I. Tổng Quan Về Giải Pháp Tính Toán Mềm Lập Luận Mờ
Khoa học phát triển, máy móc hỗ trợ đời sống ngày càng nhiều. Các thiết bị “thông minh” thay thế sức lao động, trở thành mục tiêu hướng tới. Nhu cầu tạo ra máy móc hành xử giống con người, biết suy luận và ra quyết định đúng đắn, là thiết yếu. Zadeh tiên phong, mô tả toán học các khái niệm mơ hồ như cao, thấp, đúng, sai bằng tập mờ. Lý thuyết tập mờ cho phép suy diễn giữa các khái niệm mơ hồ mà logic kinh điển không làm được. Quyết định hiệu quả được đưa ra dựa trên thông tin không chính xác. Tuy nhiên, lập luận của con người phức tạp, phi cấu trúc. Chưa có cơ sở lý thuyết hình thức chặt chẽ cho logic mờ và lập luận mờ. N.Cat Ho và Wechler đề xuất cách tiếp cận dựa trên cấu trúc tự nhiên của miền giá trị biến ngôn ngữ. Giá trị biến ngôn ngữ có thứ tự ngữ nghĩa nhất định. Ví dụ, ‘trẻ’ nhỏ hơn ‘già’, ‘nhanh’ lớn hơn ‘chậm’. Định lượng từ ngôn ngữ bằng Đại Số Gia Tử (ĐSGT), phương pháp lập luận nội suy ra đời, giải quyết bài toán lập luận mờ đa điều kiện. Các phương pháp này được gọi là phương pháp lập luận mờ sử dụng ĐSGT.
1.1. Giới thiệu công nghệ tính toán mềm Tổng quan ứng dụng
Công nghệ tính toán mềm dựa trên đặc điểm, hành vi của con người và tự nhiên để ra quyết định hợp lý trong điều kiện không chính xác, không chắc chắn. Các thành phần bổ sung, hỗ trợ nhau. Tính toán mềm là một hướng nghiên cứu mở. Bất kỳ kỹ thuật mới nào bắt chước trí thông minh của con người đều có thể trở thành một thành phần mới. Công nghệ tính toán mềm được nghiên cứu và ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là: trí tuệ nhân tạo, khoa học máy tính và học máy.
1.2. Thành phần chính Logic Mờ Mạng Nơ ron Giải Thuật Di Truyền
Công nghệ tính toán mềm bao gồm ba thành phần chính: Logic mờ, Mạng nơ-ron nhân tạo, và Giải thuật di truyền (GA). Ba thành phần này có thể sử dụng độc lập, nhưng kết hợp chúng làm tăng chất lượng thuật toán đáng kể. Không phải bài toán nào cũng có thuật toán giải quyết bằng tính toán cứng. Với những ưu thế đó, tính toán mềm đang dần thể hiện vai trò của mình nhất là trong việc giải quyết vấn đề mới.
II. Thách Thức Hạn Chế Của Phương Pháp Lập Luận Mờ Hiện Tại
Phương pháp lập luận mờ, dù mạnh mẽ, vẫn tồn tại một số hạn chế. Thứ nhất, việc giới hạn độ sâu giá trị ngôn ngữ đặt ra bài toán hiệu chỉnh định lượng ngữ nghĩa. Cần tìm giá trị hiệu chỉnh hợp lý để bảo toàn thứ tự ngôn ngữ khi độ sâu giới hạn. Mục tiêu là tìm ra mô hình định lượng ngữ nghĩa tối ưu. Thứ hai, các phương pháp lập luận mờ sử dụng ĐSGT thường dùng phép nội suy tuyến tính trên đường cong, sử dụng phép kết nhập như AND=MIN, AND=PRODUCT. Việc sử dụng các phép tích hợp như vậy còn đơn giản và cảm tính, do vậy kết quả lập luận sẽ khác nhau. Mặt khác việc sử dụng các phép kết nhập để đưa mô hình SAM trong Rm+1 về đường cong trong Cr,2 sẽ gây mất mát thông tin nghiêm trọng.
2.1. Khó khăn trong hiệu chỉnh định lượng ngữ nghĩa
Việc giới hạn độ sâu giá trị ngôn ngữ, ta hoàn toàn có thể hiệu chỉnh định lượng ngữ nghĩa của các giá trị ngôn ngữ này mà vẫn bảo toàn được thứ tự của chúng. Và mục tiêu là tìm ra giá trị hiệu chỉnh định lượng ngữ nghĩa hợp lý của các giá trị ngôn ngữ khi độ sâu của giá trị ngôn ngữ được giới hạn và ứng dụng vào giải quyết một số bài toán thực tế.
2.2. Hạn chế của phép kết nhập trong lập luận mờ đa điều kiện
Các phương pháp lập luận mờ sử dụng ĐSGT đã đề cập sử dụng phép nội suy tuyến tính trên đường cong sử dựng phép kết nhập như AND=MIN, AND=PRODUCT. Tuy nhiên việc sử dụng các phép tích hợp như vậy còn đơn giản và cảm tính, do vậy kết quả lập luận sẽ khác nhau. Mặt khác việc sử dụng các phép kết nhập để đưa mô hình SAM trong Rm+1 về đường cong trong Cr,2 sẽ gây mất mát thông tin nghiêm trọng.
III. Giải Pháp Kết Hợp Mạng Nơ ron RBF và Giải Thuật GA
Để giải quyết những thách thức trên, một giải pháp kết hợp được đề xuất. Mạng nơ-ron RBF được sử dụng để nội suy trực tiếp từ mô hình định lượng ngữ nghĩa. Đồng thời, giải thuật di truyền (GA) được áp dụng để xác định các tham số hiệu chỉnh từ mô hình định lượng ngữ nghĩa gốc. Phương pháp lập luận mờ dựa trên ĐSGT có tham số hiệu chỉnh này được cài đặt thử nghiệm trên một số bài toán lập luận mờ. Kết quả sẽ được đánh giá và so sánh với các phương pháp lập luận mờ dựa trên ĐSGT khác.
3.1. Sử dụng Mạng Nơ ron RBF để nội suy trực tiếp mô hình
Mạng nơron RBF được sử dụng để nội suy trực tiếp từ mô hình định lượng ngữ nghĩa. Thay vì sử dụng phép nội suy tuyến tính truyền thống, RBF cho phép tạo ra các mô hình phi tuyến tính phức tạp hơn, phù hợp với bản chất của các quan hệ mờ.
3.2. Tối ưu tham số hiệu chỉnh bằng Giải Thuật Di Truyền
Giải thuật di truyền (GA) được áp dụng để xác định các tham số hiệu chỉnh từ mô hình định lượng ngữ nghĩa gốc. GA giúp tìm ra các tham số tối ưu, đảm bảo mô hình hiệu chỉnh vẫn giữ được tính chính xác và hiệu quả.
IV. Ứng Dụng Thực Tiễn Xấp Xỉ Mô Hình Mờ Điều Khiển
Phương pháp lập luận mờ dựa trên ĐSGT có tham số hiệu chỉnh được ứng dụng vào các bài toán thực tế. Cụ thể, nó được sử dụng để xấp xỉ mô hình mờ EX1 của Cao-Kandel và mô hình máy bay hạ độ cao của Ross. Kết quả thu được cho thấy tiềm năng của phương pháp trong việc giải quyết các bài toán điều khiển và ra quyết định phức tạp.
4.1. Ứng dụng trong bài toán xấp xỉ mô hình mờ EX1
Mô hình mờ EX1 của Cao-Kandel là một bài toán kinh điển trong lĩnh vực lập luận mờ. Phương pháp đề xuất được sử dụng để xấp xỉ mô hình này, và kết quả được so sánh với các phương pháp truyền thống để đánh giá hiệu quả.
4.2. Điều khiển máy bay hạ độ cao Bài toán thực tiễn
Mô hình máy bay hạ độ cao của Ross là một bài toán điều khiển phức tạp. Phương pháp đề xuất được sử dụng để điều khiển máy bay hạ độ cao, và kết quả được đánh giá dựa trên các tiêu chí như độ chính xác, ổn định và thời gian.
V. Kết Quả Nghiên Cứu So Sánh Với Các Phương Pháp Truyền Thống
Kết quả thử nghiệm cho thấy phương pháp kết hợp Mạng Nơ-ron RBF và Giải Thuật GA hiệu quả hơn so với các phương pháp lập luận mờ dựa trên ĐSGT truyền thống. Phương pháp mới cho phép đạt được độ chính xác cao hơn, đặc biệt trong các bài toán phức tạp. Bên cạnh đó, nó cũng giúp giảm thiểu sự mất mát thông tin trong quá trình lập luận.
5.1. Ưu điểm vượt trội về độ chính xác và ổn định
So với các phương pháp lập luận mờ truyền thống, phương pháp kết hợp cho phép đạt được độ chính xác cao hơn, đặc biệt trong các bài toán có độ phức tạp cao. Nó cũng giúp cải thiện tính ổn định của hệ thống, giảm thiểu khả năng xảy ra sai sót.
5.2. Giảm thiểu mất mát thông tin trong quá trình lập luận
Việc sử dụng Mạng Nơ-ron RBF và Giải Thuật GA giúp giảm thiểu sự mất mát thông tin trong quá trình lập luận. Điều này là do RBF có khả năng biểu diễn các mối quan hệ phi tuyến tính phức tạp, trong khi GA giúp tối ưu các tham số hiệu chỉnh để đảm bảo thông tin được giữ lại đầy đủ.
VI. Hướng Phát Triển Ứng Dụng Rộng Rãi Trong Nhiều Lĩnh Vực
Nghiên cứu này mở ra nhiều hướng phát triển tiềm năng trong tương lai. Phương pháp kết hợp công nghệ tính toán mềm và phương pháp lập luận mờ có thể được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm điều khiển thông minh, hệ thống hỗ trợ quyết định, xử lý ngôn ngữ tự nhiên, và Internet vạn vật (IoT).
6.1. Tiềm năng ứng dụng trong Điều khiển thông minh và IoT
Trong lĩnh vực điều khiển thông minh, phương pháp kết hợp có thể được sử dụng để điều khiển các hệ thống phức tạp như robot, máy bay không người lái, và hệ thống giao thông thông minh. Trong IoT, nó có thể được sử dụng để phân tích dữ liệu từ các thiết bị cảm biến và đưa ra các quyết định thông minh.
6.2. Mở rộng ứng dụng trong Hệ hỗ trợ quyết định và Xử lý ngôn ngữ
Phương pháp kết hợp có thể được sử dụng để xây dựng các hệ thống hỗ trợ quyết định, giúp con người đưa ra các quyết định tốt hơn trong các tình huống phức tạp. Trong xử lý ngôn ngữ tự nhiên, nó có thể được sử dụng để hiểu và xử lý ngôn ngữ của con người một cách tự động.
