Sie sind auf Seite 1von 10

Page |1

Question Bank on 
Soft Computing 
(Neural Network, Fuzzy Logic & Genetic Algorithms) 
(Group A Objective Type Question) 
1.  Bias is used to _________ 
a.  To qualify the threshold value.  c. To calculate the net value. 
b.  To improve the network performance.  d. To degrade the network performance 
2.  The ________ is a single long fiber that carriers the signals from the cell body to other neuron. 
a.  Axon  b. Cell body  c. Dendrites  d. Lobe 
3.  The point of contact between an axon of one cell and a dendrite of another cell is known as… 
a.  Axon  b. Cell body  c. Synapse  d. Soma 
4.  In sigmoidal function, the graph is _____________ 
a.  V‐Shaped  b. S‐Shaped  c. Step‐Shaped d. None 
5.  The layers between input and output layer are ____ layers. 
a.  Kohonen  b. Grossberg  c. Hidden  d. Vapnik 
6.  Networks which have feedback connection are called __________. 
a.  Feedforward  b. Recurrent network  c. Linear  d. Stable 
7.  In  ________ learning input pattern is associated with an output pattern 
a.  Supervised  b. Unsupervised  c. Reinforced  d. Simulated 
8.  The  algorithm  is  only  provided  with  a  given  grade  /  score  as  a  measured  of  ANN’s 
performance, which is ________ type of learning. 
a.  Supervised  b. Unsupervised  c. Reinforced  d. Simulated 
9.  The aim of delta rule is to minimize the _______ of overall training patterns 
a.  Output    b. Error  c. Weights  d. Bias 
10. If two neurons on either side of a synapse are ___________ activated, then the strength of that 
synapse is selectively increased. 
a.  Randomly b. Statistically  c. Asynchronously  d. Synchronously 
11. Boltzmann machine uses _________ neurons with a probabilistic firing mechanism. 
a.  Deterministic  b. Non‐deterministic  c. Conditional d. Stochastic 
12. In  _______  learning  all  neurons  compete  in  input  pattern  and  the  winning  neuron  undergoes 
weight adjustment. 
a.  Supervised  b. Competitive  c. Boltzmann  d. Reinforcement 
13. A 3‐input neuron is trained to output a zero when the input is 110 and a one when the input is 
111. After generalisation, the output will be zero when and only when the input is:  
    (a) 000 or 110 or 011 or 101       (b) 010 or 100 or 110 or 101  
(c) 000 or 010 or 110 or 100  
14. A perceptron is:  
    (a) a single layer feed‐forward neural network with preprocessing  
(b) an autoassociative neural network  
(c) a double layer autoassociative neural network  
15. An autoassociative network is:  
    (a) a neural network that contains no loops    
(b) a neural network that contains feedback  
(c) a neural network that has only one loop  
16. Which of the following is true?  
(i) On average, neural networks have higher computational rates than conventional computers. 
By - J. P. Singh, Academy of Technology
Page |2

(ii) Neural networks learn by example. 
(iii) Neural networks mimic the way the human brain works. 
  (a) all of them are true   (b) (ii) and (iii) are true   (c) (i), (ii) and (iii) are true  
17. Which of the following is true for neural networks?  
(i) The training time depends on the size of the network. 
(ii) Neural networks can be simulated on a conventional computer. 
(iii)Artificial neurons are identical in operation to biological ones. 
(a) all of them are true. (b) (ii) is true. (c) (i) and (ii) are true. 
18. What are the advantages of neural networks over conventional computers?  
(i) They have the ability to learn by example 
(ii) They are more fault tolerant 
(iii)They are more suited for real time operation due to their high ʹcomputationalʹ rates 
(a) (i) and (ii) are true    (b) (i) and (iii) are true   (c) all of them are true  
19. Which of the following is true?  
Single layer associative neural networks do not have the ability to: 
(i) perform pattern recognition   
(ii) find the parity of a picture 
(iii)determine whether two or more shapes in a picture are connented or not  
(a) (ii) and (iii) are true   (b) (ii) is true       (c) all of them are true 
20. Learning process according to environment is __________. 
a.  Competitive learning      c. stochastic learning    
b.  Reinforcement learning    d. Adaptation 
21. The Hebbian learning  rule is _________ type of learning. 
a.  Supervised  b. Competitive  c. Boltzmann    d. Reinforcement 
22. Perception is a ________ type of learning process. 
a.  Supervised  b. Unsupervised  c. Reinforced    d. Memory based  
23. Single layer perception is used for _________ . 
a.  Linear separability      c. Non‐linear separability   
b.  Error minimization      d. Annealing 
24. When W(k0) = W(k0 + 1) = W(k0 + 2) = ……….,then we can say perception is _________ 
a.  Linear separable      c. Non‐linear separable 
b.  Converged        d. Non‐converged 
25. In perception __________ is the formula to change the bias. 
a. bnew = wold + exi  b. bnew = bold + ewixi  c. bnew = bold + e   d.  bnew = bold + wioi 
26. The neuron model in back propagation network includes a ______ type of activation function. 
a.  Linear    b. Non‐linear    c. Symmetrical   d. Asymmetrical 
27. f = (1 / 1 + e‐net k) is known as ______ function. 
a.  Symmetrical  b. Asymmetrical  c. Sigmoidal    d. Linear 
28. X‐OR problem can be solved by __________. 
a.  Single layer Perceptron    c. Multi‐layer perceptron 
b.  Bayes theorem       d. Both (a) and (b) 
29. Back propagation is related with _______ type of network. 
a.  Feed backward  b. Feed forward  c. Recurrent  d. Linear 
30. A _____ learning rate in back propagation, results in long training times. 
a.  Large    b. Small  c. Medium  d. Very large 
31. The learning time can be reduced, if the _______ are chosen small at the beginning. 
a.  Weights  b. Inputs  c. Learning rate  d. Bias 
By - J. P. Singh, Academy of Technology
Page |3

32. Wakening or eliminating certain synaptic weights in a selective and orderly fashion is known as 
__________ techniques. 
a.  Cross‐validation  b. Generalization  c. Network pruning  d. Optimization 
33. Self‐organizing feature‐maps learn to classify _____________ . 
a.  Input vectors  b. Output vectors  c. Weight matrix  d. Winner neuron 
34. The SOM learning is a completely __________ . 
a.  Supervised  b. Unsupervised  c. Reinforced    d. Feedback 
35. In SOM learning we have to change the weight of ____________ . 
a.  Only winner    c. Not only the winner but also it’s neighbors 
b.  All      d. Only neighbors 
36. LVQ learning is __________ type of learning. 
a.   Supervised    b. Unsupervised  c. Reinforced  d. None 
37. In Vector‐quantization, input‐vectors can be divided into areas that are assigned as _________. 
a.  Voronoi vectors  b. Learning vectors  c. Vectors  d. Code book vectors 
38. The Hopfield network consists of a set of neurons forming a multiple loop ________ system 
a.  Unidirectional   b. Parallel  c. Feedback  d. Feedforward 
39. In _______ mode of training, all neurons in Hopfield networks fire at the same time. 
a.  Stable status    b. Output  c. Synchronous  d. Asynchronous 
40. In _______ mode of training, all neurons in Hopfield networks fire at random. 
a.  Stable status    b. Output  c. Synchronous  d. Asynchronous 
41. In  associative  memory  if  xk  is  the  input  and  yk  is  the  output,  and  when  xk  ≠  yk,  the  process  is 
known as ___________ . 
a.  Autoassociative  b.  Nonassociative  c. Heteroassociative  d. Biassociative 
42.  The BAM is a __________ network. 
a.  Autoassociative  b. Nonassociative  c. Heteroassociative        d. None 
43. In neural network, the activation function is expressed in terms of  
a.  Bias   b. induced local filed vector  c. Input  d. none of this 
44. In SOM learning we have to change the weight of ____________ .  
a)  Only winner     b) Not only the winner but also it’s neighbors   c) All     d) Only neighbors 
45. Wakening or eliminating certain synaptic weights in a selective and orderly fashion is known as 
__________ techniques. 
a.  Cross‐validation            b. Generalization       c. Network pruning        d. Optimization 
46. Back propagation is related with _______ type of network. 
a.  Feed backward               b. Feed forward                  c. Recurrent           d. Linear 
47. In  Boltzmann  machine  it  is  found  that  units  in  each  row  and  column  are  fully  interconnected 
with the weight of each connection p where 
a)  p  indicates  the  penalties  for  violating  the  condition  that  almost  one      unit  be  “on”  in  each 
row and column 
b)  p indicates the probability of connectivity of units in each row with the units of each column 
c)  p indicate the probability of net accepting a change in state for unit xt 
d)  p be the initialized random weights closed to zero. 
48. The neighborhood scheme for SOM is used 
a.  to find out the neurons of which weight vector to be updated along with winner neuron 
b.  to find out the neurons of which weight vector to be updated excluding  winner neuron 
c.  to converge the net faster 
49. In fuzzy logic controller the rule base is updated by the help of 
a) Fuzzy logic                                  b) ANN and GA 
By - J. P. Singh, Academy of Technology
Page |4

c) Fuzzy logic, ANN and GA         d) none of this 
50. Consider two fuzzy sets ‘A’ and ‘B’ which are as follows: 
A = {(0, 0.2), (1, 0.5), (3, 0.3)}     B = {(0, 0.4), (1, 0.6), (3, 0.9)}. then A‐B will be 
a) {(0, 0.2), (1, 0.1), (3, 0.1)}      b) {(0, 0.2), (1, 0.5), (3, 0.1)} 
c) {(0, 0.2), (0, 0.1), (0, 0.1)}      d) None of this. 
51. Fuzzy set theory was introduced by…………. 
a) Zadeh  b) Rosenblatt    c) Minsky  d) Glover 
52. A linguistic variable enables its value to be described 
a) By a crisp set    b) Only qualitatively by a linguistic term 
c) Only quantitatively by a corresponding membership function 
d) Both quantitatively by a linguistic term and quantitatively by a corresponding membership function. 
53. Let A and B are two fuzzy sets with membership function μ, then μA U  B(x) is equal to 
a) {μ A(x) + μ B(x)}        b) { μA(x) ‐ μB(x)}    c)min{ μA(x) ,μB(x) }      d) MAX { μA(x) ,μB(x) } 
54. Let A be a fuzzy set with membership function μ and X be the universal set. Then the support of 
the fuzzy set AєX can be defined as 
a)  S (A) = o+A              b)  S (A) =IA    C)  S (A) =Sup {μA(x)}∀ x € X   d) S (A) =∑ μA(x)∀ x є X 
55. The core of the fuzzy A set is defined by those elements x of the universe such that  
a) µA(x) =1     b) µA(x) =0    c)  0 < µA(x) <1   d) 0 ≤ µA(x) ≤1 
56. The boundary of the fuzzy A set is defined by those elements x of the universe such that  
a) µA(x) =1     b) µA(x) =0    c)  0 < µA(x) <1   d) 0 ≤ µA(x) ≤1 
57. Let A and B are two fuzzy sets with membership function μ, then μA ∩  B(x) is equal to 
a) {μ A(x) + μ B(x)}        b) { μA(x) ‐ μB(x)}    c)min{ μA(x) ,μB(x) }      d) MAX { μA(x) ,μB(x) } 
58. A fuzzy number is a fuzzy set with the property of  
a) only normal b) only convex   c) both normal and convex  d) normal but not convex 
59. A normal fuzzy set is one whose one membership function has  
a) at least one element x in the universe whose membership value is 1. 
b) all elements in the universe have membership value is 1. 
c) none of the elements in the universe has membership value of 1 
d) at least one element x in the universe whose membership value is 0. 
60. The fuzzy set shown in figure 1 is  
a)  Only normal 
b)  Only convex  
c)  both normal and convex 
d)  convex but not normal 
61. The height of a fuzzy set A is the ……………… value of the membership function. 
a) Minimum  b) Maximum    c) mean  d) complete 
62. The crossover points of a membership function of a fuzzy set is defined as the elements in the 
universe of a fuzzy set A for which  
a)  µA(x) =1    b) µA(x) =0.5    c)µA(x) =0  d) µA(x) =0.3 
63. Which of the following(s) is/are found in Genetic Algorithms?  
(i) Evolution (ii) selection (iii) reproduction (iv) mutation  
(a) i & ii only (b) i, ii & iii only (c) ii, iii & iv only (d) all of the above  
64. Matching between terminologies of Genetic Algorithms and Genetics:  
Genetic Algorithms   Genetics (biology)  
(W) representation structures  (i) external disturbance, such as cosmic radiation 
(X) crossover  (ii) chromosomes 
By - J. P. Singh, Academy of Technology
Page |5

(Y) mutation  (iii) survivability 
(Z) selection  (iv) sexual reproduction 
a)  W‐ 
65. Where are Genetic Algorithms applicable?  
(i)real time application (ii) biology (iii) Artificial Life (iv) economics  
(a) i, ii & iii only (b) ii, iii & iv only (c) i, iii & iv only (d) all of the above  
66. Which  of  the  following(s)  is/are  the  pre‐requisite(s)  when  Genetic  Algorithms  are  applied  to 
solve problems?  
(i)  encoding  of  solutions  (ii)  well‐understood  search  space  (iii)  method  of  evaluating  the 
suitability of the solutions (iv) contain only one optimal solution  
 (a) i & ii only (b) ii & iii only (c) i & iii only (d) iii & iv only  
67. Which of the following statement(s) is/are true?  
(i)  Genetic  Algorithm  is  a  randomised  parallel  search  algorithm,  based  on  the  principles  of 
natural selection, the process of evolution.  
(ii) GAs are exhaustive, giving out all the optimal solutions to a given problem.  
(iii) GAs are used for solving optimization problems and modeling evolutionary phenomena in 
the natural world.  
(iv) Despite their utility, GAs remain a poorly understood topic.  
(a)  i, ii & iii only (b) ii, iii & iv only (c) i, iii & iv only (d) all of the above  
68. In GA term ‘Gene’ is termed as  
a) Coded design vector          b) Coded design variable        c) Every bit      d) Solution vector 
69.  A particular set of genes in genome is called  
a) Alleles    b) chromosome    c) Locus  d) genotype 
70. If  crossover  between  chromosomes  in  search  space  does  not  produce  significantly  different 
offsprings, what does it imply? (if offspring consist of one half of each parent) 
(i) The crossover operation is not successful.  
(ii) Solution is about to be reached.   
(iii) Diversity is so poor that the parents involved in the crossover operation are similar.  
(iv) The search space of the problem is not ideal for GAs to operate.  
(a) ii, iii & iv only (b) ii & iii only (c) i, iii & iv only (d) all of the above  
71. The size of each chromosome for the problem of maximizing the function f(x)=x2 in the interval 0 
≤ x ≤ 31 is 
a. Six    b. five    c. Four   d. three 
(Group B 5 Marks Questions) 
1.  What is meant by supervised, reinforcement and unsupervised learning rules? 
2.  Define soft ‘computing’. How does it differ from traditional hard computing? What are the basic 
features of an ANN? 
3.  Discuss  the  fixed  increment  perception  learning  algorithm  for  a  classification  problem  with  n 
input features (x1, x2, x3………….. xn) and two output classes (0/1). 
4.  Compare and contrast biological neurons and artificial neurons. 
5.  Described the discrete Hopfield Net and its training algorithm. 
6.  What is delta learning rule? Why is it called as Least Mean square rule? 
7.  Implement the AND function using McCulloh‐Pitts neurons using binary data.  
8.  Compare  feed‐forward  and  feedback  network.  In  what  ways  is  bipolar  representation  better 
than binary representation? 

By - J. P. Singh, Academy of Technology

Page |6

9.  Using Hebb’s rule, find the weights required to perform following classifications. The vectors (1, 
‐1, 1, ‐1) and (1, 1, 1, ‐1) belong to class 1 (target value 1) and (‐1, ‐1, 1, 1) and (1, 1, ‐1, ‐1) belong 
to class 2 (target value ‐1). Test the response of the network using each training set.  
10.  What is the neccessity of activation function in artificial neural network? What is a learning rate 
11.  Implement  OR  function  with  binary  inputs  and  bipolar  targets  using  Perceptron  training 
algorithm upto 3 epochs.  
12.  With a neat flowchart, explain the training process of Perceptron network. 
13.  Define overfitting or over training. 
14.  Explain  the  function  of  multi‐layer  perception  (MLP).How  does  it  differ  from  a  single  layer 
perception (SLP)?  
15.  Define ANN. What is the role of an activation function in an ANN model? Name two activation 
16.  a) Consider the linguistic variable “Age”. Let the term ‘old’ be defined by  
⎧0 if x € [0,40]
µ old = ⎨ - 2 -1
⎩(1 + ((x - 40) / 5) ) if x € [40,100]
        Determine the membership function of the terms “very old”,”not very old” and ”more or less 
b) State the different types of decomposition theorem of fuzzy logic.  
17.  a) Let A be a Fuzz set defined by:  A = 0.5/x1 + 0.4/ x2 + 0.7/x3 + 0.8/x4 + 1/x5.  List all α‐cuts 
and strong α‐cuts of A. 
b) State the extension principle in fuzzy logic. 
18.  a) Define the T‐norm with example. 
b) Define T‐co norm with example. 
c) Explain aggregation with an example. Also mention the necessary condition to be satisfied by 
an aggregation operation. 
19.  Let A be fuzzy set defined as  
  Enlist all α‐cuts and strong α‐cuts of A. 
20.  let A = “ near 0.74” = { 0/0.730 + 0.8/0.735 + 1/0.740+ 0.3 / 0.750} and  
         B = more or less 0.74” = { 0.2/0.730 + 0.6/0.735 + 0.8/0.740 + 1/ 0.745 + 0.5 / 0.750} 
For the two sets find a) Α ∪ Β b) Α ∩ Β c) ¬ Α
21.  Let A and B be the two fuzzy numbers whose membership function is given bellow:  
⎧ (x + 2) ⎧ (x - 2)
⎪ 2 :-2 < x ≤ 0 ⎪ 2 :2 < x ≤ 4
⎪ ⎪
⎪ (2 - x) ⎪ (6 - x)
A(x) = ⎨ :0 < x < 2     B (x) = ⎨ : 4 < x < 6               
⎪ 2 ⎪ 2
⎪0 : otherwise ⎪0 : otherwise
⎪ ⎪
⎩ ⎩
        Calculate the fuzzy numbers A+ B, B + A, A – B and B – A. 
22.  In a class of 10 students (the universal set), 3 students speaks German to some degree, namely 
Alice to degree 0.7, Bob to degree 1.0, Cathrine to degree 0.4.    
a)  What is the size of the subset A of German speaking students in the class?  
b)  What is the support of the fuzzy set A?  
c)  What is  0.5A (the 0.5‐cut of the fuzzy set A) ? 
d)  What is  0.4+A  (the strong 0.4‐cut of the fuzzy set A) ? 
e)  Is A normal? 
By - J. P. Singh, Academy of Technology
Page |7

23.  Explain different types of selection methods in Genetic algorithms.  
(Group C 15 Marks Questions) 
24.  a) What are artificial neural networks? Show a model of an artificial neuron. 
b) Describe the neural network architecture. 
c) What do you mean by supervised, reinforcement and unsupervised learning rules? 
25.  a) Outline the basic structure and components of a simple biological neuron.  
(b) Describe how this is related to a McCulloch‐Pitts neuron.  
(c)  Design  networks  of  McCulloch‐Pitts  neurons  that  implement  logical  NOT  gate.  Draw  the 
network and label all the weight and threshold values.           [5+5+5] 
26.  a.  Explain a single layer Perceptron network with suitable diagram.              [2+3+4+4+2] 
b.  State the Perceptron learning rule and apply that rule to find a Perceptron network for AND 
function  with  bipolar  inputs  and  targets.  [Take  initial  weights  including  bias  and  learning 
rate to be 0]. Find out the final weights and bias.      
c.  Derive  the  weight  update  formula  in  Back  Propagation  rule  for  multi  layer  feed  forward 
network  using  differentiable  activation  function.  What  are  merits  and  demerits  of  Back 
Propagation Algorithm? 
27.  a) Describe the architecture of Hopfield networks. 
       b) Write down the algorithm to train the Hebb net. 
       c) State the delta learning rule. 
28.  a.  Describe the architecture of Kohonen self organizing feature maps.                          [5+5+5] 
b.  State the training algorithm for self organizing maps.  
c.  Consider a Kohonen net with two cluster units and 3 input units. The weight vectors for the 
cluster unit are [0.9, 0.7, 0.6] and [0.4, 0.3, 0.5]. Find the wining cluster unit for the input vector 
[0.4, 0.2, 0.1]. Find the new weight for the winning unit using a learning rate of 0.2.   
29.  An athletic race was conducted. The following membership functions are defined based on the 
speed of the athletes. 
⎧ 1 0.1 0.3 ⎫
Low= ⎨ + + ⎬ 
⎩100 200 300 ⎭
⎧ 0.5 0.57 0.6 ⎫
Medium =  ⎨ + + ⎬ 
⎩100 200 300 ⎭
⎧ 0.8 0.9 1 ⎫
High=  ⎨ + + ⎬   
⎩100 200 300 ⎭
Find the following 
R=Low X Medium 
S= Medium X High 
T=R 0 S  using max‐min composition 
T=R 0 S  using max‐product composition                      
30.  Let A and B be the two fuzzy numbers whose membership function is given bellow:  
⎧( x + 2) / 2 for - 2 < x ≤ 0

A( x) = ⎨(2 - x) / 2 for 0 < x < 2  
⎩ otherwise
⎧( x - 2) / 2 for 2 < x ≤ 4

                                      B ( x) = ⎨(6 - x) / 2 for 4 < x < 6  
⎩ otherwise

By - J. P. Singh, Academy of Technology

Page |8

Calculate the fuzzy numbers A+B, A ‐B, B ‐A, A.B, A/B, MIN(A, B), MAX(A, B). 
31.  a) Consider the following age groups: 0‐10; 10‐20; 20‐30; 30‐40; 40‐50; 50‐60; 60‐70; 70 and above.  
The fuzzy sets “young”, ”middle” and “old” are represented by the membership function graphs as 
illustrate in fig. given below. Find the union, intersection, complement and product operation with 
the help of membership function. 

32.  a.  Consider a fuzzy set A in the universe   whose membership function is given by  
µA(x) = 1 ‐ |x‐2| for |x‐2| ≤ 2                                            [5 + 10] 
         = 0 otherwise 
i.  Sketch the membership function 
ii.  What is the support set of A? 
iii.  What is the α cut of A for α = 0.5         
      b.  Consider the knowledge base represented by the set of fuzzy rules Y ‐> U with  
Determine the membership function matrix R of this knowledge base.    
Determine  the  respective  fuzzy  inference  U’  for  three  fuzzy  observations  Y’  whose 
membership functions are 
µY’(yi)=[0.4  1.0  0.4  0  0] 
µY’(yi)=[0.4  0.8  0.4  0  0] 
µY’(yi)=[0.4  0.5  0.4  0  0] 
33.  Given the following fuzzy number and using Zadeh’s extension principle, Calculate K= I * J and 
explain why 6 is non‐convex. 
I = approximately  3 = { 0.2/2 + 1/3 + 0.1/4} 
J = approximately 2 = { 0.1/1 + ½ + 0.3/3} 
34.  For  fluids,  the  product  of  the  pressure  (p)  and  volume  V  of  the  fluid  is  a  constant  for  a given 
temperature i.e. PV = constant 
Assume that at a given temperature a fluid of fuzzy volume  
  V1 = {0.0/0.5 + 0.5/0.75 + 1.0/1.0 + 0.5/1.25 + 0.0/1.5} is under a fuzzy pressure  
  P1 = {0.0/0.5 + 0.5/1.75 + 1.0/2.0 + 0.5/2.25 + 0.0/2.5} 
a)   Using the extension  principle, determine the pressure P2, if the volume is  reduced to  
V2 = { 0.0/0.4 + 0.5/0.45 + 1.0/0.5 + 0.5/0.55 + 0.0/0.6} 
b ) Develop analogous continuous membership function for the fuzzy pressure P1 and volume 
V1 and solve for the pressure P2 using (i) the vertex method and (ii) the DSW algorithm. Plot 
the resulting membership function.  
c) Explain why P2.V2 would not be same as P1.V1. 
35.  In the field of computer networking there is an imprecise relationship between the level of use 
of  a  network  communication  bandwidth  and  the  latency  experienced  in  peer  –to  peer 
communications.  Let  X  be  a  fuzzy  set  of  use  levels  and  Y  be  a  fuzzy  set  of  latencies  with  the 
following membership functions. 
By - J. P. Singh, Academy of Technology
Page |9

  X={0.2/10 + 0.5/20 + 0.8/40 + 1/60 + 0.6/80 + 0.1/100} 
  Y={0.3/0.5 + 0.6/1 + 0.9/1.5 + 1.0/4 + 0.6/8 + 0.3/20} 
a)  Find the Cartesian product represented by the relation R = X + Y 
Now suppose we have a second fuzzy set of bandwidth usage given by  
  Z={0.3/10 + 0.6/20 + 0.7/40 + 0.9/60 +1/80 + 0.5/100} 
Find  S = Z * R  
b)  using max‐min composition 
c)  using max‐product composition 
36.  Consider the following two discrete fuzzy sets, which are defined on universe X={‐5, 5} 
  A= Zero ={ 0/‐1 + 0.5/‐1 + 1/0 + 0.5/1 +0/2} 
  B= postive medium = { 0/0 + 0.5/1 + ½ +0.5/2 + 0/4} 
a)  Construct  the  relation  for  the  rule  IF  A  THEN  B  using  the  Mamdani  Implication  and  the 
product implication. 
      If we introduce a new antecedent, 
  Aʹ= positive small= {0/‐1 + 0.5/0 + 1/1 + 0.5/2 + 0/3} 
b)  Find the new consequent Bʹ, using max‐min composition  
37.  a)  What do you mean by breeding? Discuss the various steps of breeding cycle. [1+3+4+3+4] 
b.  Give examples to illustrate various cross over techniques in GA. 
c.  Differentiate between the single point and multi point mutation in GA. 
d.  Explain the various stopping condition used in genetic algorithm. 
38.  a) How is genetic algorithm different from traditional algorithm? 
b) State the schema theorem. 
c) Discuss the different types of crossover method in Genetic algorithm. 
d) Differentiate between the single point and multi point mutation in GA. 
e) Explain any one selection strategy used in GA. 
39.  a) State and prove the schema theorem on Genetic algorithm. 
      b) A population contains the following strings and fitness values at generation 0:       
                     #                 string              Fitness 
           1                10001               20 
           2                11100               10 
           3                00011                5 
           4                01110               15 
The probability of mutation is pm=0.01 and the probability of cross‐over is Pc=1.0. Calculate 
the  expected  number  of  schemata  of  the  form  1****  in  Generation  1.  Estimate  the  expected 
number of schemata of the form 0**1* in generation 1. 
40.  a) Explain the cycle of Genetic algorithm. 
b) What are the cross‐over rate and mutation rate? 
c) Solve the following traveling salesman problem for 6 cities by using genetic algorithm. 
City                1      2       3      4          
   1       0         
   2       5      0     
   3       6     13       0       0   
   4       8      8       9       4 
41.  Write short notes on any three of the following:                                                                   [5+5+5] 
By - J. P. Singh, Academy of Technology
P a g e | 10

b.  Tabu search. 
c.  Simulated annealing. 
d.  Hopfield Net. 
e.  Different defuzzification operators.  
f.  Ant Colony Optimization     

By - J. P. Singh, Academy of Technology