基于模糊分类关联规则的分类系统

为了构建高性能的分类系统，应用模糊集软化数量型属性的划分边界，提出了模糊分类关联规则的挖掘算法。由于模糊集能很好地贴近人类的思维方式，因此挖掘得到的模糊分类关联规则易于被人理解．接着提出了基于模糊分类关联规则的分类系统，并采用遗传优化算法训练分类系统．实例分析的结果表明，基于模糊分类关联规则的分类系统具有较好的精度和可解释性．     

资源受限项目调度问题的改进文化微粒群算法求解

为了克服标准微粒群算法在求解资源受限项目调度问题上存在的早熟现象,提出一种改进的文化微粒群算法。该算法框架基于微粒群算法的主群体空间和文化算法的知识空间,两种空间具有各自的群体并可独立并行演化,形成双演化双促进机制,提高了算法的全局搜索能力和运行效率。同时为了避免文化算法知识空间自我演化限制,引入遗传算法的演化机制来改进知识空间的演化操作。通过具体的算例比较,验证了提出的改进文化微粒群算法在求解资源受限项目问题时的有效性。     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

利用多群交叉变异人工鱼群算法生成分类规则

在基本人工鱼群算法的基础之上构建了用于解决连续变量空间分类规则提取的多群体人工鱼群算法,根据分类规则提取问题的特性设计了人工鱼的编码规则,并在此编码基础上定义了进行规则评价的适应值函数以及相关状态更新公式。为克服人工鱼群算法易陷入局部最优解的缺陷,引入了遗传算法中的交叉变异思想,设计了基于人工鱼的交叉及变异算子,提出了利用多种群交叉变异人工鱼群算法生成分类规则的算法思想。利用Iris和Wine数据集作为测试数据,结果表明：（1）该算法能够快速生成精度较高的分类规则;（2）在收敛效率及规则精度上全面优于基本多群体人工鱼群算法,并达到了多群体微粒群算法的性能水平。     

一种嵌入局部混沌搜索的混合微粒群优化算法

该文研究了基于种群演化的微粒群优化算法,针对此算法在迭代的过程中陷入局部极小点而产生群体演化停滞的现象,提出了一种嵌入局部混沌搜索的混合微粒群优化算法。此混合方法利用混沌迭代的遍历性来增强算法的局部精确搜索能力从而达到全局搜索性能和局部搜索性能的平衡,使群体快速脱离停滞状态。实验结果表明,相比于其他演化搜索算法如标准微粒群算法,标准遗传算法和改进微粒群算法,嵌入局部混沌搜索的混合微粒群算法在收敛性和鲁棒性方面得到了较大的改善,很大程度上避免了演化停滞现象的发生,是一种高效的搜索方法。     

一种求解背包问题的混合遗传微粒群算法

背包问题是计算科学理论中一个著名的NP-hard问题,也是典型的组合优化问题,在物流系统的库存分配和货物装载等方面都有非常重要的应用.采用借鉴遗传算法的编码、交叉和变异的遗传微粒群算法对背包问题进行求解.为了增强遗传微粒群算法的搜索性能,将基于自学习规则的启发式算法与遗传微粒群算法相结合得到混合遗传算法用于求解背包问题.对多个标准测试实例的仿真计算表明,该算法能有效求解KP问题.     

利用多群体PSO算法生成分类规则

本文通过对PSO算法模型和分类模型的分析,提出了应用多群体PSO算法实现分类规则的方法。这种方法将c（c≥2）类问题看成是c个两类问题,应用c个微粒群表示c类规则,每个微粒群应用PSO算法实现对连续变量空间的分类。最后,在五个数据集上的实验结果表明了此方法的可行性和有效性,并与C4.5算法的结果进行了比较。     

一种基于PFLC的可演化模糊逻辑控制器设计与实现

常规的模糊控制器主要通过计算机软件或单片机实现,但模糊控制器是一个高度并行的系统,实时性、自适应性要求较高,这种实现方式不能满足现代模糊控制器的设计要求。要解决这个问题必须从算法和器件结构入手。本文提出以可编程模糊逻辑控制器芯片（PFLC）作为可演化的部件,利用遗传算法优化生成模糊规则的演化硬件结构。模糊规则的自适应性是通过引入可调整因子,根据环境的变化自寻优获得。以典型二阶系统模糊控制为例进行仿真实验,其结果表明了这个可演化的模糊逻辑控制器结构的可行性。     

模糊决策树在公共危机应急系统中的应用

针对公共危机应急系统数据库中数据庞杂,记录分类较难的情况,提出了一种采用遗传算法选择参数的模糊决策树算法,提高了决策树分类算法的准确率和得到规则的可解释性。将设计的分类器应用到实际的公安系统数据库当中,在对原有记录进行分类的基础上,得到了有效的规则,成功地帮助警务人员对当前的危急事件做出快速准确的预测和判断。     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

一种基于微粒群的模糊聚类算法

模糊聚类的FCM算法由于得不到各聚类的解析解,使其在某些应用中出现问题。为此,该文提出了一种基于微粒群理论的模糊聚类方法,利用微粒群自动调整各模糊聚类的中心点及其隶属函数参数,使模糊聚类符合数据分布特征,同时得到各聚类的隶属函数解析解。通过典型模糊分类问题,说明了该算法的有效性。     

一种基于类覆盖和粒子群优化的模糊神经网络系统

提出一种基于类覆盖获取有向图和粒子群优化方法的模糊神经网络模式识别系统模型,该模型利用改进的贪心算法获得半径较均匀的超球体类覆盖,再利用超球体类覆盖实现模糊输入空间划分和模糊IF-THEN规则提取,以此实现模糊神经网络系统的结构辨识;采用改进的模糊加权型Mamdani推理法确定系统的输出,并使用基于粒子群优化的算法对系统参数进行精炼,使系统具有很好的强壮性和识别率．对11种矿泉水味觉信号的识别实验结果证明了该系统的可行性和有效性．     

基于QPSO的模糊分类系统优化设计

提出了构建模糊分类系统的有效方法.通过量子位选择的方法对初始的模糊规则进行优化,减少种群规模、提高全局搜索能力,且可以大幅缩短训练时间,达到快速收敛、有效分类的目的.为了优化模糊分类空间和减少模糊规则数目,提出了量子行为粒子群优化(QPSO)算法,提高初始模糊分类系统的性能.实验结果证明:优化方法较之其他方法更有效率,准确率更高.     

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．     

Power quality time series data mining using S-transform and fuzzy expert system

This paper presents a new approach for power quality time series data mining using S-transform based fuzzy expert system (FES). Initially the power signal time series disturbance data are pre-processed through an advanced signal processing tool such as S-transform and various statistical features are extracted, which are used as inputs to the fuzzy expert system for power quality event detection. The proposed expert system uses a data mining approach for assigning a certainty factor for each classification rule, thereby providing robustness to the rule in the presence of noise. Further to provide a very high degree of accuracy in pattern classification, both the Gaussian and trapezoidal membership functions of the concerned fuzzy sets are optimized using a fuzzy logic based adaptive particle swarm optimization (PSO) technique. The proposed hybrid PSO-fuzzy expert system (PSOFES) provides accurate classification rates even under noisy conditions compared to the existing techniques, which show the efficacy and robustness of the proposed algorithm for power quality time series data mining.     

Development of Granular Fuzzy Relation Equations Based on a Subset of Data

Developing and optimizing fuzzy relation equations are of great relevance in system modeling, which involves analysis of numerous fuzzy rules. As each rule varies with respect to its level of influence, it is advocated that the performance of a fuzzy relation equation is strongly related to a subset of fuzzy rules obtained by removing those without significant relevance. In this study, we establish a novel framework of developing granular fuzzy relation equations that concerns the determination of an optimal subset of fuzzy rules. The subset of rules is selected by maximizing their performance of the obtained solutions. The originality of this study is conducted in the following ways. Starting with developing granular fuzzy relation equations, an interval-valued fuzzy relation is determined based on the selected subset of fuzzy rules (the subset of rules is transformed to interval-valued fuzzy sets and subsequently the interval-valued fuzzy sets are utilized to form interval-valued fuzzy relations), which can be used to represent the fuzzy relation of the entire rule base with high performance and efficiency. Then, the particle swarm optimization (PSO) is implemented to solve a multi-objective optimization problem, in which not only an optimal subset of rules is selected but also a parameter ε for specifying a level of information granularity is determined. A series of experimental studies are performed to verify the feasibility of this framework and quantify its performance. A visible improvement of particle swarm optimization (about 78.56% of the encoding mechanism of particle swarm optimization, or 90.42% of particle swarm optimization with an exploration operator) is gained over the method conducted without using the particle swarm optimization algorithm.      

Collective robotic search using hybrid techniques: Fuzzy logic and swarm intelligence inspired by nature

This paper presents two new strategies for navigation of a swarm of robots for target/mission focused applications including landmine detection and firefighting. The first method presents an embedded fuzzy logic approach in the particle swarm optimization (PSO) algorithm robots and the second method presents a swarm of fuzzy logic controllers, one on each robot. The framework of both strategies has been inspired by natural swarms such as the school of fish or the flock of birds. In addition to the target search using the above methods, a hierarchy for the coordination of a swarm of robots has been proposed. The robustness of both strategies is evaluated for failures or loss in swarm members. Results are presented with both strategies and comparisons of their performance are carried out against a greedy search algorithm.     

基于聚类分析的模糊分类系统构造方法

提出一种新的利用样本数据构造模糊分类系统的方法.首先对每一类样本进行聚类分析,提出一种自适应确定各类别聚类数目的迭代算法,从而实现对特征空间的划分.然后对每个特征子空间产生一条模糊规则,将所有的规则组合在一起形成初始模糊分类系统,并对该系统进行结构简化和参数优化,在系统结构尽可能简单的前提下,进一步提高系统的分类性能.最后利用该方法对二维特征空间的两类样本和Iris数据样本进行分类.仿真结果表明,该方法能利用较少的模糊分类规则达到较高的识别率.     

一种基于模糊学习子群的多目标粒子群算法

为提高多目标粒子群算法的局部搜索能力,提出了一种模糊学习子群多目标粒子群算法(FLSMOP-SO).在搜索过程中,每个粒子模糊自适应学习生成不确定的p个粒子形成一个子群而不是只产生一个新粒子,然后在其中选择模糊满意解作为其下一代新粒子.对四个典型测试函数的实验结果表明,新算法比NSGAⅡ和MOPSO两种经典多目标优化算法有显著的优越性.     

基于粒子群优化算法和模糊熵的多级阈值图像分割算法

针对现有阈值分割算法利用穷举搜索寻找最优阈值而造成的计算成本较大的问题,提出了一种基于粒子群优化算法和模糊熵的多级阈值图像分割算法。图像分割是图像分析中非常重要的预处理步骤,在提出的方法中,首先选择香农熵和模糊熵作为优化技术的目标函数;然后建立一种基于粒子群优化算法的多层次图像阈值分割,通过最大化香农熵或模糊熵进行图像分割。最后从图像分割数据库中选取Lena、baboon和airplane作为测试图像进行性能分析（包括鲁棒性、效率和收敛性）,并与现有的几种阈值分割算法进行比较。结果显示,提出的算法得到了更高PSNR值和更少的分类误差,证明了该算法是一种高效的多级阈值图像分割算法。