[發明專利]基于多目標蟻群算法的可解釋混合類型模糊系統優化方法

在審

• 申請號: 202110001704.0
• 申請日: 2021-01-04
• 公開（公告）號: CN112766510A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 趙濤;陳成森;佃松宜
• 申請（專利權）人: 四川大學
• 主分類號: G06N7/02
• 分類號: G06N7/02;G06N3/00
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊

本發明公開了一種基于多目標蟻群算法的可解釋混合類型模糊系統優化方法，該方法包括構建可解釋的混合類型模糊系統；采用模糊集在線聚類更新算法構建初始參考規則向量；采用改進的多目標前沿導向的連續蟻群優化算法對混合類型模糊系統的系統參數進行優化。本發明通過對模糊集不確定覆蓋域的約束構建可解釋的混合類型模糊系統，有效避免了冗余的區間二型模糊集的生成；并且采用模糊集在線聚類更新算法構建初始參考規則向量，不僅計算比較簡單，還保留了傳統的基于集合理論的相似性度量的特性；最后采用改進的多目標前沿導向的連續蟻群優化算法同時優化了控制性能和可解釋性，實現了模糊控制器的可解釋性和控制性能的較好平衡。

技術領域

本發明涉及混合類型模糊系統設計技術領域，具體涉及一種基于多目標蟻群算法的可解釋混合類型模糊系統優化方法。

背景技術

近幾十年來，模糊邏輯系統在各個領域中應用廣泛。這得益于模糊系統可以有效利用專家經驗和可以作為萬能逼近器的特性。然而，被控系統的先驗知識不一定能夠獲取。基于數據驅動的自組織模糊系統因此得到了越來越多的關注。通過學習得到系統的往往缺少可解釋性，而可解釋性在輔助決策等方面有著重要作用。目前的自組織模糊系統往往是在一型模糊系統的框架上進行的。在許多應用場景下，區間二型模糊系統的性能都要比一型模糊系統更好。而且區間二型模糊集可以表征更大的不確定性，有潛力實現規則更少的模糊系統進而提升系統的可解釋性。這驅使我們設計一個自組織的可解釋的，同一個輸入變量同時存在一型模糊集和二型模糊集的混合類型模糊系統。

混合類型的模糊集系統要解決的首要問題是確定模糊集的類型。在大多數研究中，模糊集都設為同一類型--一型、區間二型或廣義二型。具體的類型取決于系統的特性。如果被控系統是高度不確定的，可以考慮用二型模糊集來處理。否則，一型模糊系統可能就足以實現滿意的性能了。現有文獻提出，區間二型模糊系統更好的性能的部分原因要歸功于模糊集的不確定覆蓋域。這意味著，在區間二型模糊系統中，其實沒有必要將所有模糊集都設為區間二型模糊集。將部分模糊集設為區間二型模糊集同樣引入了不確定覆蓋域的特性。與一型模糊系統相比，區間二型模糊系統計算耗時和訓練耗時更多。相同規則數目下，擁有更多要優化參數和多了降型的步驟。相比傳統的區間二型模糊系統，混合類型的模糊系統參數更少。這意味著，它可能收斂得更快，性能更好。這也是我們研究混合類型模糊系統的重要原因。回到確定模糊集類型的問題上，我們是利用模糊集聚類來解決的。所有的模糊集都初始化為一型模糊集。優化過程中，相鄰且相似的一型模糊集會合并成一個區間二型模糊集。相似的一型模糊集所表征的概念也是非常相似的。因而用一個區間二型模糊集來表征這個概念是合理的。不僅如此，區間二型模糊集的不確定覆蓋域還可以用來反映概念的不確定性。

本文考慮的第二個問題是提升混合類型模糊系統的可解釋性。模糊系統的可解釋性還是一個開放性問題。目前還沒有一個適合所有應用場景的統一方法。但是一些可解釋性判據已經被普遍接受：(1)模糊集之間的可區分性。相鄰模糊集的交集要盡可能小，這樣，不同模糊集的所表征的概念不會產生歧義。(2)完整性。每個變量的模糊集要能完整地覆蓋整個論域。(3)緊縮性。這個判據要求模糊系統規則數和模糊集數要盡可能地少。在滿足性能指標的前提下，模糊系統的結構越簡單越好。(4)規則的一致性。若規則的前件是相似的，那么規則的后件也應該是相似的。否則，這些規則是相互矛盾的，應該合并或者丟棄。(5)應該避免產生冗余模糊集和模糊單值。這些大部分的成果都是基于一型模糊系統的框架進行研究的。只有少數文章考慮了區間二型模糊系統的可解釋性。在區間二型模糊集的情形下，不確定覆蓋域的存在使得可解釋性的研究變得更加復雜---需要更多和更復雜的約束來保證系統的可解釋性。這值得我們進一步研究。

模糊集的可區分性是可解釋性的最重要的指標之一。多數情況下，這一特性是通過模糊集合并實現的。在混合類型模糊系統的情形下，同樣有三個關于模糊集合并的問題需要解決：1)如何衡量模糊集之間的相似性；2)如何選擇需要合并的模糊集；3)選中的模糊集要如何合并？