Bộ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.HCM

NGUYỀN NGỌC SƠN

ĐIỀU KHIÊN VỊ TRÍ TAY MÁY BÁP THỊT NHÂN TẠO DÙNG
MẠNG Nơ RƠN VÀ GIẢI THUẬT TIÊN HĨA VI SAI

ĐÊ TÀI NCKH CÁP TRƯỞNG

TP. HỒ CHÍ MINH NĂM 2017


BỘ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.IICM

NGƯYẺN NGỌC SƠN

ĐIỀU KHIẾN VỊ TRÍ TAY MÁY BẮP THỊT NHÂN TẠO DÙNG
MẠNG Nơ RƠN VÀ GIẢI THUẬT TIẾN HĨA vi SAI

ĐÈ TÀI NCKH CÀP TRƯỜNG

TRIJ0NG DA! HỌC CƠNG KĨHiÙP ĨP.HCV

THƯ VIỄNMÀ VẠCH :...................................

„

TP.HỎ CHÍ MINH NẢM 2017

TÓM TẤT
Hệ thống phi luyến với các yếu lổ bất định và nhiều động rất khó để xác định chính

xác mơ hình lốn học của hệ thống. Do đó các hướng tiếp cận điều khiển thơng thường
dựa trên mơ hình tốn học gần như khơng dáp ứng được u cầu. Vì thế ngày càng có
nhiều nghiên cứu tập trung vào các mơ hình và các bộ điều khiển (hơng minh ứng
dụng kỳ thuật lính tốn mềm dựa trên mạng nơ rơn nhân lạo và các thuậl lốn tối ưu

tiến hóa. Các nội dung chính cùa đê tài được tóm tai như sau:
MỘI là, ihuật tốn liến hóa vi sai cơ bàn DE và các ycu lố ảnh hưởng đen chất lượng

hội lụ của thuật toán DE được khảo sát nghiên cứu.
Hai là, thuật tốn tiến hóa vi sai DE sau đó được áp dụng vào bài tốn tối ưu hóa các
trọng số mạng nơ rôn MLP dê đạt dược lời giãi toi ưu toàn cục và cài thiện toe độ hội
tụ trong q (rình huấn luyện mạng.
Ba là, mơ hình dự báo NNARX được lạo ihành bằng cách kết hợp mạng nơ rơn MLP

và mơ hình hồi quy phi tuycn NARX, các trọng số mơ hình dự báo NNARX được tối
ưu bời thuật tốn lien hóa vi sai DE được phát tricn đe nhận dạng hệ phi luyến.
Bốn là, bộ điều khiển tích hợp PID-INN được nghiên cứu áp dụng cho các hệ tay máy

PAM phi tuyến. Ket quả thực nghiệm đã chứng tò chất lượng vượt trội cúa bộ diều
khiến PID-INN so với bộ điểu khiển kinh điển PID.

i


MỤC LỤC
DANH MỰC CÁC HÌNH ẢNH...................................................................................... iv


DANH MỤC BẢNG BIÊU..............................................................................................vi
DANH MỤC CÁC TỪ VIẾT TÂT................................................................................vii
DANH MỤC CÁC KÝ HIỆU........................................................................................ viii

CHƯƠNG I

TỔNG QUAN......................................................................................... I

I. ỉ

Tính cấp thiết của đề tài.................................................................................... I

1.2

Tổng quan tình hình nghiên cứu.........................................................................1

1.3

Mục liêu nghiên cứu............................................................................................ 3

1.4

Dối tượng, phạm vi và phương pháp nghiên cứu............................................... 3

1.5

Bố cục cùa báo cáo.............................................................................................. 4

CHƯƠNG 2


Cơ SỎ LÝ THUYÉT............................................................................. 5

2.1

Điều khiển dựa vào mơ hình................................................................................ 5

2.2

Mạng nơ rơn và thuật tốn tiến hóa..................................................................... 6

2.2.1

Mạng nơ rơn nhân tạo - ANN...................................................................... 6

2.2.2

Thuật tốn tiến hóa - EA............................................................................. 8

2.3

Thuật tốn tiến hóa vi sai..................................................................................... 9

2.3.1

Các bước thực hiện thuật toán...................................................................... 9

2.3.2

Các biến thể cũa thuật tốn.......................................................................... 12


2.3.3

Thơng số điều khiển.....................................................................................13

2.4

Kết luận................................................................................................................ 13

CIIƯƠNG 3
RON MLP

THUẬT TỐN TĨÉN HĨA VI sAĩ HN LUYỆN MẠNG Nơ
14

3.1

Giới thiệu............................................................................................................ 14

3.2

Cấu trúc mạng nơ rơn MLP............................................................................... 14

3.3

Thuật tốn huấn luyện mạng.............................................................................. 15

3.3.1

Lưu đồ thuật toán học DE........................................................................... 15


3.3.2

Lưu đồ thuật tốn học MDE........................................................................17

3.3.3

Các yếu lơ ánh hướng đèn q trình huấn luyện mạng.............................. 18

3.4

Úng dụng nhận dạng hệ phi luyến................................................................... 18

3.4.1

Cấu trúc mơ hình nhận dụng........................................................................ 18

ii


DANH MỤC CÁC HÌNH ẢNH

Hình 2.1 Sơ đồ khối hệ thống điều khiển dựa vào mơ hình............................................. 5
Hình 2.2 Q trình nhận dạng hệ thống............................................................................. 5
Hình 2.3 Tế bào nơ rơn nhân tạo....................................................................................... 6
Hình 2.4 Mạng nơ rơn truyền thẳng một ỉớp (a), nhiều lóp (b) và mạng hồi quy (c).... 7
Hình 2.5 Học có giám sát................................................................................................... 8
Hình 2.6 Thuật tốn tiến hóa V! sai cơ bàn....................................................................... 9
Hình 2.7 Q trình đột biển trong khơng gian 2-D......................................................... 10
Hình 3.1 Mạng nơ rơn truyền thẳng MLP....................................................................... 14

Hình 3.2 Sơ dồ khối cấu trúc mơ hình nhận dạng NNARX........................................... 19
Hình 3.3 Mơ hình NNARX nhận dạng hệ phi tuyến A.................................................. 23
Hình 3.4 Dữ liệu vào-ra hệ phi tuyến A dùng trong ước lượng và đánh giá...............23
Hình 3.5 Dự báo dùng mơ hình NNARX....................................................................... 24
Hình 3.6 Tốc dộ hội tụ khi ước lượng mơ hình NNARX, thay đổi SI........................ 24
Hình 3.7 Tốc độ hội tụ khi ước lương mơ hình NNARX, thay đổi NP....................... 25
Hình 3.8 Mơ phóng đánh giá chất lượng mơ hình NNARX.......................................... 26
Hình 3.9 Đánh giá mơ hình: (a) dự báo, (b) mị phịng.................................................. 26
Hình 3.10 Tốc độ hội tụ trong ước lưựng mơ hình NNARX, với (3.5)....................... 27
Hình 3.11 Dừ liệu dùng ước lượng và đánh giá mơ hình NNARX với (3.6)...............28
Hình 3.12 Mơ hình NNARX nhận dạng hệ phi tuyến B............................................... 29
Hình 3.13 Tốc độ hội tụ trong ước lượng mơ hình NNARX, với (3.6)........................ 29
Hình 3.14 Dánh giá mơ hình cho hệ (3.7): (a) dự báo, (b) mơ phịng......................... 30
Hình 3.15 Kct q nhận dạng dùng mơ hình ODE-NNARX ở bài báo |2I ]................ 30
Hình 4.1 Sợi cơ nhân lạo Festo-PAM ứng dụng người máy..........................................32
Hình 4.2 Cấu tạo sợi cơ nhân tạo Festo-MAS-20, (26].................................................. 33
Hình 4.3 Sơ đồ khối mơ hình tay máy song song PAM.............................................. 34
Hình 4.4 Sơ dồ khối mơ hình tay máy song song PAM.............................................. 34
Hình 4.5 Điều khiển ngược trực tiếp dựa vào mơ hình nơ rơn...................................... 36
Hình 4.6 Sơ dồ khối bộ điều khiển thích nghi trực tiếp.............................................. 37
Hình 4.7 Sơ đồ khối bộ diều khiển thích nghi gián tiếp.............................................. 37
Hình 4.8 Sơ đồ khối bộ diều khiển FEL..........................................................................38
Hình 4.9 Sơ đồ khối bộ điều khiến lích hợp P1D-INN................................................... 40
Hình 4.10 Mơ hình ngược dự báo ĨNN của hệ phi tuyến...............................................40
Hình 4.11 Sơ đồ khối bộ điều khiển tích hợp PID-INN hệ tay máy PAM.................... 42
Hình 4.12 Tập dừ liệu vào-ra ihực nghiệm cũa hệ tay máy song song PAM................43
Hình 4.13 Mơ hình ngược dự báo MDE-INN cùa hệ tay máy PAM.............................44
Hình 4.14 Kết q dự báo mơ hình ngược hệ lay máy song song PAM....................... 44
Hình 4.15 Cửa sơ Configuration Parameter.................................................................... 47
Hình 4.16 Chương trình điều khiển thích nghi P1D-1NN hệ tay máy PAM.................. 47


iv


Hình 4.17 Chất lượng điềukhiển PAM với tín hiệu (a) sin 0.1Hz.............................. 48
Hình 4.18 Chắt lượng điềukhiển PAM với tín hiệu (b) sin 0.5 Hz.............................. 48
Hình 4.19 Cập nhập trọng số mơ hình INN (a) sin 0.1Hz và (b) 0.5Hz....................... 49
Hình 4,20 Chất lượng diềukhiển PAM với tín hiệu (a) tam giác 0.5 Hz.................... 49
Hình 4.21 Chất lượng điềukhicn PAM với tín hiệu (b) lam giác 0.2 IIz.................... 50
Hình 4.22 Cập nhập trọng số mơ hình 1NN (a) tam giác 0.5 Hz và (b) 0.2 Hz............ 50
Hĩnh 4.23 Điều khiển PAM với tín hiệu sin 0.35 Hz và thay đổi tài........................... 51

V


DANH MỤC BẢNG BIÊU
Bảng 2.1 Pseudo-code thuật toán EAs............................................................................... 8
Bảng 2.2 Các bicn thế của thuật tốn tiến hóa vi sai....................................................... 12
Báng 3.1 Pseudo-code thuật toán DE huấn luyện mạng nơ rón MLP........................... 16
Bàng 3.2 Pseudo-code thuật tốn MDE huấn luyện mạng nơ rôn MLP........................ 17
Bàng 3.3 Thông số các thuật tốn học trong q trình nhận dạng................................. 21
Bàng 3.4 Chất lượng nhận dạng hệ phi tuyến A dùng MDE-NNARX........................ 24
Bàng 3.5 Chất lượng nhận dạng dùng MDE-NNARX. thay đối NP........................... 25
Bảng 3.6 Chất lượng nhận dạng dùng mơ hình NNARX, với (3.5)............................ 28
Bàng 3.7 Chất lượng nhận dạng cùa mơ hình NNARX, với (3.6)................................ 30
Bâng 4.1 Thơng số các thiết bị mơ hình tay máy song song PAM................................ 34
Bàng 4.2 Thông số vật lý lay máy song song PAM...................................................... 35
Bàng 4.3 Các trọng số cùa mơ hình MDE-INN mơ tả tay máy PAM.......................... 45

vi



DANH MỤC CÁC TÙ VIẾT TÁT

BP
DE
FEL
GD
INN
HDE
MDE
MIMO
MLP
NNARX
PID
PAM
SMA

Back-Propagation
Differential Evolution
Feedback Error Learning
Gradient Descent
Inverse NNARX model
Hybrid Differential Evolution
Modified Differential Evolution
Multi input Multi Output
Multi-Layers Perceptron Neural Network
MLP Neural NARX model
Proportional Integral Derivative
Pneumatic Artificial Muscle

Shape Memory Alloy

VI1


dụng Ihơng tin bict trước vê đặc tính cùa hệ phi tuyến. Trong trưừng họp thông tin biết

trước về hệ phi luyến không đầy đù về các quy luật vật lý thì các cấu trúc mơ hình
thưởng được sừ dụng đe nhận dạng hệ phi luyến như mơ hình Hammerstein, Wiener,
Hammerstein-Wiener được ghép nổi từ một khâu phi tuyến tĩnh với khâu tun lính.

Tuy nhiên, các phương pháp này khơng thế nhận dạng tồn bộ đặc lính phi tuyến của
dối tượng. Đe khắc phục các nhược điềm này, hướng tiếp cận dựa trên kỹ thuật lính

lốn mềm dược phát triển để nhận dạng và điều khiến hệ phi luyến.
Nhờ kha năng xấp xi rất tốt, mơ hình nơ rơn nhân tạo dã dược sử dụng rộng rãi trong
nhận dạng các hệ phi tuyến phức tạp. Các kiến trúc mạng nơ rôn như mạng truyền

thảng nhiều lớp MLP [1], mạng hàm cơ sở xuyên tâm RBF [2], và mạng ANFIS [3]

với các trọng số được huấn luyện bởi thuật toán suy giâm độ dốc GD dược sử dụng đề
nhận dạng hàm phi tuyên dựa trên dừ liệu vào-ra hệ thông. Mặc dù các ihuật toán học

này đã được áp dụng cho nhiều ứng dụng, nhưng nó địi hói hàm chi phí khá vi và
khơng gian tìm kiếm khơng lồi. Điều kiện này có thể khơng thỏa màn trong nhiều ứng
dụng thực tiễn bời vì nhiều hệ thống hay hệ thống khơng liên lục. Thậm chí ngay cà

khi thơng tin Gradient xác định được, các thuật tốn học này có thế xác định lời giải

rơi vào tối ưu cục bộ nếu hàm chi phí là hàm đa mục tiêu.


Dồ khẳc phục nhược diem này, trong những năm gần đáy với sự phát triền khơng
ngừng cua khoa học máy tính, nhiều phiên bàn máy lính mới có tốc độ xứ lý cao đã ra

dời đặc biệt là các hệ siêu máy lính dă làm cho việc giàí quycl các bài tốn lớn có chi
phí tính tốn cao trớ nên dề dàng hơn. Vì vậy. gần đây với những ưu diem nôi bật như
lời giải tối ưu tồn cục, nhóm các thuật tốn tối ưu hóa tiến hóa được sự quan lâm của

rất nhiều nhà khoa học trên thế giới và được phái triển rất mạnh irong lĩnh vực nhận

dạng hệ phi tuyến.
MỘI trong số dó, thuật tốn tiến hóa vi sai DE dược xem là một trong những công cụ

mạng mổ trong lĩnh vực tối ưu hóa và được quan tâm nghiên cứu rất nhiều hiện nay.
Thuậi tốn liến hóa vi sai DE được giới thiệu lần đầu dưới dạng một báo cáo kỹ thuật

bởi hai nhà khoa học R. Storn và K.v. Price vào năm 1995 [4|. là thuật tốn lìm kiếm
lời giãi tối ưu ngầu nhiên. Thuật tốn DE có khả năng xứ lý rái hiệu quả các bài lốn

tìm cực trị hàm không khả vi, hàm phi luyến và các hàm da mục liêu.
2


CHƯƠNG 1
1. ỉ

TĨNG QUAN

Tính cấp thiết của đề tài


Tay máy PAM bắp thịt nhàn tạo (Pneumatic Artificial Muscle Manipulator) truyền
động bằng khí nén, hiện đang là hệ tay máy đầy hứa hẹn đùng trong các mơi Irưởng
địi hịi độ an tồn cùng độ chính xác cao như các lay máy dùng trong lĩnh vực y tê, tay

máy giúp phục hồi chức nàng, tay máy dùng trong các ngành công nghiệp can độ
chính xác và an tồn cao (hàng khơng, giao thông vận tài,..). Tay máy PAM là một hệ
phi tuyến với nhiều yêu tố bất định rất khó đe thiết kế hộ điều khiến. Vì vậy, các hệ

thống điều khiến thơng thường được thiết kế dựa trên mơ hình tốn học của hệ thống
ngày càng tò ra hạn che khi áp dụng cho các hệ phi tuyến nói chung, trong đó có hệ tay

máy PAM nói riêng.
Bài tốn nhận dạng điều khiển các hệ phi tuyển nói chung, trong đó có hệ tay máy

PAM nói riêng, cho đến nay vần đang là bài toán lớn được nhiều nhà khoa học trong
nước và thế giới quan tâm. Đặc biệt những năm gần đây, các mơ hình tính tốn mềm
(dùng lơ gic mờ, mạng nơ rơn, thuật tốn tiến hóa) được ứng dụng nhiều đề nhận dạng

và điều khiển các hệ phi tuyến. Các kết quả nghiên cứu vài năm gần đây cho thấy tuy

đã có nhiều cơng trình sử dụng các mơ hình nơ rơn khác nhau đề nhận dạng và diều
khicn các hệ phi tuyến, riêng mơ hình nơ rơn NARX tiến hóa vi sai, cho đen vài năm

gần đây, vẫn chưa được quan tâm nghiên cứu đầy đủ.
Do dó, để tài điều khiển tay máy PAM dùng mơ hình nơ rơn NARX và giãi thuật lien
hóa vi sai, có tính cấp thiết và lính mới cao. Đe tài vừa đáp ứng tính ứng dụng cho việc
nghiên cứu điều khiển hệ tay máy PAM có thể ứng dụng trong lĩnh vực tay máy tự

động có độ an lồn và chính xác cao. mà cịn thơng qua bài báọ cộng bổ trên các tạp


chí quốc lể ihuộc danh mục ISI, mơ hình diêu khiển này có thế được sử dụng rộng rãi
trong các ứng dụng điều khiển động lực học nâng cao các hộ cơ phi tuyến khác.

ỉ.2
•

Tổng quan tình hình nghiên cứu
Nhận dạng hệ phi tuyến

Lý thuyết nhận dạng hệ phi tuyến, mặc dù có nhiều nghiên cứu nhưng đến nay vần có

nhiều thách ihức. Đe chọn cấu trúc mơ hình nhận dạng phù hợp chúng ta thường sư

1


•

Diều khiển dựa vào mơ hình

Nhờ khả năng học và xấp xi rất tot. mị hình nơ rơn nhân tạo đã được sử dụng rộng rãi
trong điều khiển các hệ phi tuyến phức tạp. Neu sử dụng mơ hình nơ rơn để nhận dạng

trước mơ hình của đối tượng, sau đó hộ diều khiển được tính tốn theo mơ hình của
đối tượng ta có bơ điều khiên thích nghi gián tiếp, [5]. Ngược lại nếu sử dụng mơ hình

nơ rơn đe ước lượng các thông số bộ điều khiển ta có bộ điều khiến thích nghi trực
tiếp, |6|. Một trong số đó. việc thiết kế bộ điều khiển dựa trên mơ hình ngược cùa dối
tượng được quan tâm nghiên cứu khá nhiều. Tuy nhiên, mơ hình ngược giãi (ích cùa


hệ thống phi luyến thường không xác định được. Bài báo 17J-[9] đề xuất sử dụng bộ
diều khiển feedforwad-feedback conưoller được tạo thành bằng cách ghép noi bộ điều
khiển thuận dùng mơ hình nơ rơn ngược và bộ điều khiển PID kinh điền. Hạn chế của

các bộ điều khiến này là mơ hình nơ rơn phài nhận dạng chính xác mơ hình ngược của
đối tượng và các thơng số cua mơ hình nơ rơn khơng thể hiệu chình thích nghi trong

q trình điều khiển thời gian thực. Như vậy, địi hỏi nhận dạng chính xác hệ phi tuyến

và hiệu chinh thích nghi thơng số các mơ hình nơ rơn dùng (rong các bộ điều khiên
đang trở thành bài toán bức xúc nhằm bao đàm bền vừng khi điều khiên các hệ phi
luyến, bẩt chắp các biến động của đặc lính tải hoặc/và các nhiễu loạn ngoài.

1.3

Mục tiêu nghiên cứu

Mục lieu nghiên cứu trọng tâm của đề tài bao gồm các vấn đề sau:

• Mục tiêu tồng quái: De tài sè phát triền mơ hình mạng nơ rơn NARX thuận và
ngược với các thơng so được tối ưu bang thuật tốn tiên hóa vi sai đê nhận dạng

điều khiển chính xác hệ tay máy PAM bắp thịt nhân tạo.

• Mục tiêu cụ (hề
-

Xây dựng dược mơ hình nơ rơn với các thơng so được toi ưu bới giải thuật

tiên hóa vi sai đê nhận dạng điều khiên hẹ phi tuyên.

-

1.4

•

Thiel kc và thi cơng mơ hình tay máy PAM bắp thịt nhân tạo.

Dối tượng, phạm vi và phưoìig pháp nghiên cứu
Dối tượng thực nghiệm được sử dụng đế kiềm chứng tính hiệu quâ cùa bộ diều

khicn dề xuất là đổi tượng tay máy PAM bẳp thịt nhân tạo.

3


•

Phương pháp nghiên cứu được áp dụng để (hực hiện dề lài là phân lích lý thuyết,
mơ phịng trên máy tính và kiêm chửng điêu khicn Iren mơ hình thực nghiệm.

- Phân tích lý thuyết: Nghiên cứu các lý thuyết liên quan đến nội dung đề tài đã

công bố trên các tạp chí, hội nghị khoa học chun ngành.
- Mơ phơng trên máy tính: Lập trình thuật tốn tối ưu tiến hóa vi sai, sau đó áp
dụng đe huấn luyện mơ hình nơ rơn MLP.
- Úng dụng thực nghiệm: Tricn khai mơ hình nghiên cứu trên một sơ hệ phi

tuyến thực nghiệm, phân tích kcl quả. rúl ra nhận xct.


1.5
•

Bố cục của báo cáo
Chương I giới thiệu tổng quan tình hình nghiên cứu trong nhận dạng và điều khiển

hệ phi tuyển đe từ đó đưa ra mục tiêu nghiên cứu trọng tâm của đe lài.

• Chương 2 (rình bày cơ sở lý thuyết về tổng quan nhận dạng, điều khiến; giới thiệu
thuật tốn tiến hóa vi sai cơ bàn, bicn the và các thơng số diều khiển của thuật tốn.

• Chương 3 trình bày bài tốn huấn luyện mạng nơ rơn MLP dùng thuật tốn tiên hóa
vi sai. Đe xuất xây dựng mơ hình dự báo NNARX ứng dụng trong nhận dạng hệ

phi tuyến. Mơ phóng, so sánh và đánh giá chất lượng nhận dạng trên một số hệ phi

luyến Benchmark thơng dụng.

• Chương 4 giới thiệu tổng quan về mơ hình lay máy PAM; đe xuất xây dựng bộ
điều khiển tích hợp PID-INN dựa trên nguyên tắc thiết kế bộ điều khiển FEL dùng

mơ hình nơ rơn ngược dự báo INN và bộ điều khicn P1D; Phân tích, đánh giá và
nhận xét về các kết quã thực nghiệm đạt được.

• Cuối cùng, chương 5 tổng kết lại các đóng góp cùa đề tài. Cuối chương là một số
de xuat vê hướng nghiên cứu liêp theo.

4



CHƯƠNG 2

2.1

CO SÕ LÝ THUT

Diều khiển dựa vào mơ hình

Hệ thống phi tuyến với các yếu tố bất định và nhiễu động lất khó dê xác định chính
xác mơ hình tốn học của hệ thống. Do đó các hướng ticp cận diều khiển thơng thường

dựa trên mơ hình tốn học gần như khơng đáp ứng được u cầu. Vì thể ngày càng có
nhiều nghiên cứu tập trung vào các mơ hình và các bộ điều khiến thơng minh ứng
dụng kỹ thuật tính tốn mềm dựa trên mạng nơ rơn nhân tạo và các thuật tốn tối ưu

tiến hóa để nhận dạng, diều khiển các hệ phi tuyến. Sơ dồ khối hệ thống diều khiến

dựa trên mơ hình nhận dạng dược mơ tã ở hình 1.1.

Hình 2.1 Sơ đồ khối hệ thống điều khiển dựa vào mơ hình
Q trình thiết kể bộ điều khiển dựa vào mơ hình nhận dạng cho các hệ thống phi

tuyến bao gồin 3 bước như sau:

•

Nhận dụng hệ thống: Là xây dựng mơ hình tốn học cua hệ thống dựa trên dữ liệu
vào-ra quan sát được. Bơn van đe cân giãi quyết trong các bài tốn nhận dạng là thí
nghiệm thu thập dừ liệu, chọn cấu trúc mơ hình, chọn ticu chuẩn ước lượng thơng


so và đánh giá chất lượng mơ hình. Q trình nhận dạng hệ thơng được thực hiện

theo sơ đồ trình bày ở hình 1.2.

Hình 2.2 Quá trình nhận dạng hệ thống

5


vấn đề quan trọng và khó nhất trong các bước giải bài toán nhận dạng hệ thống là đưa

ra cấu trúc mơ hình phù hợp với hệ thống cần nhận dạng. Dựa vào quan hệ giữa tín

hiệu vào và tín hiệu ra cũng như các thông tin biết trước về hệ thống mà ta có the chọn
lựa giữa mơ hình tuyến lính hay phi tun; mơ hình hộp đcn, hộp xám hay mơ hình

thơng so vật lý.
•

Thiết ke bộ điều khiển: Dựa trên các thơng tin của mơ hình nhận dạng thuận hoặc

mơ hình ngược de thiết kế bộ diều khiển. Hiện nay, các phương pháp điêu khiến

dựa vào mô hình phổ biên như điều khiển dựa vào mơ hình ngược, điều khiên mơ
hình nội, điều khiển theo mơ hình chuần và điều khiển dự báo dựa vào mơ hình.
•

Kiểm chứng bằng mô phỏng và thực hiện điều khiển thời gian thực ứng dụng vào

từng hệ phi tuyến cụ thế.


2.2 Mạng no' rơn và thuật tốn tiến hóa
2.2 . ỉ Mạng nơ rơn nhân tạo - ANN
Với mục đích lạo ra một mơ hình tính tốn phịng theo cách làm việc của te bào nơ rôn

trong bộ não con người, các lác giả McCulloch và Pitts 1101 đã dè xuất một mó hình

tốn cho một nơ rơn nhân tạo như sau:

Hình 2.3 Te bào nơ rơn nhân tạo
Mồi tế bào nơ rôn được nổi với các le bào nơ rôn khác và nhận các tín hiệu Xj lừ chúng
với các trọng số Wj. Q trình xử lý thơng tin cùa tế bào thần kinh có die chia thành hai

phần: xư lý ớ ngõ vào và xừ lý ở ngõ ra. Trong dó hàm xừ lý ngõ vào là hàm tổng có

dạng như sau:

f = n = ỵwjXj
J-*1

(1.1)

Ngõ ra cùa tế bào nơ rơn được xác định bời biêu thức
y=«(/)

6

(1.2)



Hàm a(.) gọi là hàm tác động, các dạng hàm tác động thường dùng là:

•

Ham tuyến lính: ứ(/) = f

ỉỉàm sigmoid đơn cực: u (f) =

1
1 + đ-"

Hàm sigmoid lường cực: a (f) =

l + e"

Mạng nơ rôn nhân tạo bao gồm nhiều tế bào nơ rôn liên kết chặt chẽ với nhau. Tùy
theo cấu trúc mạng, người ta chia ra các loại mạng nơ rơn như sau:
•

Mạng nơ rơn một lớp là mạng chi gồm một lớp te bào nơ rôn xừ lý; mạng nhiều lớp

là mạng gồm nhiều lớp te bào nơ rơn xử lý.
•

Mạng truyền thẳng là mạng trong đó tín hiệu chi truyền theo một chiều từ ngõ vào
đen ngõ ra.

•

Mạng hồi quy là mạng mà trong dó có tín hiệu hồi tiểp từ ngõ ra trở về ngõ vào.


Lớp vào

Lúp ẩn

Lớp ra

Hình 2.4 Mạng nơ rôn truyền thẳng một lớp (a), nhiều lớp (b) và mạng hồi quy (c)
Mạng nơ rôn nhân tạo phài được huân luyện trước khi SỪ dụng. Có hai ván đè cân
huấn luyện đối với mồi mạng nơ rôn nhân tạo đó là học thơng số và học cấu trúc. Học

thơng số de cập nhập các trọng sổ nơ rôn cùa mạng, còn học cấu trúc đe thay đổi cắu

trúc mạng bao gồm sổ tế bào nơ rôn, số lớp nơ rôn và cách liên kết giừa chúng. Hai

kiều học này có thề đưực SỪ dụng đồng thời hay riêng lẽ.
7


Hình 2.5 Ilọc có giám sát
Có 3 phương pháp học thơng số đó là học có giám sál, học cũng cố và học khơng có

giám sát. Học có giám sát là phương pháp học thông dụng nhất. Trong phương pháp
học có giám sát, tập dữ liệu huấn luyện mạng nơ rôn là tập dừ liệu vào-ra mong muôn.

Các trọng số cúa mạng nơ rôn được cập nhập dựa trên sai so giừa dừ liệu ra mong
muốn và dừ liệu ra của mạng nơ rôn. ĩ Tinh 2.5 mô tả sơ đồ khối phương pháp học có

giám sát. Trong dớ, thuật tốn huấn luyện dược sử dụng để tối ưu hóa các trọng số của
mạng nơ rơn.

2.2.2 Thuật tốn tiến hóa - EA

Các thuật tốn tối ưu tiến hóa EAs (Evolution Algorithms) là thuật tốn tối ưu hóa
ngẫu nhiên được phát triển từ ý tướng và nguyên tác của sự tiến hóa trong tự nhiên

chẳng hạn như thuật tốn tối ưu ES (Evolution Strategics), thuật toán lối ưu EP
(evolutionary programming), thuật toán di truyền GA (Genetic Algorithm). Điểm quan
trọng cùa các thuật tốn tối ưu này là chiến lược tìm kiếm lời giải tối ưu dựa trên quẩn

thể. Các cá the trong quần thể cạnh tranh và trao đối thông tin với nhau de thực hiện

nhiệm vụ nhất định. Lưu đồ lổng qt Ihực hiện thuật tốn EAs được mơ tà ờ bâng 2.1.
Bâng 2.1 Pscudo-codc thuật toán EAs

I. Bắt dầu ’
2. Khởi tạo ngảu nhicn các cá the trong quần the, thiết lập i = 0
3 REPEAT
a) . Đánh giá các cá thể vừa khôi lạo;
b) . Lựa chọn quân the mục lieu G(i) dựa lien hàm chi phí;
c) . Thực hiện phép loán đột biến, lai ghép và chọn lọc;
d) . i = i + I;
4. UNTIL “tiêu chí hội tụ”
5. Kết thúc

8


Các thuật tốn tối ưu tiến hóa EAs ln tìm được nghiệm tối ưu tồn cục trên tồn bộ
khơng gian thiết kế. Vì vậy, các thuật tốn này dùng dược cho tất cả các loại hài toán


khác nhau, kề cả các bài tốn có hàm mục tiêu hay hàm ràng buộc là hàm phi luyến,
không liên tục, biển thiết kế là tập các giá trị rời rạc, hàm không khả vi và hàm đa mục

tiêu. Tuy nhiên, chi phi tính tốn khi sừ dụng nhóm thuật tốn này là tương đối lớn bới
quá trình tìm kicrn phải được thực hiện trơn tồn bộ khơng gian thiết ke.
2.3 Thuật tốn tiến hóa vi sai
Thuật tốn tiến hóa vi sai CƯ bân DE dược giói thiệu lần đầu dưới dạng một báo cáo kỹ

thuật bởi hai nhà khoa học R. Storn và K.v. Price vào năm 1995 [4J, là thuật tốn tìm
kiêm lời giãi lối ưu ngầu nhiên. Các ưu điếm của thuật tốn như khả năng tìm kiếm
chính xác lời giải tối ưu tồn cục mà khơng phân biệt giá trị tham số ban dầu, ít thơng
số diều khiến dã làm cho thuật tốn tiến hóa vi sai trở thành một trong những công cụ
mạnh mẽ trong lĩnh vực loi ưu hóa.

2.3. ĩ Các bước thực hiện thuật tốn

Lưu đồ thuật tốn lien hóa vi sai DE bao gồm các bước cơ bàn giống với thuật toán di
truyền GA như khơi tạo quan the, chọn lọc, lai ghép và đột biến. Lưu đồ thuật toán vi

sai DF. dùng đe giãi các bài tốn loi ưu trong điều khiến được trình bày ờ hình 2.6, chi
liếl các bước thực hiện thuật tốn được mô tá như sau:
[Băt đầu]
[ Khới tạo ]
—»( Dột biến )
Vĩ
[ Lai ghép )

(Kct thúc)

Hình 2.6 Thuật tốn tiến hóa vi sai cơ bàn


9


• Khói tạo

Giả sử chúng ta muốn tìm kiểm lời giải tối ưu cho một hàm thực với D tham sổ. Đầu
tiên, chúng ta phài chọn kích thước quần the /VP. Thuật toán DE được bắt đầu bàng
cách tạo ra một cách ngầu nhiên NP vector /) chiêu. Mỗi một vector này được gọi là

một cá the và được biêu diễn như sau:
(“• 1)

I.tì

Trong đó: G là số thế hệ tiến hóa, ơ = 0.1,...,GEVvà i = 1,2,...,7VP. Mồi vector (cá

the) trong quần thẻ được giói hạn trong một khơng gian tìm kiếm nhắt định và khơng
vượt ra khỏi giới hạn này. Giới hạn cận dưới và giới hạn cạn trên được ký hiệu như sau
Xmn =

(

I4«ún’

2.mu ’

’

ỉJ và X rru» = {*

.,*,
ị. Vì vậy, thành phân
thứ jJ
I l.iiHt 7 2.RUI 7
7
D.HU1 )
I

của véc-tơ thử ì dược khởi tạo như sau:
=

+ ^„lO,l](xẲ_ -x„„)

(2.2)

Trong dó, 0 < rand' ,(0,11 < 1.

• Đột biển
Mồi cá the phài trài qua quá trình đột biến, lai ghcp và chọn lọc. Dột biến là sự thay

đổi hoặc xáo trộn với một yen tổ ngẫu nhiên. Trong thuật toán DE, một véc-tơ ở thế hệ

hiện tại được gọi là véc-tơ mục tiêu, véc-tơ đột biến sẽ thu được từ quá trình đột biển.
Quá trình tạo véc-tơ đột biển được minh họa ở hình 2.2 và cơng thức (2.3).

Hình 2.7 Q trình đột biến trong khơng gian 2-D

K« = \, + F(X;v:-X,.„)

(2.3)


De tạo ra véc-tơ đột biến cho mỗi véc-lơ mục tiêu thứ i từ thế hệ hiện tại, ba véc-tơ

khác nhau X ,x

X được lây mâu ngàu nhiên từ quần thê ở thê hệ hiện tại. Sự lựa

10


chọn ngau nhiên ba véc-tơ khác nhau X., X., x^ trong quân thê làm cho quá trình tìm

kiểm lời giải tối ưu được trãi rộng trong khơng gian tìm kiêm. Các chi sô

và r‘ là

các số nguyên loại trừ lẫn nhau được chọn lựa ngẫu nhiên từ khoảng[l,;VP| và khác
với véc-tơ mục tiêu thử ì. Các chi so này được tạo ra ngẫu nhiên một lan cho mỗi véc-

tơ đột biến. Hiệu cùa hai véc-tơ bất kỳ trong ba véc-tơ được thu nhó lại bởi hệ so đột

bicn FC;0, ị và sau đó được cộng với véc-lơ thứ ba để được véc-tơ đột bicn V,.

• Lai ghép
Sau khi tạo ra véc-tơ đột biến, quá trình lai ghcp được thực hiện để tăng cưởng sự đa

dạng cùa quẩn thề. Véc-tơ đột bicn v’ G được lai ghcp với véc-tơ mục liêu XlG hình
c]. Thuật tốn DE thường sừ dụng

thành véc-tơ thừ nghiệm UlM —


phương pháp lai ghcp nhị thức hoặc lai ghép dạng mũ đê tạo ra véc-tơ thử nghiệm.

Quá trình lai ghép nhị thức được trình bày như sau:
(2.4)
Otherwise

Trong dó, i = 1,2,..., NP lù j = 1,2,...,/); c được gọi xác suất lai ghép; rand [0,11 là
một số ngầu nhiên phân bố đều.
Trong lai ghép dạng mù, đầu tiên chúng ta chọn số lự nhicn n thỏa điều kiện nG [!,/)].

Sổ nguycn này như điềm khởi dầu trong véc-tơ mục tiêu, được lai ghép với véc-tơ đột
biến. Chúng tôi cũng chọn số tự nhiên L thỏa điểu kiện Ae[l,/)]. L biểu thị số thành

phần véc-tơ dột biến thực sự lai ghép với véc-lơ mục tiêu. Sau khi lựa chọn n và L,

véc-tơ thừ nghiệm được mơ tá như sau:

+0„..<«+L~

v,^ fôr j
X)II; for a lỡ other je[l,D|

(2.5)

ã Chn lc
Vộc-l mục tiêu xíơđược so sánh với véc-tơ thư nghiệmũ,tì. Q trình chọn lọc được
mị tã như sau:

11



(2.6)
otherwise

Trong dó, /(Ỹ)là hàm chi phí cực tiểu.
• Hội tụ

Tóm lại, tồn bộ q trình thực hiện các bước dột biến, lai ghép và chọn lọc được thực

hiện trong một vịng lập. Chu trình lặp chi kêt thúc khi một trong các điều kiện sau dây
dược thỏa mãn: khi số the hẹ tiến lới cực dại GEN; khi hàm chi phí khơng thay đơi
đáng kể trong q trình lặp; khi hàm chi phí cực tiểu đạt giá trị mong muốn.
2.3.2 Các hiển thê của thuật toán
Hau het các biến thê cúa thuật toán DE dựa trên cách tiếp cận đế tạo ra các véc-tơ đột

biến và các véc-tơ thử nghiệm. Một trong hai phương pháp lai ghép thường được sử
dụng để tạo ra véc-tơ thử nghiệm là lai ghép nhị thức, dược trình bày ở phương trình
2.4 vù lai ghép dạng mũ, dược trình bày ơ phương trình 2.5.

Theo quy ước, các biến thê cũa thuật tốn tiến hóa vi sai dưực ký hiệu DE/o/p/y, Irong
đó DE là viết tắt của thuật tốn tiến hóa vi sai, a là phương pháp được sử dụng để
chọn vcc-lơ cơ sở, Ị3 là sổ véc-tơ vi sai và Y là phương pháp lai ghép được sử dụng.

Ngồi ra, cịn một số ký hiệu khác như “exp” viết lắt cua “exponential’’ và “bin” viết
tat cua ‘'binomial’’. Như vậy, thuật tốn tiến hóa vi sai cơ bàn được quy ước là

DE/rand/l/bin. Báng 2.2 mô tá các biển ihế khác nhau của Ihuật tốn tiến hóa vi sai.
Bàng 2.2 Các bicn the của thuật toán lien hóa vi sai


STT
1

Tiến hóa vi sai

2

DE/rand/l/cxp

3

DE/rand-to-best/l/cxp

4

DE/best/2/exp

5

DE/rand/2/exp

Cơng thức

DE/bcsl/l/cxp

v,6. =Ị; + a(.ĩ,„<. -ỉ.) + /■■(<•„ -\4
V..C =
4
= <.0 + +Ị.C- - ^.4
12



2.3.3 Thơng sổ điều khiên

Chất lưựng của thuật tốn tiến hóa vi sai DE phụ thuộc vào các thơng số điều khiển

như kích thước (ịuần thể NP, hệ số đột biến F và xác suất lai ghép CR.
Hệ sổ đột biến F điều chinh biên độ cua véc-tơ vi sai trong quá trình tạo véc-tơ đột
biến. Hệ số F lớn khuyển khích tìm kiếm điểm tối ưu trong khơng gian lớn nhưng có

the dần đen hội tụ sớm. Trong khi hệ so F nhỏ dẫn den tìm kiêm điếm toi ưu trong
không gian cục bộ làm cho tăng thời gian hội tụ.

Xác suất lai ghep CR kiềm soát sự đa dạng cùa quần thề. Hệ số CR lớn sẽ cho kết quà
xác suất cao hơn mà một cá thê mới được đưa vào quàn thè. Giá trị CR lớn làm cho
khơng gian tìm kiếm điểm tối ưu lớn, do đó có thể dần đến hội tụ chậm. Ngược lại, giá

trị rất nhị của CR dần đến có rất ít cá thề mới được đưa vào quẩn thê điều đó có thê
dẫn đến hội tụ sớm khơng mong đợi. Do đó, giá ưị CR phái đủ lớn để đàm bào đù
không gian tìm kiếm, nhưng cũng phải đủ nhỏ để cho phép lìm kiếm và thời gian hội

tụ chap nhận dược.

•

Kích thước quần the NP ảnh hưởng đến sự đa dạng của quần thề. Kích thước quần the
lớn làm cho khơng gian tìm kiếm đa dạng hơn. Kích thước qn thế cịn kiếm sốt số

hàm đánh giấ được thực hiện trong mỗi lần lặp. Kích thước quần the nhị sè dần đen số
lượng vịng lặp lớn hơn so với kích thước quần thể lớn. Giá trị NP phải được lựa chọn


để dâm bão ràng đú số vòng lặp được thực hiện và đàm bào đù khơng gian tìm kiếm.
Tóm lại, tùy vào các ứng dụng khác nhau mà giá trị của các thông sô NP, F và CR
được lựa chọn cho phù hợp.
2.4 Kếthiận

Chương 2 đã trình bày tổng quan bài tốn điều khiển dựa vào mơ hình; giới thiệu tịng

quan về mạng nơ rón và các thuật tốn liến hóa; chương này cịn trình bày chi tiết lưu
đồ ihực hiện thuật tốn lien hóa vi sai cơ bàn, các bien the của thuật tốn và các thơng

số ảnh hưởng đến chất lượng hội tụ cùa thuật toán. Tiếp theo, chương 3 sẽ giới thiệu
việc áp dụng thuật tốn tiến hóa vi sai trong vấn đề tối ưu các irọng số mơ hình mạng

no rơn MLP.

13


CHƯƠNG 3

THUẬT TỐN TIÊN HĨA VI SAI HN LUYỆN
MẠNG Nơ RƠN MLP

3.1

Giới thiệu

Q trình huấn luyện mạng nơ rơn (hực chất là quá irình (ối ưu các trọng số của mạng
sao cho sai số giữa dừ liệu ra mong muốn và dữ liộu ra cùa mạng nơ rôn đạt cực tiêu.

Một trong những thuật tốn huấn luỵện mạng nơ rơn MLP thường được sử dụng là

thuật toán lan truyền ngược BP. Tuy nhiên, hạn chế lớn nhất của thuật toán lan truyền

ngược BP là thinh thoảng lởi giải tối ưu rơi điềm cực ưị cục bộ |11] và khơng có khà
năng tìm lời giãi tồn cục khi hàm chi phí là hàm đa mục tiêu, hàm không khả vi.

Đe khẳc phục nhược điểm trên, các thuật tốn tiến hóa EAs được xem như lựa chọn

thay the đẩy hứa hẹn. Chẳng hạn như các thuật toán di truyền GA, thuật toán tối ưu
hóa bầy đàn PSO, thuật tốn cuckoo search đã được sử dụng để tối ưu hóa các trọng số
mạng nơ rôn MLP cho các ứng dụng khác nhau. Mặc dù các phương pháp dề xuất này
đạt được kết quà khá tốt, nhưng hai thách thức trong huấn luyện mạng nơ rôn vần đang

được quan lâm nghiên cứu tập trung vào vấn đề lùm the nào đe lìm dược chính xác lời

giải tối ưu và làm thế nào đe tăng tốc độ hội tụ. Trong chương này. thuật toán tiến hóa
vi sai DE dược áp dụng vào bài tốn lối ưu hóa trọng số cùa mạng nơ rơn MLP giúp
cái thiện chất lượng học của mạng nơ rôn.
3.2

Cấu trúc mạng nơ rôn MLP

Mạng nơ rôn truyền thẳng nhiều lớp MLP là mạng nơ rón có từ hai lớp tế bào xử lý trớ
lên. Hình 3.1 mơ tà cấu trúc mạng nơ rôn truyền thẳng ba lớp với n tế bào nơ rón ờ lớp
vào, q tế bào nơ rón ừ lóp ẩn và m tế bào nơ rốn ờ lớp ra.

Hình 3.1 Mạng nơ rơn truyền thẳng MLP
14



Ký hiệu trọng số của tế bào thần kinh thứ j của lớp ẩn là hji, trọng số của tế hào nơ tơn

thứ ì ở lóp ra là Oij. Gọi hàm tác động cùa các tế hào nơ rôn ờ lớp ẩn là

của kýp ra

là G,(.). Bộ dự báo ngõ ra mạng nơ rơn truyền thẳng 3 lớp có thề biểu điền bàng còng

thức sau:
ỷ, (h,o) = G I ỉ,ot>netht (Zí) + ớ)Oj = G [íxs, (Ế

+

1)

Gọi D là tồng sổ các trọng số nơ rôn lớp ấn và lớp ra cũa mạng nơ rơn MLP mơ tà ở

hình 3.1, véc-tơ trọng số cần được ước lượng là:

(3.2)

ỗ = (»„»-,..... wj

3.3

Thuật tốn hn luyện mạng

Các thơng số ờ biểu thức (3.2) có thề được ước lượng bang các Ihuật tốn huấn luyện


mạng. Trong q trình huấn luyện, tín hiệu vào x(k) và tín hiệu ra y(k) được biết, các
trọng số 0 của mạng được xác định đế có được một hàm ánh xạ thích hợp từ tín hiệu

vào x(k) và tín hiệu ra yịk). Nói chung, q trình huấn luyện mạng có the được thực

hiện bằng cách cực tiếu hàm sai số Eù.

Trong đó. tập dữ liệu huấn luyện zv dược xác dịnhZv =

>’(Ắr)]|Ắr =


Mục tiêu huấn luyện mạng là đề cực tiểu hàm chi phí EN bàng cách toi ưu giá trị các

trọng số

ở (3.2) của mạng nơ ròn MLP. Trong phẩn này, các thuật tốn liến hóa DE,

được nghiên cứu áp dụng trong huấn luyện mạng.
3.3.1 Lưu đồ thuật tốn hục DE
Q trình huấn luyện mạng nơ rơn truyền thằng dùng thuật tốn lien hóa vi .sai cơ bán

được mơ là chi tiết bao gom các bước sau:

•

Khói tạo: Tạo ra quần the từ NP véc-tơ, D chiều được chọn lựa một cách ngầu

nhiên. Trong dó. D là lổng so trọng so của mạng nơ rôn MLP; i là chi so cùa quan

the và G là số the hệ.

= [K.a ’

6’ -’ wo^], i = i,2,..., NP

15


•

Dột hiến: Áp dụng toán từ dột biến cho mỗi một cá thể trong quẩn thể dề dược một
véc-tơđột biến.

Trong đó, với mỏi cá the thứ i trong quàn thê, lựa chọn ngầu nhiên các biến
r„r2,r,e\i.2,....NP],r,^r,^r,^i ; j = i,2, ,1) và Fe(o.ị

Lai ghép: Lai ghép mỏi một véc-tơ mục tiêu trong quần the hiện tại với một véc-tơ
dột biến đề tạo ra một véc-tơ thử nghiệm:
if rand\o,i)/ '
,C€O,I
otherwise
w..c
Chọn lọc: Chọn lựa giừa véc-tơ mục liêu và véc-tơ thử nghiệm sao cho:
ỹ.v,. >/E,(y.ỹ(x,ữ„.,,))<
0l<;

•

otherwise

Hội tụ: Chu trình lặp chi kết thúc: Khi số thế hệ huấn luyện tiến tới giá trị cực đại

GEN; Khi hàm chi phí EN khơng thay đối dáng kề trong q trình lặp; Khi hàm chi

phí dạt giá trị mong muốn. Chi tiết lưu dổ thuật toán học ĐE mô tả ở Bâng 3.1.
Bâng 3.1 Pscudo-code thuật tốn DE huấn luyện mạng nơ rón MLP

I. Bắt đầu
2. Khởi tạo các cá thể trong quẩn thể ới(ì = r%n,w;ifi,
3.
4.
5.
6.
7.
8.
9.
'°11.
1213.
14.
15.

>6.
17.
1819.
20.
21.
22.

Đánh giá các cá thể vừa khởi tụo
For G=ỉ to GEN áữ
For i = 1 to .V/’ do
ỹriaM1= randint(LD)
Select randomly rt Ịt r, * r3 / i
For J =1 lo D do
If rand[O, I 1 < CR or j =- ỳrand

Else
= %.,«
F.nd if
End for
If

then

Ơ..c.'=ù^
Else
End if
End for
End for
Kct thúc

16

Ị


3.3.2 Lưu dồ thuật toán học MDE

Tuy nhiên, thuật toán DE khi huấn luyện mạng nơ rôn cũng gặp một so hạn chê như;

hiện tượng trì trệ - stagnation, hiện lượng hội tụ sớm, vấn đề lựa chọn các thông số
điều khiển F, CR và NP, 112]. Đe khắc phục các hạn chế này, tác già để xuất sử dụng

thuật tốn tiến hóa vi sai cải lien MDE dế huấn luyện mạng nơ rơn MLP. Thuật tốn

MDE được lạo thành bàng cách thực hiện thay dổi cơ chế gây đột biến, lai ghép với
thuật toán lan truyền ngưực RP (chi tiết xem phụ lục A) và các thông số diều khiến F,
CR thay đối trong quá trình tìm kiếm lời giãi. Thuật toán MDE được sử dụng để tối ưu

các trọng sổ mạng nơ rôn MLP được mô tá ở bàng 3.3.
Bàng 3.2 Pseudo-code thuật toán MDE huấn luyện mạng nơ rôn MLP
I. Bắt đầu
2. Khới tạo các cả thể trong quẩn thế Ớ(<; =p Wil(i,

3.
4.
5.
67.
8.
9.
10.
11.

Đảnh giá các cá thể vừa khởi tạo
For (7=/ tíìGENáữ
For i = 1 to NP do
jrind= randint(l,D)

F = rand{0:4; Ỉ:OỊ, CR = randỊ0:7; 1:0/
Forỹ = lto/)do
ĩf rand[O, I ] < CR orỹ ==jrarKj then
ỉf randỊO, ỈJ> threshold then
Select randomly /J r2 * Ạ *i

= Wto.G + F< wỉ.'ĩ.c, -

!2.
13.
14.

Else
Select randomly ry*r2 *hest* ị

151

">ZG-. =

16.
17.

+ F<Wi.n.G - W>.'Ì.g)

End if

Else

18-

«,...««! 3

19.
20.
21.

End if
End for
If /^<;i,)
22.
23.
24.
25.
26.
27.
28.
29.
30.

Else

End if

End for
Sư dụng Ổlt>Ị như giá trị khởi tạo cũa ihuạt toán BP
Sừ dụng thuật tốn BP, cập nhập lại ỡl lĩtì
End for
Kết thúc

17

I Tni

nai Míìn rAwft MrtMiÊP TP