基于进化模糊系统生成可理解的知识表达

讨论了最简约模糊划分、模糊划分的完备-清晰性、模糊规则的完备性和一致性，并根据这些指标构造适应度函数，使进化模糊系统不仅响应性能良好，而且可获得物理意义明显的结构和参数，从而使其表达的知识更易理解。应用Box—Jenkins煤气炉数据的仿真实验表明了该方法的有效性。     

基于进化策略的最优模糊划分

一个运行良好的模糊系统，不仅应该具备最优的响应性能，还应该具备最简约的模糊划分和良好的完备性、清晰性，但是目前对于后者的研究甚少。因此，该文提出了最优模糊划分的定义，它包括两个部分：最简约模糊划分和模糊划分的完备一清晰性。然后将这两项指标加入到进化策略的适应值函数中，用于对模糊系统的寻优。仿真试验表明，即使在先验知识较少的情况下，该方法依然可以设计出具有较好系统响应性能的模糊系统，并且模糊划分个数最简，完备．清晰性较好。     

进化学习策略收敛性和逃逸能力的研究

分析了基于拉马克主义的进化学习策略(简称LELS)和基于达尔文主义的进化学习策略(简称DELS)的异同:前者的生物学依据是后天获得性遗传,而后者的依据是自然选择;前者的表现型和基因型在学习的过程中同时被优化;而后者表现型的变化不会直接导致基因型的改变.利用马尔可夫链理论证明了此类算法的收敛性,并且在理论上分析了DELS具有更强的局部逃逸能力.在仿真试验中应用8个标准测试函数进行测试,结果表明此类算法具有较好的全局优化能力和较快的收敛速度,其中DELS的逃逸能力更强.     

基于进化策略生成可解释性模糊系统

模糊系统的可解释性明显优于其他人工智能方法,却长期没有引起人们足够的注意.本文对模糊系统的可解释性作了深入的分析,定义了最简约模糊划分、模糊划分的完备-清晰性、模糊规则的完备性、紧凑性和一致性,并将其加入到进化策略的适值函数中,用于优化模糊系统.仿真试验表明,即使在先验知识较少的情况下,该方法依然可以设计出具有较好系统响应性能和较高可解释性的模糊系统.