Optimal Control for Discrete Large Scale Nonlinear Systems Using Hierarchical Fuzzy Systems

Masmoudi, N.; Rekik, Chokri; Djemel, Mohamed; Derbel, Nabil

doi:10.1109/icmlc.2010.32

Cited by 9 publications

(5 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Note that this example is not used to show any benefits of the hierarchical approach. In this experiment, we used an example of HFSs' design, namely the rotary crane example, as used in [19], which is a load rotation and hoisting system. A summary of the rotary crane for various HFS designs is presented in Table I.…”

Section: Experiments and Resultsmentioning

confidence: 99%

See 1 more Smart Citation

A Measure of Structural Complexity of Hierarchical Fuzzy Systems Adapted from Software Engineering

Razak

Garibaldi

Wagner

2019

2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)

View full text Add to dashboard Cite

Hierarchical fuzzy systems (HFSs) have been seen as an effective approach to reduce the complexity of fuzzy logic systems (FLSs), largely as a result of reducing the number of rules. However, it is not clear completely how complexity of HFSs can be measured. In FLSs, complexity is commonly expressed using a multi-factorial approach, taking into consideration the number of rules, variables, and fuzzy terms. However, this may not be the best way to assess complexity in HFSs that have structures involving multiple subsystems, layers and different topologies. Thus far, structural complexity associated with the structure of HFSs has not been discussed. In the field of software engineering (SE), a complexity measure has been proposed to measure program complexity. This measure uses the concept of graph theory complexity, which considers the control structure complexity. The measure can also be applied to assess the complexity of a collection of programs known as a hierarchical nest. In this paper, we present an approach to mapping an SE complexity measure to HFS design. The approach includes several mapping alternatives that are outlined and illustrated using different HFS designs. This study contributes a new approach for the first time to assessing structural complexity in HFSs based on an approach from SE complexity measure.

show abstract

Section: Experiments and Resultsmentioning

confidence: 99%

“…Section IV introduces a new approach to mapping the McCabe measure to the elements of HFS design. Section V demonstrates the new complexity measure of HFS with real-world example, namely the Rotary crane (as used in [19]). Finally, Sections VI and VII present results, conclusion and future works.…”

Section: Introductionmentioning

confidence: 99%

A Measure of Structural Complexity of Hierarchical Fuzzy Systems Adapted from Software Engineering

Razak

Garibaldi

Wagner

2019

2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)

View full text Add to dashboard Cite

show abstract

“…(i) the aggregation strategy for combining the sub-system indices within a single layer; and (ii) the strategy for assigning weights to the layers. These two experiments are now described in detail using the examples of the Iris classification application and Rotary crane system (as used in [51]), respectively.…”

Section: A Participatory Design Approachmentioning

confidence: 99%

“…While aggregating the subsystems using the mean and decreasing weight layer-weight can be used as a default strategy, in order to capture the interpretability of HFSs as perceived by actual users, we propose another participatory design approach to derive H parameters within the framework. In this experiment, we use a more complex set of alternative HFSs, based on the Rotary crane system as in [51].…”

Section: B Experiments 2: Beyond the Meanmentioning

confidence: 99%

Toward a Framework for Capturing Interpretability of Hierarchical Fuzzy Systems—A Participatory Design Approach

Razak

Garibaldi

Wagner

et al. 2021

IEEE Trans. Fuzzy Syst.

View full text Add to dashboard Cite

Hierarchical fuzzy systems (HFSs) have been shown to have the potential to improve the interpretability of fuzzy logic systems (FLSs). However, challenges remain, such as: "How can we measure their interpretability?", "How can we make an informed assessment of how HFSs should be designed to enhance interpretability?". The challenges of measuring the interpretability of HFSs include issues such as their topological structure, the number of layers, the meaning of intermediate variables, and so on. In this paper, an initial framework to measure the interpretability of HFSs is proposed, combined with a participatory user design process to create a specific instance of the framework for an application context. This approach enables the subjective views of a range of practitioners, experts in the design and creation of FLSs, to be taken into account in shaping the design of a generic framework for measuring interpretability in HFSs. This design process and framework are demonstrated through two classification application examples, showing the ability of the resulting index to appropriately capture interpretability as perceived by system design experts.

show abstract

“…Fuzzy methods have been used to solve the optimal control problem [60] [61]. Genetic algorithms are typically used to solve the corresponding optimization problem: these algorithms are known not to scale as the dimension of the problem increases.…”

Section: S E C T I O N 1 -Introductionmentioning

confidence: 99%

Optimal and adaptive control in large scale sensor networks

Michailidis¹,

Μιχαηλίδης²

View full text Add to dashboard Cite

Η αδυναμία σχεδιασμού αποδοτικών στρατηγικών ελέγχου με τα υπάρχοντα θεωρητικά και πρακτικά εργαλεία, σε εφαρμογές συστημάτων μεγάλης κλίμακας (ΣΜΚ), τις περισσότερες φορές οδηγεί σε χρονικά και οικονομικά μη αποδοτικές λύσεις. Τα ΣΜΚ συνήθως εμπλέκουν χρονικά μεταβαλλόμενες και περίπλοκες δυναμικές, που πολλές φορές εισάγουν έντονη αβεβαιότητα στο πρόβλημα σχεδιασμού ελέγχου. Το γεγονός αυτό, καθιστά τα εργαλεία σχεδιασμού Αποδοτικού Ελέγχου Συστημάτων Μεγάλης Κλίμακας (ΑΕΣΜΚ) μη εφαρμόσιμα σε ένα μεγάλο κομμάτι εφαρμογών. Δυνητικά, ωστόσο, θα μπορούσαν να έχουν τεράστια επίδραση στην βελτίωση της απόδοσης και της ποιότητας των παρεχόμενων υπηρεσιών του εκάστοτε συστήματος μέσω της μείωσης: της καταναλισκόμενης ενέργειας, των επιπέδων εκπομπών ρυπογόνων στοιχείων και βελτιώνοντας την ποιότητα της καθημερινής δραστηριότητας των χρηστών. Η παρούσα εργασία, βασισμένη σε σύγχρονες/πρόσφατες ερευνητικές εξελίξεις, στοχεύει στην υλοποίηση/ανάπτυξη και στην αξιολόγηση μιας ολοκληρωμένης μεθοδολογίας σχεδίασης ελέγχου που είναι συμβατή με ετερογενή και περίπλοκα συστήματα μεγάλης κλίμακας. Η μεθοδολογία αυτή είναι ικανή να: (α) παρέχει στρατηγικές ελέγχου, τόσο κοντά στην βέλτιστη απόδοση ελέγχου ΣΜΚ όση επιλέγει ο χρήστης. (β) είναι εγγενώς αυτο-προσαρμοζόμενη και να βελτιώσει με επιτυχία, με ραγδαίο ρυθμό, την απόδοση του ΣΜΚ όταν βραχυπρόθεσμες ή μακροπρόθεσμες μεταβολές επηρεάζουν το σύστημα. (γ) παρέχει αποδοτικό και ασφαλή τρόπο ανάκαμψης από ενδεχόμενα σφάλματα ή/και λειτουργικές αναπροσαρμογές του ίδιου του συστήματος. (δ) επιτύχει όλα τα παραπάνω ενώ ταυτόχρονα δεν εξαρτάται από την διάσταση του προβλήματος ενώ ταυτόχρονα είναι εύχρηστη. Τα ολοκληρωμένα εργαλεία σχεδίασης ΑΕΣΜΚ που υλοποιήθηκε στα πλαίσια της παρούσας διατριβής, έχουν δοκιμασθεί και αξιολογηθεί εκτενώς πάνω σε δύο πραγματικά συστήματα μεγάλης κλίμακας (δύο κτίρια γραφείων).Η παρούσα εργασία μπορεί να διαχωριστεί στις παρακάτω θεματικές ενότητες: (α) Εισαγωγή (Κεφάλαιο 1): στην ενότητα αυτή περιγράφονται εκτενέστερα τα προβλήματα που εμφανίζονται σε σύγχρονες εφαρμογές βέλτιστου και προσαρμοστικού ελέγχου (βλέπε Παράρτημα 2) σε ΣΜΚ αλλά και οι δημοσιεύσεις που προέκυψαν στα πλαίσια της εκπόνησης της παρούσας διατριβής (β) Εργαλεία Σχεδίασης Βέλτιστου κ Προσαρμοστικού Ελέγχου σε ΣΜΚ (Κεφάλαιο 2): στην ενότητα αυτή αναλύονται λεπτομερώς τα θεωρητικά εργαλεία σχεδίασης ελέγχου που αναπτύχθηκαν. (γ) Εφαρμογές Προσομοίωσης (Κεφάλαιο 3): στην ενότητα αυτή παρουσιάζονται τα αποτελέσματα από εφαρμογές προσομοιώσεων που διεξήχθησαν στα πλαίσια της αξιολόγησης των παραπάνω εργαλείων. (δ) Εφαρμογές Πραγματικών Συνθηκών (Κεφάλαιο 4): στην ενότητα αυτή παρουσιάζονται τα αποτελέσματα (πιο αναλυτική απεικόνιση των πειραμάτων σε πραγματικές συνθήκες περιλαμβάνεται στο Παράρτημα 1) που προέκυψαν από τις εφαρμογές των εργαλείων αυτών σε πραγματικά ΣΜΚ και η αντίστοιχη αξιολόγησή τους. (ε) Γενικά Συμπεράσματα (Κεφάλαιο 5): στην ενότητα αυτή αναλύονται συγκεντρωτικά όλα τα παραπάνω αποτελέσματα και αξιολογείται η απόδοση των εργαλείων ελέγχου.

show abstract

Optimal Control for Discrete Large Scale Nonlinear Systems Using Hierarchical Fuzzy Systems

Cited by 9 publications

References 12 publications

A Measure of Structural Complexity of Hierarchical Fuzzy Systems Adapted from Software Engineering

A Measure of Structural Complexity of Hierarchical Fuzzy Systems Adapted from Software Engineering

Toward a Framework for Capturing Interpretability of Hierarchical Fuzzy Systems—A Participatory Design Approach

Optimal and adaptive control in large scale sensor networks

Contact Info

Product

Resources

About