基于遗传算法的模糊系统研究.pptx

基于遗传算法的模糊系统研究;主要内容;一、绪论;L.A.Zadeh（查德）;;随着社会进步和科学技术的发展，人们渐渐发现，现有的精确理论在解决一些问题时往往会显得繁琐或者束手无策。原因主要有以下三点: （1）精确理论一般需要用数学微分方程来描述自然科学的某些基本规律或系统，但在实际中有的系统所涉及的因素很多，而每个因素之间还存在着的关系；同时，系统所处的条件也千变万化，要用微分方程来描述这种系统，要么根本无法实现，要么需设定大量的约束条件，最终无法求得结果。;（2）有的学科，例如语言学、心理学、文学、生物学和社会科学，往往是采用文字方法进行定性的推理或估计。而这些学科中的大多数问题都具有模糊性，比如，语言的“幽默”与“流畅”，心理的“正常”与“不平衡”，文学作品的“通俗”与“严肃”等，都是模糊概念。很明显，用传统的精确理论是无法对这些学科进行数学化和定量分析的。 ;（3）人的智能本身就具有精确性和模糊性两种特征。控制论创始人维纳在指出人能超过任何最完善的机器时，明确指明其重要原因是“人具有运用模糊概念的能力”。实际上，人运用模糊概念的时间占了生活的大部分，对这些具有模糊概念和性质的问题采用模糊数学的方法是无法恰当解决的。 ;上述这些也就是模糊逻辑立足于解决的问题。当前模糊逻辑已经被广泛地应用于人们的生产和生活的各个领域，特别在工业控制和自动化领域，模糊逻辑的各种新应用、新产品层出不穷。相对于精确逻辑，模糊逻辑具有如下特点: (1)模糊逻辑是柔性的。对于给定的系统，很容易处理以及直接增加新功能，而不需从头做起。 (2)模糊逻辑建立在自然语言的基础上，对数据的精确性要求不高。 (3)模糊逻辑能充分利用专家信息。 (4)模糊逻辑易与传统的控制技术相组合。;创新点;创新点;二、①模糊集合;②语言变量;( x , T(x) , U , G , M );③模糊规则库;④模糊推理机;⑤模糊产生器;⑥模糊消除器;三、遗传算法（略）;四、设计模糊分类器的进化方法;有许多构建分类器的方法，如统计模型，神经网络及模糊逻辑系统。 模糊逻辑具有处理不确定性和模糊性的强大能力，所以它已经被应用于若干复杂的分类系统中。模糊逻辑将类别重叠的事实和软决策机制引入分类系统中，因此，一个模式可能以不同的隶属度属于若干类别。 此外，模糊分类器由if-then模糊规则集组成，规则集既能使我们洞察分类器的结构，又能提高系统的可解释性。;一般而言，通过将领域知识编码为模糊规则即可建立模糊分类器，但许多情况下，领域知识要么不存在，要么不完整。此时，必须从训练数据中建立分类器。 目前，直接从数据中自动建立和学习模糊if-then分类规则的方法有神经——模糊技术，聚类方法和进化算法。;上述模糊分类器的性能与基于神经网络和统计学的分类技术类似。研究表明神经网络与模糊系统是等价的并可相互转换。 模糊分类器的优点在于其规则库结构的可解释性，因为用语言形式表示的模糊分类规则更易于解释和检验。结果的可解释性与模糊规则的数量有关，规则较少的模糊系统往往有更好的可解释性。 此外，小的规则库能够消除系统的过拟合现象、增强系统的泛化能力和鲁棒性，从而使性能得以改善。;已提出若干方法用于设计紧致的可解释性模糊系统，如选择策略，迭代复杂性归约技术及基于GA的多目标优化。 文献[9]用基于GA的方法从一个较大的候选规则库中选择少量重要的模糊规则，从而建立紧致的高精度的模糊分类器。文献[10]提出一个具有复杂性归约的模糊建模方案，算法先用模糊聚类获得初始模型，然后迭代应用规则库归约和基于GA的优化技术提高精度并降低复杂度。文献[11]中定义了度量模糊系统紧致险的若干准则，再用多目标GA技术导出最小模糊系统。文献[12]和[13]阐述了基于模糊规则的系统设计方法，并用TSK模糊系统获得紧致规则库。;模糊逻辑在无监督分类方面的典型算法是模糊C—均值聚类，但模糊逻辑在有监督分类上的应用并未在著名文献上看到，最近发表的VISIT(variable input spread inference training, VISIT)方法是在这方面的一个有益尝试。 本章将适当修改后的VISIT算法与遗传算法相结合，构造了一个有监督的模糊分类器设计新方法，并提出了一个模糊专家系统来实现兼顾精度和可解释性的适应度函数。;对VISIT的修改如下: （1）原始VISIT算法假定所有的论域是等同的，因此在算法开始时选定的是标量值w, a和σ。 然而，在许多实际系统中，不同的特征其作用的论域往往也不同，所以我们将原VISIT算法中的标量参数用3个向量参数W, A和Σ代替，给W, A和Σ选择不同的值，将在相同的数据集上产生不同的模糊系统。 ;（2）原算法只以精度作为唯一的评价标准，新算法则兼顾了精度和可解释性的平衡性，因为可解释性是