神经网络、模糊系统与遗传算法相结合研究概述.pdfVIP

神经网络、模糊系统和遗传算法相结合的研究概述 武妍 施鸿宝 (上海铁道人学计算技术研究所 上海 200331) 摘要 遗传算法、神经网络和模糊控制相结合，构成了-一种新型的智能控制系统整体优化的结构形式． ● 本文较详细的介绍进化神经网络系统、基于GA的模糊系统以及神经网络、模糊系统和遗传算法三者相 绡台的其它方面的研究现状，并展望发展前景。 1引言 ● 随着被控系统的曰趋复杂、高度的不确定性以及人们对其控制精度的要求日益提高， 传统的控制方法显得无能为力。要有效的处理这种高度的复杂性和不确定性，就要充分利 用人的一些智能，采用～些智能控制的方法。而模糊系统(FuzzySystem，以下简称FS)、 神经网络(NeuralNetwork，以下简称NN)和进化计算(EvolutionaryComputation)作 为计算智能的三个主要部分是三种很有前途的技术，都己成为研究智能控制理论的新学科 基础的组成部分【1]。这三种技术各有长处和局限性，并在一定程度上是等价的和互补的。 二者结合产生的混合智能系统可以用来控制许多复杂的系统，比单独使用一种技术更灵 活、更有效。近几年来，这些混合智能系统的研究主要集中在FS和NN相结合(称之为神 经模糊系统)、NN和遗传算法(Genetic 进化神经网络系统)、GA和FS相结合(基于GA的模糊系统)以及三者相结合的研究。 这些研究越来越受到国际上的广泛的重视，并取得了一些水平较高的成果，初步展示了结 合所带来的优越性，为智能控制的研究开辟了一条新的途径。 因篇幅所限，本文仅简要介绍进化神经网络系统、基于GA的模糊系统以及NN、FS 和GA的其它结合方式的研究概况，并在文章最后展望其发展前景。神经模糊系统的研究 概况将在另文中给山。 2基于GA的模糊系统 GA是基于自然选择和进化遗传等生物进化机制的迭代白适应概率性搜索算法。其优 ● 点是简单、鲁棒性强。GA正在向其它学科雨f领域渗透，正在形成GA、NN和模糊控制 相结合，从而构成了一种新型的智能控制系统整体优化的结构形式。在本节，我们只讨论 GA与模糊逻辑控制器的结合。Fs和GA的特性比较如表l所示。针对Fs和GA的各自 的优缺点，GA和Fs可有两种结台方式，～种结台是针对GA速度慢将Fs融入GA中使 ● GA模糊化，或通过Fs动态调整GA的一些参数，生成自适应的GA从而加快GA的速 度【3】]，或染色体中的元素崩隶属度值表示【2]：另外一种结合是针对Fs可以存储知识， 但不具备学习、优化功能，利用GA的学习优化能力可以比较有效的确定山模糊逻辑控制 器的结构和参数。本节主要介绍后…种结合。 94 2．】使用GA优化模糊逻辑控制器 将GA和模糊逻辑相结台用于解决多变量、非线性等复杂系统的控制问题的研究开始 显示山根有希望的前景。使用GA优化模糊逻辑控制器，不外乎用GA调整模糊控制规则 千¨求属度函数，但调整的方案不同，观点也不同。有的研究者认为，因为模糊规则和隶属 皮函数并不是互相独立的，网此应将它们的．歧计同时进行考虑，这样才能得到优化的Fs， 否!l!|j只能得到次优化的系统[3]。有的研究者认为，冈为模枷规则和隶属度函数之间的复杂 fIDdN互作川，同时学习隶属度函数和模糊规jj{Ij是很凼难的，应分阶段学习【4】。笔者认为， 剑底在优化模糊逻辑控制器时，该如何利用模糊规则和隶属度函数的关系是一个很值得研 ● 究的问题。F面我们仪从四个方面将以概括。 表lOA与Fs的特征比较