基于递阶遗传算法的模糊系统优化设计

基于递阶遗传算法的模糊系统优化设计

马铭^1,2, 周春光¹, 张利彪¹, 窦全胜¹

1. 吉林大学计算机科学与技术学院, 长春 130012; 2. 北华大学计算中心,吉林 132013

收稿日期:2004-04-14 修回日期:1900-01-01 出版日期:2004-10-26 发布日期:2004-10-26
通讯作者: 周春光

Optimization of fuzzy system based on hierarchical genetic algorithm

MA Ming^1,2, ZHOU Chun-guang¹, ZHANG Li-biao¹, D OU Quan-sheng¹

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China; 2. Computer Center, Beihua University, Jilin 132013, China

Received:2004-04-14 Revised:1900-01-01 Online:2004-10-26 Published:2004-10-26
Contact: ZHOU Chun-guang

摘要/Abstract

摘要： 给出一种基于递阶遗传算法的模糊神经网络优化算法, 在该算法中对每个染色体都采用递阶编码, 并提出一种改进的交叉算子, 可以同时优化模糊神经网络结构和权值参数. 算法中采用双目标函数作为适应度函数对模糊神经网络模型的精确度和复杂性进行估价, 且对应一个实际问题, 可以通过调整适应度函数的参数值确定所需模糊神经网络模型的精确度和复杂性之间的比例, 从而生成一个适当的模糊神经网络模型. 模拟实验结果验证了该算法的有效性.

关键词: 递阶遗传算法, 模糊神经网络, 优化

Abstract: Based on the deep study of fuzzy neural networks and hierarchical genetic algorithm, an algorithm is proposed to optimize fuzzy neural network. In the proposed algorithm, the hierarchical coding is adopted to each chromosome, and an improved crossover operater is proposed, so it can evolve both the fuzzy neural network's topology and weighting parameters. Furthermore, a two-objective function is used as fitness fuction to evaluate the structure complexity and the performance of the fuzzy neural networks, and we can confirm the proportion between the complexity and the performance by changing the value of the parameter for a given problem, then we can obtain the near-optimal fuzzy neural network architecture for the problem. Numerical simulations showed the effectiveness of the proposed algorithm.

Key words: hierarchical genetic algorithm, fuzzy neural network, optimize

中图分类号:

TP301.5

马铭, 周春光, 张利彪, 窦全胜. 基于递阶遗传算法的模糊系统优化设计[J]. J4, 2004, 42(04): 599-564.

MA Ming, ZHOU Chun-guang, ZHANG Li-biao, D OU Quan-sheng. Optimization of fuzzy system based on hierarchical genetic algorithm[J]. J4, 2004, 42(04): 599-564.

[1]	王松华, 夏师, 黎勇. 一类修正Hager-Zhang共轭梯度法的收敛性及其数值实验[J]. 吉林大学学报(理学版), 2021, 59(5): 1107-1116.
[2]	傅博, 王瑞子, 王丽妍, 张湘怡. 基于深度卷积神经网络的水下偏色图像增强方法[J]. 吉林大学学报(理学版), 2021, 59(4): 891-899.
[3]	曾宏志, 史洪松. 半监督技术和主动学习相结合的网络入侵检测方法[J]. 吉林大学学报(理学版), 2021, 59(4): 936-942.
[4]	莫晓庆, 孙祥凯. 一类不确定半无限多目标优化问题的鲁棒逼近最优性[J]. 吉林大学学报(理学版), 2021, 59(2): 257-262.
[5]	胡传丰, 任靖雯, 胡慧, 蔺宏伟. 基于等几何分析的参数多孔结构拓扑优化[J]. 吉林大学学报(理学版), 2021, 59(1): 65-76.
[6]	张强, 朱刘涛, 王颖. 基于文化混洗蛙跳算法求解连续空间优化问题[J]. 吉林大学学报(理学版), 2020, 58(6): 1443-1451.
[7]	陈静, 唐傲天, 刘震, 徐森, 曹晓聪. 一种基于Kriging模型加点策略的多目标粒子群优化算法[J]. 吉林大学学报(理学版), 2020, 58(5): 1159-1166.
[8]	于生宝, 房钰, 高丽辉, 刁庶. 基于改进粒子群优化算法的可控发射电流频率SHEPWM控制方法[J]. 吉林大学学报(理学版), 2020, 58(5): 1207-1214.
[9]	汤战勇, 郝杰, 郭军, 刘宝英. 基于变步长随机行走算法的IC电源网络动态分析[J]. 吉林大学学报(理学版), 2020, 58(4): 868-876.
[10]	袁开银, 王峰. 基于指标选择和加权融合的无线传感器网络安全风险评估[J]. 吉林大学学报(理学版), 2020, 58(4): 937-943.
[11]	刁新柳, 刘红卫, 赵婷. 一种改进的三维子空间极小化共轭梯度法[J]. 吉林大学学报(理学版), 2020, 58(3): 470-478.
[12]	金晓民, 张丽萍, 李慧静. 控制活动轮廓演化的快速图像分割方法[J]. 吉林大学学报(理学版), 2020, 58(3): 639-644.
[13]	管乃彦, 郭娟利. 异构环境下高速互联网络覆盖优化控制算法[J]. 吉林大学学报(理学版), 2020, 58(2): 343-348.
[14]	王博, 于哲舟, 袁军, 付宏, 于建群. 基于MBD和DEM耦合的新型CAE软件[J]. 吉林大学学报(理学版), 2020, 58(2): 371-378.
[15]	吕洪武, 赵航, 王宏志, 胡黄水. 基于模糊神经网络的MVB故障诊断算法[J]. 吉林大学学报(理学版), 2020, 58(1): 104-108.