[논문 리뷰] Design a Technology Based on the Fusion of Genetic Algorithm, Neural network and Fuzzy logic

Raid Rafi Omar Al-Nima, Fawaz S. Abdullah외 1명|arXiv (Cornell University)|2021. 02. 16.

Fuzzy Logic and Control Systems참고 문헌 35인용 수 8

한 줄 요약

이 논문은 유전 알고리즘, 신경망, 퍼지 논리의 융합을 통해 실시간 시스템에서 의사결정 정확도와 적응성을 향상시키는 새로운 하이브리드 인공지능 기술인 유전 신경-퍼지(Genetic Neuro-Fuzzy, GNF)를 제안한다. 이 융합은 신뢰도 수준에서 이루어지며, 복잡하고 동적인 환경에서 성능 향상을 위한 점수 기반 정보 융합을 가능하게 한다.

ABSTRACT

This paper describes the design and development of a prototype technique for artificial intelligence based on the fusion of genetic algorithm, neural network and fuzzy logic. It starts by establishing a relationship between the neural network and fuzzy logic. Then, it combines the genetic algorithm with them. Information fusions are at the confidence level, where matching scores can be reported and discussed. The technique is called the Genetic Neuro-Fuzzy (GNF). It can be used for high accuracy real-time environments.

연구 동기 및 목표

• 유전 알고리즘, 신경망, 퍼지 논리를 유기적으로 융합하는 통합 인공지능 프레임워크를 개발하기 위해.
• 최적화, 학습, 불확실성 처리의 상호보완적 강점을 활용하여 개별 AI 구성 요소의 한계를 보완하기 위해.
• 신뢰도 수준의 정보 융합을 통해 실시간 고정확도 의사결정을 가능하게 하기 위해.
• 복잡하고 불확실하며 동적인 환경을 다룰 수 있는 견고하고 적응 가능한 시스템을 구축하기 위해.
• 실제 AI 응용 분야에서 융합 모델의 실현 가능성과 성능 향상을 입증하기 위해.

제안 방법

• 신경망과 퍼지 논리 간의 기초적 관계를 수립하여 의미적 및 기능적 통합을 가능하게 하기 위해.
• 진화적 탐색을 통해 신경-퍼지 시스템의 파라미터와 구조를 최적화하기 위해 유전 알고리즘을 통합하기 위해.
• 다양한 구성 요소에서 유도된 일치 점수를 집계하여 의사결정 출력을 도출하기 위해 신뢰도 수준의 정보 융합을 구현하기 위해.
• 퍼지 논리가 불확실성을 처리하고, 신경망이 데이터에서 학습하며, 유전 알고리즘이 시스템 파라미터를 조정하는 하이브리드 아키텍처를 사용하기 위해.
• 성능 지표를 기반으로 유전 알고리즘이 소속 함수와 네트워크 가중치를 진화시킬 수 있도록 피드백 루프를 설계하기 위해.
• 실시간 및 동적 입력 시나리오에서 성능을 평가하기 위해 프로토타입 시스템에 융합 모델을 적용하기 위해.

실험 결과

연구 질문

• RQ1 유전 알고리즘이 신경-퍼지 시스템의 파라미터를 효과적으로 최적화할 수 있는가?
• RQ2 신경망, 퍼지 논리, 유전 알고리즘 간의 정보를 신뢰도 수준에서 융합하는 데 가장 적합한 방법은 무엇인가?
• RQ3 이 세 구성 요소의 통합이 실시간 환경에서 의사결정 정확도와 적응성을 크게 향상시킬 수 있는가?
• RQ4 제안된 GNF 모델은 불확실성과 동적 데이터를 다루는 데 있어 독립형 또는 双요소 AI 시스템보다 어떻게 비교되는가?
• RQ5 신뢰도 수준의 점수는 융합 시스템의 신뢰성과 해석 가능성 향상에 어떤 역할을 하는가?

주요 결과

• 제안된 유전 신경-퍼지(GNF) 프레임워크는 유전 알고리즘, 신경망, 퍼지 논리를 유기적으로 융합한 일관된 시스템을 성공적으로 구현하였다.
• 신뢰도 수준에서의 융합은 불확실성에 대한 견고한 대응과 점수 기반 집계를 통해 의사결정 신뢰도를 향상시킨다.
• 진화적 최적화를 통한 파라미터 최적화 덕분에 실시간 환경에서 시스템의 적응성과 정확도가 향상됨을 입증하였다.
• 신경망과 퍼지 논리의 통합은 불확실하거나 노이즈가 많은 입력 조건에서 더 나은 해석 가능성과 강건성을 제공한다.
• 유전 알고리즘이 시스템의 소속 함수와 네트워크 가중치를 효과적으로 정밀 조정하여 수렴성 향상과 성능 향상을 이끌어냈다.
• 프로토타입은 복잡하고 동적인 의사결정 과제에서 실현 가능성과 성능 향상을 입증하였으며, 하이브리드 접근 방식의 타당성을 확인하였다.