基于遺傳算法的模糊系統(tǒng)研究.pdf

1、模糊系統(tǒng)是一種基于知識或規(guī)則的系統(tǒng)，它的核心大多是“if-then”規(guī)則所組成的知識庫。模糊系統(tǒng)廣泛應(yīng)用于控制、信號處理、通信、集成電路、專家系統(tǒng)、醫(yī)藥、行為科學(xué)等領(lǐng)域。本文從方法論的角度提出了基于遺傳算法的模糊系統(tǒng)研究方案，包括模糊分類，模糊建模，多目標優(yōu)化，基于Agent的進化以及規(guī)則間交互影響的處理。論文的主要工作如下： 第一，將適當修改后的VISIT算法與遺傳算法相結(jié)合，構(gòu)造了一個有監(jiān)督的模糊分類設(shè)計新方法，并提出了一個

2、模糊專家系統(tǒng)來實現(xiàn)兼顧精度和可解釋性的適應(yīng)度函數(shù)。新模糊分類系統(tǒng)具有以下優(yōu)點：(1)可解釋性好，(2)有效的特征壓縮，(3)與傳統(tǒng)方法相當?shù)淖R別精度。 第二，提出了用戶友好的Sugeno型模糊建模新算法。Sugeno型模糊系統(tǒng)可以應(yīng)用線性控制系統(tǒng)的分析方法來近似非線性系統(tǒng)的分析，其中所有參數(shù)的確定都由算法自動完成，而無需用戶設(shè)定。并將新方法擴展到Mamdani型模糊系統(tǒng)的解決方案上。 第三，提出了一個多目標優(yōu)化問題的新方

3、法—遞歸多目標遺傳算法(RIMOGA)。整個進化過程分為與目標數(shù)量相等的幾個遞歸階段，每個階段多增加一個目標。每個階段先用一個獨立的群體進化新增的目標；該群體中性能較好的個體與上一階段多目標進化的群體聯(lián)合形成已增目標集的初始群體。相對于其它典型的多目標遺傳算法，RIMOGA在相同時間內(nèi)能找到更多且質(zhì)量更好的解。 第四，提出了抽取模糊規(guī)則知識的Agent進化方法。每個行為Agent(BA)自主確定模糊集的數(shù)量和分布，并利用分級染色

4、體結(jié)構(gòu)和調(diào)整策略改進模糊系統(tǒng)的可解釋性。在所獲得的模糊集上使用Pittsburgh型方法抽取精度和可解釋性兼具的模糊規(guī)則。此外，BA能夠相互協(xié)作地交換模糊集的信息以便維持解的多樣性，獲得全局最優(yōu)解。新方法能在模糊系統(tǒng)的精度和可解釋性之間達到好的平衡。 第五，傳統(tǒng)的不精確推理都涉及處理多個有相同后項的規(guī)則推理與可信度計算問題。但在模糊規(guī)則進行近似推理時，相同后項規(guī)則的模糊推理與可信度計算以及不同前提之間的關(guān)系問題，在當前的典型方法