19、模糊规则系统的多目标进化设计

模糊规则系统的多目标进化设计

1. 引言

模糊规则系统（FRBSs）在控制、模式识别、系统识别和信号分析等工程领域广泛应用。它能达到与其他方法相当的精度，还能解释输出如何从输入值生成。传统构建FRBSs的方法是从人类专家那里获取知识并编码到知识库中，但应用领域的复杂性可能使这种方法难以实施。因此，近年来，从数据生成FRBSs的问题被建模为多目标优化问题，目标是优化准确性和可解释性。多目标进化算法常被用于此，由此产生的FRBSs被称为多目标进化模糊系统（MOEFSs）。

早期的MOEFSs使用多目标进化算法来选择或学习规则，并对数据库进行调优。而最新的MOEFSs可以同时学习规则库（RB）和数据库（DB）的一些元素，如模糊分区的粒度和隶属函数参数。规则选择（RS）是从预定义的候选规则集中选择规则，而规则学习（RL）则是在进化过程中创建规则。

2. 模糊规则系统

模糊集A由隶属函数A(x) : U → [0, 1] 定义，其中U是论域，A(x)表示元素x在A中的隶属度。模糊集的支持集和核心集分别是隶属度非零和隶属度为1的元素组成的集合。为简化，本文考虑三角模糊集，由元组 (a, b, c) 标识，其中a和c是支持集的左右端点，b是核心。

基于模糊集的概念，Zadeh引入了语言变量的概念。语言变量X的值是语言术语，由术语集T(X) 定义，T(X) 中的每个值都是定义在论域U上的模糊集。这些模糊集组成了论域U的模糊分区。

在回归问题中，输出变量XF+1是连续变量，规则库由M条语言模糊规则组成。在分类问题中，输出变量XF+1是分类变量，规则库中的规则包含类标签和规则权重。通常，为所有输入变量定义一个新的模糊集Af,0，表示“不