基于遗传-BP算法的FPN参数优化的研究

如何确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立意义重要，一直是尚未解决的难题。该文把遗传算法与BP算法相结合，引入到模糊Petri网的参数寻优过程，提出了一种基于二阶段的FPN模型的参数优化策略，该策略实现不依赖于经验数据，对初始输入无严格要求。仿真实例表明，经二阶段优化后训练出的参数正确率很高，且所得的FPN模型具有较强的泛化能力和自适应功能。     

人工鱼群算法在FPN参数优化中的应用

模糊产生式规则置信度的确定在很大程度上依赖专家的经验,难以获得精确的结果。针对该问题,将人工鱼群算法引入模糊Petri网(FPN)的置信度寻优过程中,提出一种基于改进人工鱼群算法的参数优化算法,不依赖于经验数据,对初始输入无严格要求。实验结果表明,该算法训练出的模糊Petri网参数正确率较高,能提高FPN的自学习能力,降低实际应用难度。     

优化模糊Petri网参数的一种混合智能算法

确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义,是目前研究热点之一.提出了一种充分结合量子粒子群优化算法QPSO(Quantum-behaved partide swarm optimization algorithm)和BP网络学习算法各自优点的混合智能算法HQBA,并将其引入到模糊Petri网的参数寻优过程.仿真实例表明,这种混合算法计算简单,收敛速度快,能够明显减少迭代次数,具有更好的全局收敛性能.由此训练出的参数正确率较高,所得的FPN具有很强的泛化能力和自适应性.     

采用改进的进化策略优化模糊Petri网参数

模糊产生式规则的各项参数对模糊Petri网（FPN）的建立具有非常重要的意义,寻找一种可以得到合适的FPN参数的方法一直是Petri网研究领域的热点与难点。已有的寻优方法得到的参数还不太令人满意。对传统进化策略做了改进,并采用改进后的进化策略,研究了一种FPN参数优化的新方法。仿真实验的结果表明,改进后的进化策略能提高FPN的参数精度,从而增强了FPN对知识的分析、推理能力。     

基于BP网络的模糊Petri网的学习能力

模糊Petri网(Fuzzy Petri Nets，FPN)是基于模糊产生式规则的知识库系统的良好建模工具，但自学习能力差是模糊系统本身的一个缺点．该文提出了适合模糊Petri网模型自学习的模糊推理算法和学习算法．在模糊推理算法中，通过对没有回路的FPN模型结构进行层次式划分以及建立变迁点燃和模糊推理的近似连续函数，从而把神经网络中的BP网络算法自然地引入到FPN模型中．在FPN模型上，用误差反传算法计算一阶梯度的方法对模糊产生式规则中的参数进行学习和训练．经过学习和训练的FPN具有很强的泛化能力和自适应功能．FPN模型经过训练得到的参数是有特定含义的，可以通过对这些参数的合法性分析，使得模糊产生式规则系统更加有效，也对知识库系统的建立、更新和维护有着重要的意义．     

基于蚁群-遗传算法的模糊Petri网参数优化算法

在模糊Petri 网（FPN）的建立过程中如何确定模糊产生式规则的各项参数是尚未解决的热点问题。将蚁群算法和遗传算法相结合,提出了GAACA算法。仿真实验表明：该算法具有很强的泛化能力和自适应功能,能够达到参数优化的目的。     

蚁群算法在模糊Petri网参数优化中的应用研究

如何确定模糊产生式规则的各项参数对模糊Petri网的建立意义重大。把蚁群算法中的最大 最小系统引入到模糊Petri网的参数寻优过程，提出一种基于线程实现技术的参数优化算法。该算法实现不依赖于经验数据，对初始输入无严格要求。仿真实例表明，经蚁群线程优化算法训练出的参数正确率较高，且所得的模糊Petri网具有较强的泛化能力和自适应功能。     

一种模糊Petri网参数优化的有效方法

本文根据模糊Petri网运行时连续性的特点,以蚁群算法为基础,提出了一种带交叉、变异因子的模糊Petri网参数值寻优的有效方法。该方法先用分层思想建立无环路的FPN模型,然后把它转化为类前向神经网络以确定输入—输出层关系,并将网络中各参数的值域均分为10等份,在图形中用10个城市来表示,再用蚁群算法进行路径的寻优,寻优后,在蚁群选定的值域上产生具体的分量解,最后由误差函数确定是否需要重新寻优。仿真程序实例表明经蚁群优化算法训练出的参数正确率较高,且不依赖于经验输入数据。     

基于模糊Petri网学习能力问题的最优化算法

在分析模糊Petri网推理机制的基础上,将优化算法ACA(Ant Colony Algorithm)引入至FPN(Fuzzy Petri Net)的学习能力问题中.针对一知识库系统的具体实例,探讨该算法在FPN学习能力问题中的具体实现,并结合传统优化算法对比分析了它们各自的特点和性能优劣.仿真实验表明,ACA算法整体性能最佳,训练出的参数正确率较高,且所得的模糊Petri网具有很强的泛化能力和自适应功能.     

一种模糊Petri阿参数优化的有效方法

本文根据模糊Petri网运行时连续性的特点,以蚁群算法为基础,提出了一种带交叉、变异因子的模糊Petri网参数值寻优的有效方法.该方法先用分层思想建立无环路的FPN模型,然后把它转化为类前向神经网络以确定输入-输出层关系,并将网络中各参数的值域均分为10等份,在图形中用10个城市来表示,再甩蚁群算法进行路径的寻优,寻优后,在蚁群选定的值域上产生具体的分章解,最后由误差函数确定是否需要重新寻优.仿真程序实例表明经蚁群优化算法训练出的参数正确率较高,且不依赖于经验输入数据.     

克隆选择算法在优化模糊Petri网参数中的应用

如何确定模糊产生式规则的各项参数对模糊Petri网的建立具有重要意义,但一直是尚未解决的难题。首次把克隆选择算法引入到模糊Petri网的参数寻优过程,提出一种基于线程实现技术的参数优化算法,该算法实现不依赖于经验数据,对初始输入无严格要求。仿真实例表明,经克隆选择线程优化算法训练出的参数正确率较高,且所得的模糊Petri网具有较强的泛化能力和自适应功能。     

一种模糊Petri网的逆向知识推理方法设计实现

模糊Petri网是模糊产生式知识表示和推理的理想工具.针对基于模糊产生式规则的知识库,在已知决策目标的前提下,设计了该知识库的模糊Petri网模型及基于递归的逆向知识推理方法,并以实例时该方法进行了验证.对于任意指定的库所,通过该方法可以确定其模糊托肯值,即对应命题的模糊真值.该方法的逻辑表达力强,利于计算机实现,而且其逆向推理策略能有效减少计算空间,使计算在一个复杂的模糊Petri网系统的子系统中进行,提高了计算效率.     

采用差分进化算法优化模糊Petri网参数

如何有效地确定模糊Petri网（FPN）的各项参数、摆脱自学习能力差的缺点,一直是悬而未决的问题。针对此问题,将差分进化算法首次引入到FPN参数优化中,根据FPN的实际特征,提出了一种改进的差分进化算法。算法采用混沌策略产生初始种群,融合自适应变异因子及早熟惩罚策略提高种群多样性,同时保证很强的收敛性与全局性。仿真实验表明,将改进的差分进化算法与传统算法相比较,收敛到理想参数值的速度提高了5倍。     

Designing genetic regulatory networks using fuzzy Petri nets approach

In this paper, we have successfully presented a fuzzy Petri net (FPN) model to design the genetic regulatory network. Based on the FPN model, an efficient algorithm is proposed to automatically reason about imprecise and fuzzy information. By using the reasoning algorithm for the FPN, we present an alternative approach that is more promising than the fuzzy logic. The proposed FPN approach offers more flexible reasoning capability because it is able to obtain results with fuzzy intervals rather than point values. In this paper, a novel model with a new concept of hidden fuzzy transition (HFT) to design the genetic regulatory network is developed. We have built the FPN model and classified the input data in terms of time point and obtained the output data, so the system can be viewed as the two-input and one output system. This method eliminates possible false predictions from the classical fuzzy model thereby allowing a wider search space for inferring regulatory relationship. The experimental results show the proposed approach is feasible and acceptable to design the genetic regulatory network and investigate the dynamical behaviors of gene network.     

一种自适应模糊Petri网及其应用*

模糊Petri网(fuzzy Petri nets, FPN)是基于模糊产生式规则的知识库系统的有力建模工具,但其缺乏较强的自学习能力。在FPN的基础上引入神经网络技术,给出了一种自适应模糊Petri网(adapt fuzzy Petri nets, AFPN)模型。该模型将神经网络中的BP网络算法引入到FPN模型中,对FPN中的权值进行反复的学习训练,避免了依靠人工经验设置带来的不确定性。AFPN具有很强的推理能力和自适应能力,对知识库系统的建立、更新和维护有着重要的意义。