一种基于遗传算法的模糊神经网络结构及参数优化_周志坚.pdf

华 南 理 工 大 学 学报 (自然 科 学版 ) 第27 卷 第 1期 Journal of South China University of Technology Vol.27 No.1 1999 年 1 月　 (Natural Science) January 　1999 一种基于遗传算法的模糊神经 网络 构和参数优化＊ 周志坚　毛宗源 (华南理工大学自动控制工程系　广州　510641) 摘　要　提出一种基于遗传算法的三阶段优化策略.在给定初始参数基础上, 利用基于十进制编 码的遗传算法实现模糊神经网络的 构优化, 用基于二进制编码的遗传算法实现模糊神经网络的 参数优化.仿真 果表明上述优化策略是有效的. 关键词　模糊神经网络;遗传算法; 构优化;参数优化 中图资料分类号　T 18 　　模糊逻辑系统和神经网络作为模型无关估计器, 被广泛地应用于控制领域, 但两者都具 有一定的局限性.模糊逻辑系统缺乏学习和自适应能力, 隶属函数的选取具有主观性.神经 网络虽具有很好的学习能力, 但网络中映射规则是不可见的和难理解的, 不适合于表达基于 规则的知识.如果将二者有机地 合, 相互取长补短, 新构成的系统将具有两者的优点. 遗传算法作为建立在生物进化原理基础上的统计启发式组合优化搜索技术, 已被广泛地 应用于控制、神经网络 构及参数优化和模糊问题求解等众多领域.近年来, 遗传算法用于 [1] 模糊神经网络的研究也成为“热点” . 针对给定的模糊神经网络, 本文提出一种基于遗传算法的三阶段优化策略来实现对网络 构和参数的训练, 并将其用于系统辨识仿真之中. 1　模糊神经网络 考虑具有n 个输入、单个输出的模糊逻辑系统, 模糊规则具有如下形式: l l l l R ∶IF x 1 is F 1 and ...and x n is F n THEN y is G . (1) 式中, R l 表示第l 条规则, l =1, 2, …, L ;x , x , …, x 为输入语言变量, y 为输出语言变 1 2 n l l 量;F i 和G 分别为第l 条规则中输入语言变量和输出语言变量的模糊子集. 若采用乘积推理规则和重心法去模糊化, 则其基本形式的数学描述如下: 　　模糊合成: n l l l μ (y )=μ (y ) μ ; (2) G G ∏F (x ) i i l=1 　　模糊判决: 　收稿日期:1998-02-18　　修改稿收到日期:1998-05-14 　＊广东省自然科学基金项目(950206)资助课题 　周志坚, 女, 1970 年生, 博士生;主要研究方向:模糊控制、神经网络控制及遗传算法的交叉研究. 第 1期　　　　　　周志坚等:一种基于遗传算法的模糊神经网络 构和参数优化　　　　　　　2　7