基于遗传算法的动态模糊模型辨识非线性系统方法

针对复杂的动态系统,提出了一种基于遗传算法的模糊模型辨识方法,给出了学习模糊规则的新算法,探讨模糊推理方法和遗传学习算法用于非线性系统建模的问题,仿真结果证明了该算法的有效性。     

一种使用遗传睡法生成模糊控制器的方法

提出一种使用遗传算法生成模糊控制器的方法，设计人员只需设置性能数或适值函数，而模糊规则的数目，隶属函数的参数以及模糊控制器的规则都可通过遗传算法自动生成。描述了一种具有局部优化机制的遗传算法，给出的应用实例表明算法具有良好的适用性。     

1种基于密歇根编码的模糊分类系统设计方法

兼顾模糊系统精确性和解释性,提出1种基于遗传算法的模糊分类系统设计方法.该算法在考虑模糊分类系统解释性的前提下,基于数据样本构建完整的规则集,并采用密歇根编码方式优化规则集和隶属函数参数,在保证系统解释性的同时提高了系统的精确性,仿真实验结果验证了该方法的有效性.     

一种基于模糊聚类和遗传算法的模糊神经网络模型的学习算法

提出了一种基于模糊聚类和遗传算法的模糊神经网络的学习算法,采用 模糊Ｃ－均值聚类算法进行模糊神经网络模型的结构辨识,得出最优或次优的模 糊规则数,采用改进的遗传算法进行系数辨识。仿真结果证明该算法是可行和有 效的。     

基于多目标遗传算法的模糊分类系统设计

提出了一种基于多目标遗传算法的模糊建模方法,实现了具备最大分类精度、最少特征变量和模糊规则数目的模糊分类系统的设计.首先,为缓解维数灾难问题,采用多目标遗传算法进行特征变量的选择和论域的模糊划分,构造基于栅格划分的初始模糊分类系统.然后为减少规则数目,提高模糊系统的解释性,采用遗传算法进行规则选择,得到具备较少规则数目的精简模糊分类系统.最后为提高精确性,采用约束遗传算法对精简模糊分类系统进行整体优化,在解释性不变的前提下,提高模糊分类系统的精确性.Iris和W ine分类系统的仿真,验证了该方法的有效性.     

一种基于模糊C均值聚类的模糊规则提取方法

提出了一种基于模糊C均值聚类的模糊规则提取方法，给出了模糊系统的模糊规则库，基于此规则库，构造了一种新颖的分类算法，利用IRIS数据进行了测试，仿真结果表明，分类效果好，由此说明所提出的模糊规则生成方法有效。     

一种改进的遗传算法

给出一种使适合度函数参数,交叉概率和突变概率随搜索精度自适应调整的遗传算法,并以直接从输入输出数据中提取模糊规则为例与常规遗传算法进行了仿真比较,该算法明显优于常规算法。     

生态遗传算法在模糊系统辨识中的应用

给出一类模糊系统的模糊神经网络模型 .提出一种实用的生态算子 ,构建的生态遗传新算法有效解决了基本遗传算法的“早熟”问题 .采用新算法实现模糊神经网络模型的辨识 ,提高了辨识精度 .实例仿真结果验证了新算法在模糊系统辨识中的有效性     

基于模糊模拟的实数遗传算法及其应用研究

针对模糊模拟在模糊优化问题中存在的计算量大、易收敛到次优解等缺点, 将实数遗传算法与模糊模拟相结合, 提出一种基于模糊模拟实数遗传算法的优化算法。该算法充分利用了实数遗传算法的全局搜索能力和鲁棒性强等优点,从而能较快地得到最优解或准最优解。仿真实例表明了该算法的有效性。     

一种用于纤维增强复合材料微观结构图像目标识别的改进模糊分类系统建模方法

提出了一种改进的模糊分类系统的建模方法,采用模糊C均值聚类完成初始模糊分类系统的设计.提出改进的模糊规则置信度计算方法,对隶属函数和模糊规则相似度进行检测,剔除模糊规则中的冗余信息,利用遗传算法进行模糊分类系统的优化,提高系统的精确性和解释性.仿真结果证明了方法的有效性,对纤维图像的分类结果显示,该方法能获得与手工分类基本一致的分类结果.     

基于遗传算法的模糊控制器设计

遗传算法是建立在自然选择和自然遗传学机理上的遗传自适应概率性搜索算法 ,对于多变量寻优问题是一种易于实现的、有效的途径 ,提出了一种基于遗传算法的隶属函数和控制规则的最优设计方法。仿真结果表明 ,用该方法设计的模糊控制器用较少的模糊变量即可获得良好的性能。     

基于模拟退火的模糊分类系统在数据挖掘中的应用

给出了一种基于模拟退火的模糊分类系统—SAFCS,该分类系统结合了SA元启发式搜索策略的学习能力和模糊系统的近似推理方法,旨在改善与分类问题有关的大型数据空间的搜索性能,找到模糊if-then规则的优化集.SAFCS可以从输入数据集中抽取精确的模糊分类规则,并在若干不同预定义类中将其应用于对新数据实例的分类.文末用某数据集检测了SAFCS的性能,结果表明,在与其他几个著名算法比较时该分类系统性能可靠.     

互联电力系统AGC的模糊和遗传控制算法

针对互联电力系统自动发电控制(AGC)，结合模糊控制和遗传算法提出一种新型的PID智能控制器，这种控制器主要特点是选用遗传算法整定的PID参数值作为模糊自整定PID参数控制器的初值，然后再对模糊控制的相关参数用遗传算法优化，避免了参数选择的盲目性。仿真结果明显优于传统的PID控制器，同样也优于单独模糊PID控制器和由遗传算法寻优而设计的PID控制器。同时，在研究遗传算法寻优的过程中提出一种新的适应度选择方法。     

基于pi-sigma神经网络的模糊建模与控制及其仿真研究

提出了一种基于高木-关野模糊系统的pi-sigma神经网络结构、学习算法,并分析了学习算法的收敛性.用这种混合型pi-sigma神经网络系统去实现模糊规则及其隶属函数的修正,从而得到模糊推理的自适应性.在设计过程中,引入Zadel模糊取乘算子,使之适合基于梯度的学习算法.最后的仿真结果表明此种网络的有效性、优越性并且在非线性建模、控制等方面有重要的应用价值.     

基于分层遗传算法的模糊控制

介绍了模糊控制系统和遗传算法的基本内容及二者间的融合 .基于遗传算法的模糊系统模型辨识 ,引出了可以对实际复杂系统总结出较完善控制规则的分层遗传算法的模糊控制 .分层遗传算法通过基因操作使控制基因和由控制基因控制的参数基因都得到改变 ,进而使控制规则的结构和形状及个数得到了优化 .将这种分层模糊控制技术应用于铝电解工业中的极距控制 ,可使改进后的极距控制系统的动态性能和稳态误差都得到提高 .     

基于计算智能的模糊规则自动生成

介绍模糊控制开发系统中隶属函数编辑、模糊规则生成与优化、目标代码生成的原理和功能,提出了基于多层感知器网络、五层模糊神经网、遗传算法的模糊规则自动生成算法,并给出各算法特点和结果分析     

基于遗传模糊规则的智能控制系统的展望

文章首先简单介绍了基于遗传模糊规则的智能控制系统的发展过程，其次在叙述什么是遗传算法的基础上引出了基于遗传模糊规则的智能控制系统，并详细论述了将基于模糊规则的控制系统进化成为基于遗传模糊规则的智能控制系统的古典方法的三种途径，最后给出了基于遗传模糊规则的智能控制系统多种应用新趋势的展望和今后的研究方向。     

遗传算法参数自适应控制的新方法

根据遗传算法参数自适应控制方法的不同分类,采用基于启发式规则的参数控制方法对遗传算法的种群数进行了宏观调控和微观调控。并采用不同特点的模糊控制器分别控制交叉率和变异率,使种群数、交叉率和变异率都能够随进化的实际情况发生自动调整,形成了一种新的种群数变化的模糊自适应遗传算法。实验数据表明这种算法能够有效防止遗传算法早收敛,同时也说明对参数进行自适应控制能够使遗传算法性能大大提高。     

基于免疫原理和Boosting机制的模糊分类规则挖掘算法

基于免疫原理和Boosting机制,提出了一种模糊分类规则挖掘算法.该算法主要借鉴于自然免疫系统中的克隆选择原理,通过抗体种群的演化来优化模糊规则.模糊规则库通过增量的方式产生,算法每次运行得到一个规则.Boosting机制用于调整训练数据的权值,使得新生成规则集中于当前未被覆盖或误分类的数据实例.仿真实验表明,所提算法可根据规则的分类精度来调整训练数据的权值,促进了模糊规则之间的协作关系,避免了规则之间相互冲突,提高了系统的分类精度.