基于解释性和精确性的模糊建模方法研究研究的目的与意义(四)

融合对模糊模型进行约简，获得精确性和解释性较好折衷的模糊模型．
第四章研究了一种基于协同进化算法的模糊模型设计方法．该方法将模糊建模的主要因素，如隶属函数参数、模糊规则的前件和模糊规则数等编码为不同的种群，利用协同进化算法同时优化模糊模型的结构与参数．协同进化算法的适应度函数同时考虑模型的精确性和解释性，采用分量加权求和法将多目标优化转化单目标优化．对于高维复杂问题，通过Simba算法计算每一输入变量的重要性来进行变量的选择．将该方法用于T-S模糊模型与模糊分类系统的建模仿真研究，仿真结果验证了本文方法的有效性．针对模糊模型的结构参数与协同进化算法的参数，定性的分析了它们对模糊建模的影响，为后续的研究奠定了基础．
第五章在第四章模糊建模方法的基础上，研究了一种基于Pareto协同进化算法的多目标模糊建模方法．提出一种基于非支配排序的多种群合作策略，从而避免了第四章协同进化算法中适应度函数加权因子的设定问题，且算法运行一次可以获得一组不同精确性和解释性的模糊模型．
第六章提出一种基于混合协同进化算法的模糊分类系统设计方法．该方法综合了Michigan型遗传算法与Pittsburgh型遗传算法的优点，采用Michigan型算法获得一系列优化的模糊规则，然后利用基于Pittsburgh编码方式的Pareto协同进化算法对模糊分类系统进行优化．该混合协同进化算法具有Michigan型算法的局部优化能力和Pittsburgh型算法的全局寻优能力．
第七章总结了本文所做的主要工作和取得的成果，并对基于解释性和精确性模糊建模的未来研究方向进行了展望，提出了若干需要解决和研究的问题．

首页 上一页 1 2 3 4 下一页 尾页 4/4/4

基于解释性和精确性的模糊建模方法研究研究的目的与意义(四)相关范文