[发明专利]基于多目标蚁群算法的可解释混合类型模糊系统优化方法

权利要求书

1.一种基于多目标蚁群算法的可解释混合类型模糊系统优化方法，其特征在于，包括以下步骤：

S1、构建可解释的混合类型模糊系统；

S2、采用模糊集在线聚类更新算法构建初始参考规则向量；

S3、根据初始参考规则向量，采用改进的多目标前沿导向的连续蚁群优化算法对混合类型模糊系统的系统参数进行优化。

2.根据权利要求1所述的基于多目标蚁群算法的可解释混合类型模糊系统优化方法，其特征在于，所述步骤S1采用完整性约束、间隔约束、模糊集宽度约束和不确定覆盖域约束构建混合类型模糊系统的可解释性约束目标函数，表示为：

其中，f_interp为约束目标，f_max为设定阈值，f₁为完整性约束的惩罚函数，f₂为间隔约束的惩罚函数，f₃为模糊集宽度约束的惩罚函数，f₄为不确定覆盖域约束的惩罚函数。

3.根据权利要求2所述的基于多目标蚁群算法的可解释混合类型模糊系统优化方法，其特征在于，所述完整性约束具体为：

对任意一个输入数据，计算所有模糊集的上隶属度之和，表示为：

其中，x_j为第j个输入变量的实际输入值，为第j个输入变量第i个模糊集的上隶属度，为第j个输入变量的模糊集个数；

计算得到的所有模糊集的上隶属度之和包含于设定区间阈值。

4.根据权利要求3所述的基于多目标蚁群算法的可解释混合类型模糊系统优化方法，其特征在于，所述间隔约束具体为：

其中，和分别为第j个变量的第i模糊集的左侧和右侧间隔指标，和分别为第j个变量的第i模糊集的均值区间左端点值和右端点值，γ为预定义参数，为第j个变量的第i模糊集的标准差，为第j个变量的第i模糊集的右侧模糊集的均值区间左端点值，为第j个变量的第i模糊集的左侧模糊集的均值区间右端点值。

5.根据权利要求4所述的基于多目标蚁群算法的可解释混合类型模糊系统优化方法，其特征在于，所述模糊集宽度约束具体为：

其中，σ_min为模糊集标准差最小值，σ_max为模糊集标准差最大值，n为输入变量数。

6.根据权利要求5所述的基于多目标蚁群算法的可解释混合类型模糊系统优化方法，其特征在于，所述不确定覆盖域约束具体为：