[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

说明书

本发明公开了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，该方法包括构建可解释的混合类型模糊系统；采用模糊集在线聚类更新算法构建初始参考规则向量；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。本发明通过对模糊集不确定覆盖域的约束构建可解释的混合类型模糊系统，有效避免了冗余的区间二型模糊集的生成；并且采用模糊集在线聚类更新算法构建初始参考规则向量，不仅计算比较简单，还保留了传统的基于集合理论的相似性度量的特性；最后采用改进的多目标前沿导向的连续蚁群优化算法同时优化了控制性能和可解释性，实现了模糊控制器的可解释性和控制性能的较好平衡。

技术领域

本发明涉及混合类型模糊系统设计技术领域，具体涉及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。

背景技术

近几十年来，模糊逻辑系统在各个领域中应用广泛。这得益于模糊系统可以有效利用专家经验和可以作为万能逼近器的特性。然而，被控系统的先验知识不一定能够获取。基于数据驱动的自组织模糊系统因此得到了越来越多的关注。通过学习得到系统的往往缺少可解释性，而可解释性在辅助决策等方面有着重要作用。目前的自组织模糊系统往往是在一型模糊系统的框架上进行的。在许多应用场景下，区间二型模糊系统的性能都要比一型模糊系统更好。而且区间二型模糊集可以表征更大的不确定性，有潜力实现规则更少的模糊系统进而提升系统的可解释性。这驱使我们设计一个自组织的可解释的，同一个输入变量同时存在一型模糊集和二型模糊集的混合类型模糊系统。

混合类型的模糊集系统要解决的首要问题是确定模糊集的类型。在大多数研究中，模糊集都设为同一类型--一型、区间二型或广义二型。具体的类型取决于系统的特性。如果被控系统是高度不确定的，可以考虑用二型模糊集来处理。否则，一型模糊系统可能就足以实现满意的性能了。现有文献提出，区间二型模糊系统更好的性能的部分原因要归功于模糊集的不确定覆盖域。这意味着，在区间二型模糊系统中，其实没有必要将所有模糊集都设为区间二型模糊集。将部分模糊集设为区间二型模糊集同样引入了不确定覆盖域的特性。与一型模糊系统相比，区间二型模糊系统计算耗时和训练耗时更多。相同规则数目下，拥有更多要优化参数和多了降型的步骤。相比传统的区间二型模糊系统，混合类型的模糊系统参数更少。这意味着，它可能收敛得更快，性能更好。这也是我们研究混合类型模糊系统的重要原因。回到确定模糊集类型的问题上，我们是利用模糊集聚类来解决的。所有的模糊集都初始化为一型模糊集。优化过程中，相邻且相似的一型模糊集会合并成一个区间二型模糊集。相似的一型模糊集所表征的概念也是非常相似的。因而用一个区间二型模糊集来表征这个概念是合理的。不仅如此，区间二型模糊集的不确定覆盖域还可以用来反映概念的不确定性。

本文考虑的第二个问题是提升混合类型模糊系统的可解释性。模糊系统的可解释性还是一个开放性问题。目前还没有一个适合所有应用场景的统一方法。但是一些可解释性判据已经被普遍接受：(1)模糊集之间的可区分性。相邻模糊集的交集要尽可能小，这样，不同模糊集的所表征的概念不会产生歧义。(2)完整性。每个变量的模糊集要能完整地覆盖整个论域。(3)紧缩性。这个判据要求模糊系统规则数和模糊集数要尽可能地少。在满足性能指标的前提下，模糊系统的结构越简单越好。(4)规则的一致性。若规则的前件是相似的，那么规则的后件也应该是相似的。否则，这些规则是相互矛盾的，应该合并或者丢弃。(5)应该避免产生冗余模糊集和模糊单值。这些大部分的成果都是基于一型模糊系统的框架进行研究的。只有少数文章考虑了区间二型模糊系统的可解释性。在区间二型模糊集的情形下，不确定覆盖域的存在使得可解释性的研究变得更加复杂---需要更多和更复杂的约束来保证系统的可解释性。这值得我们进一步研究。

模糊集的可区分性是可解释性的最重要的指标之一。多数情况下，这一特性是通过模糊集合并实现的。在混合类型模糊系统的情形下，同样有三个关于模糊集合并的问题需要解决：1)如何衡量模糊集之间的相似性；2)如何选择需要合并的模糊集；3)选中的模糊集要如何合并？