salapaka. Clustering and supervisory voltage control in power sys-tems, International Journal of Electrical Power & Energy Systems, July 2019, Vol. 109, pp. 641-651. Available at: https://doi.org/10.1016/j.ijepes.2019.02.025.
16. Guanhao Liang, Haotian Liao, Zhaoyang Huang, Xiaoli Li. Abnormal discharge detection using adap-tive neuro-fuzzy inference method with probability density-based feature and modified subtractive clus-tering, Neurocomputing, September 2023, Vol. 551, 28. Available at: https://doi.org/10.1016 /j.neucom.2023.126513.
17. Zhongwei Zhang, Mohammed Al-Bahrani, Behrooz Ruhani, Hossein Heybatian Ghalehsalimi, Nas-taran Zandy Ilghani, Hamid Maleki, Nafis Ahmad, Navid Nasajpour-Esfahani, Davood Toghraie. Op-timized ANFIS models based on grid partitioning, subtractive clustering, and fuzzy C-means to precise prediction of thermophysical properties of hybrid nanofluids, Chemical Engineering Journal, September 2023, Vol. 471, 1. Available at: https://doi.org/10.1016/j.cej.2023.144362.
18. Naghmeh Jafarzade, Ozgur Kisi, Mahmood Yousefi, Mansour Baziar, Vahide Oskoei, Nilufar Marufi, Ali Akbar Mohammadi. Viability of two adaptive fuzzy systems based on fuzzy c means and subtractive clustering methods for modeling Cadmium in groundwater resources, Heliyon, August 2023,
Vol. 9, Issue 8. Available at: https://doi.org/10.1016/j.heliyon.2023.e18415.
19. Md. Faiyaj Ahmed Limon, Rhydita Shahrin Upoma, Nomita Sinha, Shristi Roy Swarna, Bidyut Kanti Nath, Kulsuma Khanum, Md Jubaer Rahman, Md. Shahid Iqbal. Grey wolf optimization-based fuzzy-PID controller for load frequency control in multi-area power systems, Journal of Automation and Intel-ligence. Available online 8 January 2025. Available at: https://doi.org/10.1016/j.jai.2025.01.002.
20. Ignat'eva A.S. Nechetkaya klasterizatsiya kak sposob povysheniya effektivnosti upravleniya v avto-maticheskikh sistemakh [Fuzzy clustering as a way to improve control efficiency in automatic systems], Programmnye produkty i sistemy [Software Products and Systems], 2024, Vol. 37, No. 4, pp. 566-575. DOI: 10.15827/0236-235X.148.566-575.
21. Ignat'ev V.V. Metody upravleniya tekhnicheskimi ob"ektami s pomoshch'yu intellektual'nykh regulya-torov na osnove samoorganizatsii baz znaniy: monografiya [Methods of controlling technical objects us-ing intelligent controllers based on self-organization of knowledge bases: monograph]. Rostov-on-Don; Taganrog: Izd-vo YuFU, 2020, 142 p. ISBN 978-5-9275-3562-0. DOI: 10.18522/801273622.
22. Ignat'eva A.A., Spiridonov O.B., Ignat'ev V.V., Shapovalov I.O., Solov'ev V.V. Optimizatsiya bazy pravil nechetkogo regulyatora na osnove metodov klasterizatsii [Optimization of the rule base of a fuzzy con-troller based on clustering methods], Tr. kongressa po intellektual'nym sistemam i informatsionnym tekhnologiyam «IS&IT’18». Nauchnoe izdanie v 3-kh t. T. 2 [Proceedings of the Congress on Intelligent Systems and Information Technologies "IS&IT'18". Scientific publication in
3 vol. Vol. 2]. Taganrog: Izd-vo Stupina S.A., 2018, 418 p. ISBN 978-5-6041321-4-2, ISBN 978-5-6041321-6-6 (Vol. 2). S. 35-44.
