Resumen de Study and design of multi-objective evolutionary fuzzy systems for improving the interpretability-accuracy trade-off of linguistic fuzzy rule-based systems when dealing with high-dimensional and large scale problems

Michela Fazzolari

• En las últimas décadas los sistemas basados en lógica difusa han tenido una gran difusión, debido a su flexibilidad para su aplicación en distintos problemas. En particular, los sistemas difusos más estudiados y utilizados son los Sistemas Basados en Reglas Difusas (SBRDs), que han sido aplicados con éxito a diferentes campos, como el control, el modelado, la clasificación, la predicción de datos, etc. El objetivo primario de esta memoria es el estudio del equilibrio entre precisión y complejidad en Sistemas Basados en Reglas Difusas (SBRDs) para el caso de problemas de alta dimensionalidad y/o con un gran número de ejemplos. Para ello, se proponen el uso de Algoritmos Evolutivos Multi-Objetivos (AEMOs), que permiten generar un conjunto de soluciones no-dominadas con distintos equilibrios para ambos objetivos.

  En concreto, los objetivos que proponemos son:

  1. Realizar un estudio sobre los SDEMOs existentes en la literatura. Proponer una taxonomía que permita organizar las contribuciones en distintas categorías para conocer cuales son los problemas abiertos relacionados con el diseño de los SDEMOs.

  2. Realizar igualmente un estudio sobre las propuestas que hayan tratado el tema del equilibrio entre interpretabilidad y precisión en los SDEMOs, centrándonos en aquellos algoritmos que alcanzan los mejores resultados.

  3. Realizar un estudio sobre la influencia del aprendizaje de la granularidad de la base de datos de los SBRDs, desarrollando distintos algoritmos con el objetivo de mejorar el balance entre precisión y complejidad mediante el aprendizaje del número adecuado de funciones de pertenencias (es decir la granularidad) de cada variable. Para ello, se pretenden desarrollar varios SDEMOs considerando dos objetivos contradictorios: minimizar el error del modelo (precisión) y minimizar el numero de reglas (complejidad).

  4. Estudiar la combinación de las técnicas de pre-procesamiento de selección de instancias con los SDEs. Combinar ambas técnicas con el objetivo de determinar si la reducción del número de ejemplos es efectiva para reducir también la complejidad de los SBRDs y el tiempo de calculo requerido para manejar grandes cantidades de datos, manteniendo una precisión aceptable.

  5. Validar los resultados obtenidos mediante una comparación con los métodos existentes, mediante el uso de técnicas estadísticas.