Botzheim János tudományos életrajza Születési hely és idő Budapest, 1978. május 20. Tanulmányok és végzettség Budapesti Műszaki és Gazdaságtudományi Egyetem, Villamosmérnöki és Informatikai Kar, műszaki informatika szak, 1996-2001 Okleveles mérnök informatikus, 2001. Műszaki tudományok doktora, Ph.D., 2008 Külföldi tanulmányiutak, ösztöndíjak Johannes Kepler Egyetem, Tudásalapú Matematikai Rendszerek Tanszék (Linz, Ausztria), 2003-ban 4 hónap, 2004-ben 2 hónap, 2005-ben 4 hónap Cseh Műszaki Egyetem, Villamosmérnöki Kar, Gépi érzékelés labor, Prága (2002, 1 hónap) Krakkói Műszaki Egyetem, Szabályozástechnika Tanszék (2003, 1 hónap) Szlovák Műszaki Egyetem, Matematika és Ábrázológeometria Tanszék, Pozsony (2004, 1 hét) Prága, Cseh Tudományos Akadémia, Számítógép-tudományi Intézet (2004, 1 hét) Canberra, Ausztrál Nemzeti Egyetem, Számítógép-tudományi Tanszék (8 hónap, 2005-2006) Kutatási terület számítási intelligencia, fuzzy rendszerek, evolúciós algoritmusok, neurális hálózatok bakteriális algoritmusok automatikus modellidentifikáció Levenberg-Marquardt algoritmus alkalmazásai B-spline neurális hálózatok memetikus algoritmusok Oktatási gyakorlat részvétel a Fuzzy rendszerek I. (vitt9279) és a Fuzzy rendszerek II. (vitt9269) előadásainak tartásában egyhetes angolnyelvű előadássorozat külföldi hallgatóknak az ATHENS BUTE 3 (Fuzzy Systems and Computational Intelligence) kurzus keretében a BME-n (2002) diplomatervező hallgatók társkonzulensi feladatai Tudományos szervezeti tagság Neumann János Számítógép-tudományi Társaság Magyar Fuzzy Társaság
Részvétel a nemzetközi tudományos életben FUZZ-IEEE 2004 (IEEE International Conference on Fuzzy Systems) konferencia, Budapest, 2004 program bizottsági társelnök speciális szekció szervezője és elnöke (Fuzzy Modeling szekció) felkért bíráló WAC 2006 (World Automation Congress, 6 th International Symposium on Soft Computing for Industry, ISSCI 2006) konferencia, Budapest, 2006 program bizottsági tag speciális szekció szervezője és elnöke (Fuzzy Modeling szekció) felkért bíráló felkért bíráló még a következő nemzetközi konferenciákon is: IEEE International Conference on Fuzzy Systems, FUZZ-IEEE 2005, Reno, Nevada IEEE World Congress of Computational Intelligence, WCCI 2006, Vancouver, Kanada The 32 nd Annual Conference of the IEEE Industrial Electronics Society, IECON 06, Párizs IEEE International Symposium on Industrial Electronics, ISIE 2007, Vigo, Spanyolország IEEE International Conference on Fuzzy Systems, FUZZ-IEEE 2007, London 10 th IEEE-IES International Workshop on Advanced Motion Control, Trento, Olaszország IEEE International Conference on Industrial Technology, ICIT 2008, Chengdu, Kína IEEE International Symposium on Industrial Electronics ISIE 2008, Cambridge, UK IEEE World Congress on Computational Intelligence, WCCI 2008, Hong Kong World Automation Congress, WAC 2008, 7 th International Symposium on Soft Computing for Industry, ISSCI 2008, Waikoloa, Hawaii The 34 th Annual Conference of the IEEE Industrial Electronics Society, IECON 08, Orlando, Florida The 13 th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA 2008, Hamburg, Germany Részvétel pályázati projektekben Részvétel a TÉT-Bilaterális Magyar-Portugál együttműködési projektekben Neurális és fuzzy modellek automatikus tervezése, P-14/01 (2002-2003) Fuzzy és neurális hálós rendszerek komplexitásvizsgálata és redukciója, P-21/03 (2004-2005) Modell identifikáció, Port-8/05 (2006-2007)
Nyelvismeret Részvétel a TÉT-Bilaterális Magyar-Cseh együttműködési projektekben Fuzzy és neurális hálós rendszerek komplexitásvizsgálata és redukciója, CZ-1/2003 (2004-2005) Fuzzy és magfüggvényes modellek komplexitás vizsgálata, CZ-5/05 (2005-2006) NKFP-2/0015/2002 projekt, Fuzzy döntéstámogató algoritmuscsalád segítségével mesterséges intelligencia alkalmazása távközlési felügyeleti rendszerekben (2002-2005) OTKA T034233 projekt, Fuzzy irányítási és következtetési algoritmusok (2001-2004) T048832 projekt, Fuzzy rendszerek és modellek elemzése és identifikációja (2005-2008) angol középfokú nyelvvizsga német középfokú nyelvvizsga Nyomtatásban meg nem jelent konferenciaelőadások J. Botzheim, L. T. Kóczy: Rule reducing operators in fuzzy rule base systems (7 th International Conference on Fuzzy Sets Theory and its Applications, FSTA 2004, Liptovský Mikuláš, Szlovákia, 2004 január) Meghívott szemináriumi előadások Bacterial algorithms and fuzzy systems Cseh Műszaki Egyetem, Villamosmérnöki Kar, Gépi érzékelés labor, Prága, 2002 július Model identification by bacterial optimization Cseh Tudományos Akadémia, Számítógép-tudományi Intézet, Prága, 2004 november A bacterial evolutionary algorithm for feature selection Johannes Kepler egyetem (FLLL/SCCH Mester és PhD szeminárium), Linz, Ausztria, 2005 június (M. Drobics-csal közösen) Fuzzy sets and fuzzy systems Ausztrál Nemzeti Egyetem, Számítógép-tudományi Tanszék, Canberra, Ausztrália, 2005 november Evolutionary algorithms. Introduction and recent results. Ausztrál Nemzeti Egyetem, Számítógép-tudományi Tanszék, Canberra, Ausztrália, 2006 március Bacterial memetic algorithm for fuzzy rule base extraction Cseh Tudományos Akadémia, Számítógép-tudományi Intézet, Prága, 2007 november
5 legjelentősebb publikáció 1. J. Botzheim, C. Cabrita, L. T. Kóczy, and A. E. Ruano. Genetic and bacterial programming for B-spline neural networks design. Journal of Advanced Computational Intelligence and Intelligent Informatics, Vol. 11, No. 2, February 2007, pp. 220 231. 2. J. Botzheim, C. Cabrita, L. T. Kóczy, and A. E. Ruano. Fuzzy rule extraction by bacterial memetic algorithms. In Proceedings of the 11th World Congress of International Fuzzy Systems Association, IFSA 2005, Beijing, China, July 2005, pp. 1563 1568. 3. J. Botzheim, C. Cabrita, L. T. Kóczy, and A. E. Ruano. Estimating fuzzy membership functions parameters by the Levenberg-Marquardt algorithm. In Proceedings of the IEEE International Conference on Fuzzy Systems, FUZZ-IEEE 2004, Budapest, Hungary, July 2004, pp. 1667 1672. 4. J. Botzheim, M. Drobics, and L. T. Kóczy. Feature selection using bacterial optimization. In Proceedings of the International Conference on Information Processing and Management of Uncertainty in Knowledge-based Systems, IPMU 2004, Perugia, Italy, July 2004, pp. 797 804. 5. J. Botzheim, B. Hámori, and L. T. Kóczy. Extracting trapezoidal membership functions of a fuzzy rule system by bacterial algorithm. In B. Reusch, editor, Computational Intelligence, Theory and Applications, Lecture Notes in Computer Science vol. 2206, Springer-Verlag, Berlin-Heidelberg, 2001, pp. 218 227. (IF=0,415; 4 független hivatkozás) Hivatkozások 14 ismert független hivatkozás
KUTATÁSI ÉRDEKLŐDÉS A Soft-computing technikák az elmúlt években egyre fontosabb szerepet játszanak rendszerek modellezésében, döntési, irányítási és optimalizációs feladatok végrehajtásában. Különösen fontosak azokon a területeken, ahol a klasszikus matematikai analízis használata túl bonyolult lenne. A témán belül a tanító algoritmusok vizsgálata jelenti az egyik fő kutatási területet. A gradiens alapú módszereken kívül egyre nagyobb az érdeklődés a biológiából átvett, evolúciós módszereken alapuló tanítási, optimalizációs algoritmusok iránt. Ezen algoritmusok előnye, hogy képesek megoldani a problémákat és közelítő megoldást találni akkor is, ha a probléma nemlineáris, sokdimenziós, nem folytonos. Az evolúciós technikák hatékony eszköznek bizonyulnak nemlineáris, multikritériumú, kényszerekkel kiegészített optimalizációs feladatok megoldására. Ezek az algoritmusok képesek felkutatni az egész keresési teret anélkül, hogy a célfüggvény deriváltjait használnák, mint ahogy azt a gradiens alapú módszerek teszik. Alapelvük a megoldások egy populációján történő keresés, melyet a biológiából megismert törvényszerűségek vezérelnek. Ezekben az algoritmusokban egy élőlény a feladat egy megoldását jelenti. A populáció folyamatos fejlődése biztosítja, hogy egyre jobb egyedeket kapunk, azaz a problémát egyre jobban sikerül megoldani, a közelítés egyre pontosabb lesz. A klasszikus genetikus algoritmusokon kívül a módszernek újabb, hatékonyabb változatai is kezdenek elterjedni. Az egyik ilyen új változat a bakteriális algoritmus, melyet a baktériumok evolúciós jelensége inspirált. Ebben az algoritmusban a klasszikus genetikus algoritmusokban megismert keresztezés, mutáció és szelekció operátorokat a génátadás, bakteriális mutáció és osztódás váltja fel. Hasonlóan a genetikus algoritmusokhoz, a természetben végbemenő jelenségeket próbálja leutánozni, és felhasználni problémák megoldására. Egy baktériumpopuláció fejlődik, melyben az egyedek képesek átadni génrészleteket más egyedeknek. Az algoritmusban erre alapozva két operátort alkalmazunk, a bakteriális mutációt és a géntranszfert. A bakteriális mutáció egy baktériumon hoz létre olyan változásokat, amelyek által a baktérium fejlődik. A géntranszfer operátor pedig lehetővé teszi az egyedek közti információáramlást. Ezek biztosítják a folyamat során a globális optimum nagyobb eséllyel történő megtalálását. A módszer használható fuzzy szabálybázisok kialakítására, vagy már meglévő szabálybázis további finomítására is. A fuzzy rendszerek alkalmazása során ugyanis az egyik legfontosabb feladat az optimális szabálybázis megtalálása. Van amikor a szabálybázist megadja az adott terület emberi szakértője, vagy a szabálybázis eleve adott lehet a probléma leírásából adódóan. Előfordulhat azonban, hogy egyik sem áll rendelkezésre. Ilyenkor a rendszert más módon kell megtervezni, numerikus mintákra építve. A minták bemenet-kimenet párok formájában vannak megadva. Egy bemenethez meghatározza a minta, hogy a rendszernek milyen kimenetet kell adnia. Ezen minták alapján kell a fuzzy szabálybázist úgy beállítani, hogy a lehető legjobban közelítse a mintákat, tehát próbálja meg megvalósítani a kívánt leképezést. A szabályok hangolása azonban nem csak evolúciós módszerekkel történhet, hanem gradiens alapú tanítási algoritmusokkal is. A tanítás során a fuzzy rendszer vagy neurális hálózat kimenete és a kívánt kimenet közötti különbséget kell minimalizálni. A minimalizálás lépésről-lépésre történik, gradienseket használva. A legrégibb módszer a hiba-visszaterjesztéses tanítás (Back-Propagation), mely a modell kimenete és a kívánt kimenet közti hiba alapján módosítja a modell paramétereit. A klasszikus algoritmus egy elsőrendű módszer, mert a hibának csak az elsőrendű deriváltjait használja, nem mindig biztosítva ezáltal a konvergenciát. Erre az eljárásra építve számos új algoritmus született, a legmegfelelőbb módszernek a Levenberg-Marquardt algoritmus bizonyult, mely egy másodrendű módszer, és megfelelő konvergenciasebességet biztosít. A bakteriális algoritmusok, és a Levenberg-Marquardt algoritmus használható fuzzy rendszerek és neurális hálózatok modellidentifikációjára. A bakteriális megközelítés globális keresést tesz lehetővé, viszont általában csak kvázi-optimális megoldást ad. A Levenberg-Marquardt algoritmus
képes az optimum megtalálására, azonban csak a keresési térnek egy szűk részében teszi ezt. A bakteriális módszert tehát egy durvább identifikációra érdemes használni (fuzzy szabálykinyerés, neurális hálózat topológiájának kialakítása, súlyok kezdeti beállítása), a másik módszert pedig a tényleges finomhangolásra (szabályoptimalizálás, neurális hálózatok súlyainak megfelelő beállítása). A két módszert együttesen alkalmazva sikeresen valósítható meg a modellidentifikáció.