基于Pareto协同进化算法的TS模糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法．该方法由以下两步组成：1）采用模糊聚类算法辨识初始模型;2）利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化．Pareto协同进化算法由规则前件种群和隶属函数种群组成,其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略．利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性．     

基于微分进化算法的模糊模型设计

提出一种基于微分进化算法的TS模糊模型设计方法。该方法利用“匹茨堡型”实数编码的微分进化算法,对初始模糊模型的结构和参数进行学习。微分进化算法的目标函数同时考虑模型的精确性和解释性。利用该方法进行一类合成非线性动态系统的辨识,仿真结果验证了该方法的有效性。     

基于Pareto协同进化算法的TS糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法.该方法由以下两步组成:1)采用模糊聚类算法辨识初始模型;2)利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化.Pareto协同进化算法由规则前件种群和隶属函数种群组成, 其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略.利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性.     

基于多目标遗传算法的TS模糊模型设计

提出一种利用遗传算法进行TS模糊模型的优化设计方法。首先定义了TS模糊模型的精确性指标,给出模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型;利用多目标遗传算法优化模糊模型;为提高模型的解释性,在遗传算法中利用基于相似性的模糊集合和模糊规则简化方法对模型进行约简。最后利用该方法进行一类二阶合成非线性动态系统的建模,仿真结果验证了该方法的有效性。     

基于协同进化算法的高维模糊分类系统的设计

基于协同进化算法,提出一种高维模糊分类系统的设计方法．首先定义系统的精确性指标,给出解释性的必要条件,利用聚类算法辨识初始模型．相互协作的3类种群分别代表系统的特征变量、规则前件和模型隶属函数的参数,适应度函数采用3类种群合作计算的策略,在算法运行中利用基于相似性的模型简化技术约简模糊系统,最后利用该方法对Wine问题进行研究．仿真结果表明该方法能够对高维分类问题的特征变量进行选择,同时利用较少规则和模糊集合数达到较高的识别率．     

基于改进遗传算法的TS模糊模型的优化设计

提出了一种新的将隶属度函数和规则库统一编码的改进遗传算法进行TS模糊模型整体优化设计的方法。利用FCM算法和最小二乘法辨识初始的模糊模型;利用改进遗传算法整体优化模糊模型,克服了以往将模型结构和参数分开优化的缺陷。为了提高模型的解释性,提出了将基于相似性的模糊集合和模糊规则的简化方法用于对模型的约简,并利用该方法对Mackey-Glass混沌序列建模。仿真结果验证了该方法的有效性。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标,给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型;采用多目标遗传算法优化模糊模型;为提高模型的解释性,在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模,仿真结果验证了该方法的有效性。     

采用DNA进化算法优化设计TS模糊控制器

The DNA evolutionary algorithm(DNA-EA)and the DNA genetic algorithm(DNA-GA)based on a new DNA encoding method are propsed based on the structure and the genetic mechanism of biological DNA. The DNA-EA and the DNA-GA are applied into the optimal design of TS fuzzy control system. The simulation results show the effectiveness of the two DNA algorithms, excellent self-learning capability. However, the DNA-EA is superior to the DNA-GA in the simulation performance.     

复杂模糊分类系统的协同进化设计方法

提出一种基于协同进化算法的复杂模糊分类系统的设计方法．该方法由以下3步组成:1)利用Simba算法进行特征变量选择;2)采用模糊聚类算法辨识初始的模糊模型;3)利用协同进化算法对所获得的初始模糊模型进行结构和参数的优化．协同进化算法由三类种群组成;规则数种群,规则前件种群和隶属函数种群;其适应度函数同时考虑模型的精确性和解释性,采用三类种群合作计算的策略．利用该方法对多个典型问题进行分类,仿真结果验证了方法的有效性．     

基于Pareto烟花算法的模糊分类系统设计

为提高模糊模型的精确性,利用烟花算法并结合Pareto最优解集的概念,提出一种模糊建模方法。采用模糊聚类方式构建初始模糊模型,使用烟花算法对模型的结构和参数进行优化学习。在每次迭代运算过程中,通过快速非支配排序算法和Pareto最优解集的概念对子代进行评估和选择。对Wine数据样本集进行仿真实验,结果表明,该方法能够在保证较高分类精度的前提下,建立结构简单、易于理解的模糊分类系统。     

数据聚类的共同进化方法

共同进化算法是一种新的进化算法,由于它采用了解空间分离编码,能有效地克服一般进化算法中固有的早熟收敛问题。该文针对数据聚类问题——当前数据挖掘与探查性数据分析中的一个重要课题——将数据聚类问题抽象成为一个赋值图的分割问题,应用共同进化算法来加以解决,使得聚类的结果不必依赖于初始聚类中心,并对该算法的性能加以分析。将该算法与一般的遗传算法相比较,通过实验证明了该算法的优越性能。     

采用DNA 遗传算法优化设计的TS模糊控制系统

基于生物 DNA的结构和遗传机理 ,提出一种新颖的基于 DNA编码方法的遗传算法。给出了DNA遗传算法的结构 ,讨论了遗传操作算子。为验证 DNA遗传算法的有效性 ,将其应用于 TS模糊控制系统的优化设计 ,仿真结果表明该算法具有较好的自学习能力。     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘中的重要方法。为了克服FCM初始值敏感、客易陷入局部最优解以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,在分析FCM算法和基于道传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,先以免疫单亲遗传聚类算法初始化,找到接近全局的最优解,再用FCM算法进行求解。实验表明,它既较好地解决了局部最优问题,又可以利用FCM的优点来提高整体的收敛速度。     

一种基于遗传算法的模糊内模控制方法

针对一类非线性过程,提出了基于T-S模糊模型的非线性内模控制方法.使用遗传算法和模糊聚类方法进行模糊建模,解决了非线性内模控制方法中建立精确的模型及其逆模型困难的问题.通过模糊辨识获得过程的T-S模型及逆模型,并以此设计了内模控制器.最后,将该方法应用于一类非线性过程的控制,仿真结果表明该方法的有效性.