基于改进遗传算法与支持度的模糊系统优化建模方法

Abstract

模糊系统是一种可解释性强的人工智能方法，经典Wang-Mendel（WM）方法因能从数据中自动获取模糊规则，而成为一种重要的智能建模方法。但是该方法存在规则数目较多、精度不高等不足，且目前的改进方法普遍存在计算复杂、效率低等问题。为此，提出一种改进遗传算法与基于支持度的规则约简相结合的模糊系统优化建模新方法——遗传模糊系统（GFS），通过优化模糊系统的结构及隶属函数参数，由目标函数的不同组合构成GFS1、GFS2与GFS3这3种模型的具体实现算法。在标准及加噪的电能输出数据集上进行模糊建模试验，其结果表明：GFSi(i=1,2,3)模型预测精度高于WM方法且规则数更少；其抗噪能力显著优于径向基函数神经网络、反向传播神经网络；GFS3 的适应度函数评估效果最佳，因此其性能最优。提出的方法在充分发挥模糊系统可解释性、鲁棒性强优势的同时保障了预测精度，是一种很有潜力的人工智能算法。

Keywords

• 模糊系统
• 改进遗传算法
• 规则约简
• 可解释性
• 鲁棒性