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.     

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。     

模糊Petri网与遗传算法相结合的优化策略

如何确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义，一直是尚未解决的难题。文中首次将遗传算法引入到模糊Petri网的参数寻优过程，提出了一种基于遗传算法的参数寻优算法，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，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功能。     

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。     

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。     

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。     

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。     

基于加权FPN的聚驱综合调整系统决策分析

模糊Petri网(Fuzzy Petri Nets, FPN)是一种适合于描述异步并发事件的计算机系统模型,可以有效地对并行和并发系统进行形式化验证和决策分析.针对聚驱综合调整系统知识具有不确定性和模糊性的特点,给出了基于加权模糊产生式规则的加权FPN决策模型.在此模型的基础上,给出了决策推理过程的形式化推理算法.算法考虑了推理过程中的众多约束条件,将复杂的推理过程采用矩阵运算来实现,充分利用了FPN的并行处理能力,使决策推理过程更加简单和快速.并以压裂方式调整为例,说明了该模型具有直观、表达能力强和易于推理等优点,具有较强的实用价值.     

可持续闭环供应链网络设计的多目标模糊规划问题

为解决不确定条件下可持续闭环供应链网络设计的问题,以成本和环境影响最小、社会影响最大为目标,建立带有模糊参数的多目标闭环供应链网络规划模型.首先采用Me测度处理相关模糊目标和参数,并运用加权增广Epsilon-约束方法解决多目标问题,在此基础上设计一种基于[0, 1]随机数的双层编码遗传鲸鱼(GA–WOA)混合算法进行求解,然后构造多个不同规模算例,将混合算法求解结果与CPLEX、遗传算法的求解结果进行对比,结果证明该编码方式和混合算法具有合理性.最后针对模型的多个参数变化进行分析,以验证所建模型的可行性.     

Various hybrid methods based on genetic algorithm with fuzzy logic controller

In this paper we propose several efficient hybrid methods based on genetic algorithms and fuzzy logic. The proposed hybridization methods combine a rough search technique, a fuzzy logic controller, and a local search technique. The rough search technique is used to initialize the population of the genetic algorithm (GA), its strategy is to make large jumps in the search space in order to avoid being trapped in local optima. The fuzzy logic controller is applied to dynamically regulate the fine-tuning structure of the genetic algorithm parameters (crossover ratio and mutation ratio). The local search technique is applied to find a better solution in the convergence region after the GA loop or within the GA loop. Five algorithms including one plain GA and four hybrid GAs along with some conventional heuristics are applied to three complex optimization problems. The results are analyzed and the best hybrid algorithm is recommended.     

一种新聚类算法在模糊神经网络中的应用

本文介绍一种新的聚类方法，不需预先知道聚类数目，通过迭代运算使训练样本收敛 到聚类中心，进而实现对样本的聚类，并给出了算法的理论证明．将该算法应用到模糊神经 网络中去，根据聚类结果建立一阶TSK模糊神经网络，然后使用混合算法训练网络参数，分 别用梯度下降法调整前提参数，递推最小二乘法调整结论参数．最后，列举实例证明该算法 的有效性．     

Multi-objective optimization of TSK fuzzy models

In this paper we propose a hybrid algorithm to optimize the structure of TSK type fuzzy model using backpropagation (BP) learning algorithm and non-dominated sorting genetic algorithm (NSGA-II). In a first step, BP algorithm is used to optimize the parameters of the model (parameters of membership functions and fuzzy rules). NSGA-II is used in a second phase, to optimize the number of fuzzy rules and to fine tune the parameters. A well known benchmark is used to evaluate performances of the proposed modelling approach, and compare it with other modelling approaches.     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

基于局部线性聚类算法的模糊建模

提出了一种新的基于T-S模糊模型的建模方法，首先通过一种局部线性聚类算法，自适应确定模糊规则数目及初始T-S模型的前提和结论参数，建立相应的一阶T-S模糊神经网络．并用梯度下降和递推最小二乘混合算法训练网络参数，从而提高建模精度．最后，通过两个仿真实例验证了本文方法的有效性．     

使用新混合模糊聚类算法的模糊系统建模方法

为了进一步提高模糊系统建立模型的精度,提出一种新的模糊系统算法ANFIS-HC-QPSO：采用一种混合型模糊聚类算法来对模糊系统的输入空间进行划分,每一个聚类通过高斯函数的拟合产生一个隶属度函数,即完成ANFIS系统的前件参数--隶属度函数参数的初始识别,通过具有量子行为的粒子群算法QPSO与最小二乘法优化前件参数,直至达到停机条件,最终得到ANFIS的前件及后件参数,从而得到满意的模糊系统模型。实验表明,AN-FIS-HC-QPSO算法与传统算法相比,能在只需较少模糊规则的前提下就使模糊系统达到更高的精度。     

求解TSP的蚁群与模糊自适应粒子群算法

为了解决规模复杂的旅行商问题,提出了融合蚁群算法和粒子群算法的一种群体智能混合算法,并构建了惯性权值模糊自适应调整模型。针对此混合算法易陷入局部最优,设计了参数自动调节机制,以达到局部搜索和全局搜索之间的平衡。在搜索的初期时,参数[ω]会自适应调整为较大值,则算法应具有很强的全局搜索能力;当进入搜索的后期时,参数[ω]会自适应调整为较小值,则算法应具有较强的局部搜索能力。通过大量仿真实验表明,改进的混合算法搜索能力优于同类算法和传统算法,而且该模型应用在大规模TSP中,获得了满意的效果。     

基于模糊对向神经网络的非线性动态系统辨识器

模糊对向神经网络（ＦＣＰ）在功能上同模糊逻辑系统的ＴＳ模型是等价的,它具有神经网络和模糊逻辑系统各自的优点,因而适宜作辨识模型。     

A hybrid fuzzy-GA algorithm for the integrated machine allocation problem with fuzzy demands

The integrated machine allocation and facility layout problem (IMALP) is a branch of the general facility layout problem in which, besides selecting machine locations, the processing route of each product is determined. Most research in this area suppose that the flow of material is certain and exact, which is an unrealistic assumption in today's dynamic and uncertain business environment. Therefore, in this paper the demand volume has been assumed as fuzzy numbers with different membership functions. To solve this problem, the deterministic model is first integrated with a fuzzy implication via the expected value model, and thereafter an intelligent hybrid algorithm, including a genetic algorithm and a fuzzy simulation approach has been applied. Finally, the efficiency of the proposed algorithm is evaluated with a set of numerical examples. The results show the effectiveness of the hybrid algorithm in finding the IMALP solutions.