《演化式模糊类神经推论系统於大地工程决策之应用.doc》由会员分享，可在线阅读，更多相关《演化式模糊类神经推论系统於大地工程决策之应用.doc（10页珍藏版）》请在三一文库上搜索。
1、演化式模糊類神經推論系統於大地工程決策之應用鄭明淵柯千禾 張文德國立台灣科技大學營建工程系教授國立台灣科技大學營建工程系管理組博士候選人摘要大地工程方面的問題具有不確定、模糊與不完整資訊的特性，因此，在解決相關問題時多仰賴該領域專家經驗與知識進行決策，本研究的主要目的為模擬人類大腦決策過程，發展一演化式模糊類神經推論系統，透過過去之工程案例與經驗，學習累積專家決策過程與分析邏輯，輔助大地工程專家進行決策，以提昇大地工程決策的有效性與準確性。首先，本研究融合基因演算法、模糊邏輯與類神經網路，建立演化式模糊類神經推論模式，模式中應用基因演算法模擬生物演化過程，經由世代演化搜尋所有模糊類神經網路所需
2、要的最佳參數；模糊理論用於模擬人類推論以及處理問題的模糊與不確定性的機制；而類神經網路則用於效仿人類學習模式。然後，本研究運用物件導向相關技術將演化式模糊類神經推論模式電腦化為演化式模糊類神經推論系統。最後，本研究使用兩個問題驗證本研究所發展的演化式模糊類神經推論系統可有效輔助大地工程專家進行決策分析。關鍵字：人工智慧、基因演算法、模糊邏輯、類神經網路、演化式模糊類神經推論模式、物件導向系統分析與設計、演化式模糊類神經推論系統、大地工程決策。EVOLUTIONARY FUZZY NEURAL INFERENCE SYSTEM FOR DECISION-MAKING IN GEOTECNICAL
3、 ENGINEERINGCHENG MIN-YUAN KO CHIEN-HO CHANG WEN-TEDepartment of Construction Engineering, National Taiwan University of Science and Technology, Taipei, TaiwanABSTRACTProblems in geotechnical engineering are full of uncertain, vague, and incomplete information. Therefore, to solve most problems in g
4、eotechnical engineering depends on human experts decision-makings. The primary objective of this research is to imitate decision-making mechanism of human brain to develop an Evolutionary Fuzzy Neural Inference System (EFNIS) for assisting geotechnical experts to make proper decisions. Firstly, this
5、 paper fuses Genetic Algorithms (GAs), Fuzzy Logic (FL), and Neural Networks (NNs) to build an Evolutionary Fuzzy Neural Inference Model (EFNIM). In the formulated model, GAs is primarily concerned with optimizing parameters required in fuzzy neural networks (FNNs); FL with imprecision and approxima
6、te reasoning; and NNs with learning and curve fitting. Then, this research integrates the EFNIM with Object-Oriented (OO) computer technique to develop the EFNIS. Finally, the application potential of the proposed system in assisting geotechnical decision-making is validated using two real problems.
7、 KEYWORDS：Artificial Intelligence, Genetic Algorithms, Fuzzy Logic, Artificial Neural Networks, Evolutionary Fuzzy Neural Inference Model, Object-Oriented System Analysis and Design, Evolutionary Fuzzy Neural Inference System, Decision-Making in geotechnical engineering. 10 / 10文档可自由编辑打印一、前言大地工程之施作通
8、常與岩石、土壤以及地下水有密切關聯，因此，大地工程為一施工條件多變且牽涉諸多複雜、模糊(Vagueness)與不確定(Uncertainty)因素的營建工程。於大地工程中，由於影響工程的變數(Variable)眾多且所收集的的工程資訊往往包含大量不確定與模糊性，因此，大地工程所面臨的問題多需仰賴專家進行決策以解決問題(柯千禾，1999)。人類具有處理不確定訊息、學習與隨環境自我調適等特性，因此，人類具備解決高度複雜問題的能力，此外，人類亦會隨著經驗與知識的累積增加解決問題的能力(Haykin, 1999)。而在大地工程領域中，人類同樣會依據所面臨到工程問題進行學習，隨著工程經驗與知識的累積而提
9、高解決問題的能力，成為該領域的專家(柯千禾，2000)。然而，人類專家通常依據個人主觀意識進行決策，此種決策模式不但缺乏客觀標準且多以過去累積學習的經驗與知識為基礎，因而造成其決策判斷過程，常會因人記憶力有限或其他因素影響，而作出不同決策，再者，人類專家解決問題的經驗知識常隨人員之升遷、離職及退休等因素，而使所累積之工程經驗與知識流失，造成該領域經驗與知識無法有效傳遞之遺憾(鄭明淵、柯千禾，2001；Cheng et al, 2002)。人工智慧(Artificial Intelligence)的技術提供了電腦執行人類擅長工作的方法，亦即，人工智慧技術模擬人類大腦中處理不確定訊息、學習以及隨環
10、境自我調適的機制(Haykin, 1999)，因此，運用人工智慧可建立模擬人類大腦解決問題模式的電腦系統，發揮人類專家於解決大地工程問題的決策機制，此外，運用人工智慧可避免決策者主觀認定的缺失，亦可有效保存該領域的經驗與知識，因此，運用人工智慧可有效輔助決策者進行決策，提昇大地工程的決策的有效性與準確性(Cheng and Ko, 2002a, 2002b)。人工智慧的應用以基因演算法(Genetic Algorithms) 、模糊邏輯(Fuzzy Logic) 與類神經網路(Artificial Neural Networks)三者最為普及(Martin and Jain, 1999)，這三
11、種人工智慧技術已充分被證明可有效解決各種不同的問題；基因演算法、模糊邏輯與類神經網路三者各有其特點且優缺點互補，因此，近年來，已有部分研究將上述三種演算法綜合(Combination)使用，企圖運用演算法彼此間優缺點互補的機制，建立更接近人類大腦解決問題模式的系統；而部分研究亦已證明人工智慧系統中，綜合使用優缺點互補技術所建立的模式，於解決實際問題時，其理論基礎較符合實際問題且解決問題效果也比使用單一種演算法佳(Linkens and Nyongesa, 1996)。就一般綜合運用基因演算法、模糊邏輯與類神經網路三種技術而言，基因演算法主要應用於搜尋類神經網路內部最佳連結(Interconne
12、ction)、權重(Weight)或網路架構(Topology)，或使用基因演算法求得模糊邏輯系統(Fuzzy Logic System)中隸屬函數分布(Jagielska et al, 1999)；而模糊邏輯的主要目的是運用模糊集合(Fuzzy Sets)定義系統的輸出與輸入，或是應用模糊邏輯進行模糊推論(Fuzzy Inference)(Gorzalczany and Gradzki, 2000)；類神經網路則用於調整模糊邏輯系統中隸屬函數(Membership Function, MF)分布，或由訓練案例中萃取模糊系統中所需的模糊規則(Fuzzy Rule)(Ghezelayagh an
13、d Lee, 1999)。然而，於綜合運用不同演算法的技術中，大部分研究將各個技術分開處理，或於模式分析過程中產生非法解(Illegal Solution)，或固定神經網路架構於不同的問題上，導致所分析求得的結果為次佳解(Sub-Optimal Solution)，因而減低系統理論的嚴謹性以及於實際問題的適用性與準確性(Liska and Melsheimer, 1994; Ishigami et al, 1995; Qin et al, 1997)。本研究的主要目的為運用人工智慧技術，模擬人類大腦解決問題的機制，進而發展物件導向演化式模糊類神經推論系統(Object-Oriented Evo
14、lutionary Fuzzy Neural Inference System, OO-EFNIS)。為達成此一主要目的，本研究首先融合(Fusion) 基因演算法、模糊邏輯與類神經網路發展演化式模糊類神經推論模式(Evolutionary Fuzzy Neural Inference Model, EFNIM)，模式中應用基因演算法搜尋所有模糊類神經網路所需的最佳參數，例如：隸屬函數分布、網路架構、網路內部連結、網路連結權重等；透過模糊理論處理近似推論與不確定性問題；而類神經網路則用於學習尋找輸入變數與輸出變數間複雜的關係，接著，本研究運用物件導向技術將演化式模糊類神經推論模式電腦化為物件導
15、向演化式模糊類神經推論系統。本研究所發展的演化式模糊類神經推論系統係藉由過去工程歷史資料進行自我演化(Self-Adaptation)的智慧型電腦系統，此系統於模擬生物演化的過程中，可自動學習大地工程決策的知識與經驗，輔助決策者進行大地工程決策。本研究的研究成果可應用於解決大地工程所面臨的各種決策問題，為大地工程決策開啟新的研究議題。二、基因演算法、模糊邏輯、類神經網路與物件導向技術簡介2.1 基因演算法簡介基因演算法是Holland(1975)模擬生物自然演化過程所發展出來的演算法，此演算法是基於自然挑選(Natural Selection)與自然基因(Natural Genetics)進行
16、隨機(Stochastic)搜尋，由於基因演算法會於演化過程中產生各種不同的解(Solution)以及基因演算法是朝向最佳適合度方向進行搜尋，因此，基因演算法具有搜尋全域最佳解(Global Optimization)的能力(Cheng and Ko, 2001)。2.2 模糊邏輯簡介模糊邏輯為Zadeh(1965)為表現與處理不確定(Uncertainty)與模糊(Vagueness)訊息所發展而成的理論，模糊邏輯的特點為：模糊邏輯以高階的方式模擬人類於不確定與模糊訊息環境中進行決策的過程(Cheng and Ko, 2000)。模糊邏輯提供了近似且有效的方式來描述高複雜度(Highly C
17、omplex)、定義不完整(Ill-Defined)與不易分析(Difficult-To-Analyze)的問題。一般而言，模糊邏輯系統由四個元件所組成：模糊化單元(Fuzzifier)、規則庫(Rule Base)、推論引擎(Inference Engine)與解模糊化單元(Defuzzifier) (Cheng and Ko, 2002b)。2.3 類神經網路簡介類神經網路是由多個模擬生物神經元(Neuron)所組成的網路架構，此架構可用於計算及儲存經驗知識。類神經網路主要是模擬大腦經由案例進行學習、回憶(Recall)以及推廣(Generalization)的機制，因此，類神經網路通常設
18、計用來解決非線性與架構不完整(Ill-Structured)的問題(Haykin, 1999)。2.4 物件導向系統發展簡介“物件”是實體(Physical)與概念(Conceptual)事物的抽象概念(Abstraction)，而物件導向是將所有實體與概念事物視為“物件”的概念，於物件導向系統發展領域中，物件導向技術將系統視為互動物件的集合體。由於物件導向技術使用抽象概念描述所有事物，因此，物件導向系統發展可用於描繪大型與複雜的系統且描繪方式較容易被理解，此外，由於物件導向使用物件描述系統，物件可以重複被使用，且物件被修改時不至於影響整個系統(Booch, 1994)。由於上述各項特點，物件
19、導向技術近年來已成為發展系統的主要技術。三、演化式模糊類神經推論模式(EFNIM)3.1 EFNIM架構本研究所發展的演化式模糊類神經推論模式，係融合了基因演算法、模糊邏輯與類神經網路三種方法優缺點互補的特性發展而來(如圖一所示)。圖中，基因演算法用於模式最佳化；模糊理論用於近似推論與處理問題的不確定性；類神經網路則用於學習與曲線逼近(Curve Fitting)。圖一 EFNIM架構本研究的目的為運用人工智慧技術模擬人類大腦決策模式，因此，首先，本研究以模擬人類高階推論過程的模糊邏輯為基礎，發展演化式模糊類神經推論模式；雖然模糊邏輯可描繪人類高階決策過程，但模糊邏輯系統中具有隸屬函數分布不易
20、確定、合成運算因子(Composition Operator)不易決定以及規則擷取不易等缺點(Cheng and Ko, 2002c)，因此，EFNIM引入類神經網路改善模糊邏輯系統中運算因子不易決定與規則擷取不易的問題點，此外，引入類神經網路於模糊邏輯中亦提供模糊邏輯系統具有自我學習的能力；雖然結合模糊邏輯與類神經網路所產生的模糊類神經網路已比單獨使用模糊邏輯更能模擬大腦決策過程，但系統中隸屬函數分布不易確定以及引入類神經所衍生的網路參數問題(例如：網路架構決定、選取訓練法則等)仍然存在。基因演算法於尋找最佳解的優越能力已被大量應用於各個領域，因此，EFNIM使用基因演算法搜尋模糊類神經網路
21、中最佳隸屬函數分布以及決定最佳網路參數。3.2 EFNIM適應程序EFNIM適應程序(Adaptation Process)如圖二所示，圖中P(t)代表在t世代中有個父母，PO(t)代表父母交配後所產生的個小孩，PM(t)代表有個染色體被突變。圖二 EFNIM適應程序三、演化式模糊類神經推論系統本研究運用物件導向技術將演化式模糊類神經推論模式進一步發展為物件導向演化式模糊類神經推論系統。系統發展過程中，本研究採用增加與反覆模式(Incremental and Iterative Model)發展系統，此外，本研究亦使用統一塑模語言(Unified Modeling Language, UML)
22、作為描述系統軟體規格書(Software Specification)的標準語言。在發展系統的單一循環中，最主要的工作為分析與設計(Larman, 1998)，以下將針對演化式模糊類神經推論系統的分析與設計進行簡略說明。3.1 系統分析系統分析說明了系統應該達成哪些預期的工作(Satzinger et al, 2000)，物件導向系統分析強調的是找出問題領域中的概念(Concept)，因此，首先，本研究將系統功能歸納如表一所示，接著，使用UML包裹圖(Package Diagram)將系統功能表示為系統概念(圖三)。表一 系統功能FunctionHandle system parameters
23、.Handle solutions.Handle different problems.Execute the EFNIM adaptation process. Setup model parameters. Display model convergence in real time. Log completed information during model adaptation. Interrupt the model adaptation process. Store optimum solution. Display information of the stored solut
24、ions. Compute actual output of any case using any derived solution. Display actual output and desired output. Plot the trend of actual output and desired output. 圖三 系統概念3.2 系統設計系統設計描述了系統如何完成工作(Satzinger et al, 2000)，也就是說，設計是進一步說明如何去執行(Implement)分析的結果，物件導向系統分析著重的是定義邏輯軟體物件(Logical Software Objects)，因此
25、，本研究首先將演化式模糊類神經推論系統的系統架構表示如圖四，圖四中的領域物件(Domain Objects)即為分析階段所獲得的概念，此概念於設計階段進一步以類別圖(Class Diagram)表示如圖五，類別圖中詳細說明了本研究如何針對OO-EFNIS進行邏輯設計。圖四 多層的物件導向系統架構(a)(b)(c)圖五 類別圖(a) Adaptation Concept; (b) Management Concept; (c) Inference Concept四、系統驗證本研究所發展的演化式模糊類神經推論系統可應用於大地工程輔助決策人員進行不同問題的決策，例如：邊坡安全監測、深開挖變位預測、大
26、地工程災害成因診斷、坡地破壞潛能分析、擋土/護坡工法選擇等，在此，本研究使用兩個問題說明EFNIS於解決大地工程決策的適用性。4.1 地下連續壁工期推估地下連續壁通常為營建工程專案中的要徑作業，地下連續壁工期推估將影響整個專案工程的安排；由於地下連續壁構築於地層中，因此，於推估地下連續壁工期的過程中充滿著大量的不確定、模糊、不完整以及複雜資訊，使得工期推估不易使用數模式求得精確解，而必須仰賴大地工程人員的知識與經驗進行推估；EFNIS為模擬人類大腦決策模式的電腦系統，因此適合輔助大地工程決策人員解決地下連續壁工期推估的問題。本案例所使用的資料取自Yang and Yau (2000)，將本研究
27、於連續壁工期推估的結果與Yang and Yau (2000)的ES(Expert System)、CBR(Case-Based Reasoning)以及DESW(Intelligent Duration Estimation System for Slurry Wall Construction)比較得知(見表二)，EFNIS比DESW的效果稍好，而遠比使用ES及CBR進行連續壁工期推估佳，因此，EFNIS可有效輔助大地工程決策人員解決地下連續壁工期推估的問題。表二 工期推估結果比較Evaluation indexESCBRRWSSEFNISAverage deviation (%)21.7
28、18.415.915.14.2 擋土工法選擇基礎開挖的過程中，常為了臨時或永久目的而設置擋土設施，適當的擋土設施不僅可確保施工期間的安全與品質，亦可於完工使用階段發揮其應有的功能。選擇適當的擋土系統常須考慮安全性、施工性、經濟性與環保等，因此，擋土工法選擇為一牽涉諸多因素的複雜決策且經常仰賴專家的經驗知識進行判斷；EFNIS為模擬人類決策過程，透過過去之工程案例與經驗，學習累積專家決策過程與分析邏輯，因此，EFNIS適合輔助大地工程專家選擇擋土工法。本案例所使用的資料取自Yang (1997)，將本研究於擋土工法選擇結果與Yang (1997)中所提及的ES、RI(Rule Induction
29、)、CBR以及RWSS(Intelligent Retaining Wall Selection System)比較得知(見表三)，EFNIS於擋土工法選擇可獲得較好的效果，因此證明EFNIS可有效輔助大地工程專家選擇適當的擋土工法。表三 工法選擇結果比較Evaluation indexESRICBRRWSSEFNISAccuracy ratio (%)50716894100五、結論本研究概略介紹了演化式模糊類神經推論系統的機制、系統發展程序以及該系統於大地工程決策的應用。系統機制(EFNIM)融合了三種人工智慧的技術：基因演算法主要用於參數最佳化；類神經網路用於學習；而模糊邏輯為模擬人類決策
30、模式。系統發展使用了物件導向技術、增加與反覆模式以及統一塑模語言。最後，本研究使用兩個問題證明本研究所發展的演化式模糊類神經推論系統可有效輔助決策者進行決策。本研究使用基因演算法將模糊類神經網路予以最佳化，有效克服模糊邏輯與類神經網路於理論與實際應用的瓶頸，此外，本研究為第一個將基因演算法、模糊邏輯與類神經網路合併應用於大地工程的研究，此篇論文提昇了人工智慧於大地工程應用的技術，亦有效輔助提昇大地工程決策者於大地工程決策的有效性與準確性。六、參考文獻柯千禾(1999)，山坡地社區防災體系之研究與建立，國立台灣科技大學，營建工程系，碩士論文。柯千禾(2000)，“山坡地社區防災體系之研究與建立”
31、，1999財團法人洪四川文教公益基金會建築優秀人才獎作品集，財團法人洪四川文教公益基金會，第97-108頁。鄭明淵、柯千禾(2001)，”社區坡地安全監測專家決策支援系統之建立”，中國土木水利工程學刊，第十三卷，第一期，第39-51頁。Booch, G. (1994), Object-Oriented Analysis and Design with Applications, Cummings, Benjamin. Cheng, M. Y. and Ko, C. H. (2000), “Computer-Aided Decision Support System for Disaster P
32、revention of Hillside Residents”, Proceedings of the 17th International Symposium on Automation and Robotics in Construction, Taipei, Taiwan. Cheng, M. Y. and Ko, C. H. (2001), “An Intelligent Inference Model Using Neuro-Fuzzy-Genetic Method”, 第五屆營建工程與管理研究成果聯合發表會, 雲林. Cheng, M. Y. and Ko, C. H. (200
33、2a), “Automated Safety Monitoring and Diagnosis System for Unstable Slopes”, Computer-Aided Civil and Infrastructure Engineering (In Press). Cheng, M. Y. and Ko, C. H. (2002b), “Computer-Aided Decision Support System for Hillside Safety Monitoring”, Automation in Construction, 11 (4) 453-466. Cheng,
34、 M. Y. and Ko, C. H. (2002c), “Intelligent Inference Model Using Fuzzy-Neuro-Genetic Method”, The Ninth International Conference on Computing in Civil and Building Engineering, 1 145-150, Taipei, Taiwan. Cheng, M. Y., Ko, C. H., and Chang C. H. (2002), “Computer-Aided DSS For Safety Monitoring of Ge
35、otechnical Construction”, Automation in Construction, 11 (4) 375-390. Ghezelayagh, H. and Lee, K. Y. (1999), “Training neuro-fuzzy boiler identifier with genetic algorithm and error back-propagation”, IEEE Power Engineering Society, 2 (1999) 978-982. Gorzalczany, M. B. and Gradzki, P. (2000), “A neu
36、ro-fuzzy-genetic classifier for technical applications”, Proceedings of IEEE International Conference on Industrial Technology, 1 503-508. Haykin, S. (1999), Neural Networks: A Comprehensive Foundation, Prentice-Hall, New York. Holland, J. H. (1975), “Adaptation in neural and artificial systems”, Th
37、e University of Michigan Press, Ann Arbor. Ishigami, H., Fukuda, T., Shibata, T., and Arai, F. (1995), “Structure Optimization of Fuzzy Neural Network by Genetic Algorithm”, Fuzzy Sets and Systems, 71 (3) 257-264.Jagielska, I., Matthews,C., and Whitfort, T. (1999), “An investigation into the applica
38、tion of neural networks, fuzzy logic, genetic algorithms, and rough sets to automated knowledge acquisition for classification problems”, Neurocomputing, 24 37-54. Larman, C. (1998), Applying UML and Patterns: An Introduction to Object-oriented Analysis and Design, Prentice Hall PTR, Upper Saddle Ri
39、ver. Linkens, D. A. and Nyongesa, H. O. (1996), “Learning Systems in Intelligent Control: An Appraisal of Fuzzy, Neural and Genetic Algorithm Control Applications”, IEE Proceedings: Control Theory and Applications, 143 (4) 367-386.Liska, J. and Melsheimer, S. S. (1994), “Complete Design of Fuzzy Log
40、ic Systems Using Genetic Algorithms”, Proceedings of the Third IEEE Conference on Fuzzy Systems, 2 1377-1382. Martin, N. M. and Jain, L. C. (1999), “Introduction to Neural Networks, Fuzzy Systems, Genetic Algorithms, and Their Fusion”, In L.C. Jain, and N.M. Martain, eds., Fusion of Neural Networks,
41、 Fuzzy Sets, and Genetic Algorithms: Industrial Applications, CRC Press, Boca Raton, pp. 3-12. Qin, K., Wang, W., and Gong, M. (1997), “A Genetic Algorithm for the Minimum Weight Triangulation”, IEEE International Conference on Evolutionary Computation 541-546. Satzinger, J. W., Jackson, R. B., and
42、Burd, S. D. (2000), System Analysis and Design in a Changing World, Course Tecchnology, Cambridge. Yang, J. B. (1997), An Integrated Knowledge Acquisition and Problem Solving Model for Experience-Oriented Problems in Construction Management, Ph.D. Thesis, Department of Civil Engineering, National Ce
43、ntral University, Taiwan.Yang, J. B. and Yau, N. J. (2000), “Integrating case-based reasoning and expert system techniques for solving experience-oriented problems”, Journal of the Chinese Institute of Engineers, 23 (1) 83-95. Zadeh, L. A. (1965), “Fuzzy Sets”, Information and Control, 8 (3) 338-353.