基于遺傳規則聚類的模糊神經網絡的研究與應用

吳婷 金山職業技術學院

1 遺傳規則和神經網絡的介紹

遺傳規則算法是根據遺傳學之父孟德爾的遺傳學說和達爾文的進化論，提出的一種計算機直接搜索優化的方法。其中主要的原理是孟德爾提出的基因的遺傳定律和達爾文提出的適者生存理論。在計算機搜索計算的時候，如果最后的目標存在很多的變量和約束條件，或者是基于大量運算，尋找樣本全局最優解，在這種情況使用遺傳算法可以在所有的解中迅速找到局部最優解再通過每個局部最優解找到最后的全局最優解。

模糊神經網絡的原理是將模糊邏輯和模糊算法與神經網絡相結合。這種算法最大的優點是適應性和智能性最好，不僅可以像人類一樣，通過模糊的局部去推測整體，還能夠在計算的過程中進行學習、連接和優化，是目前最好的處理信息的算法之一。

而基于遺傳規則聚類的模糊神經網絡算法主要是處理模糊數據，先通過遺傳規則算法對模糊數據進行聚類，再通過模糊神經網絡進行求解的一種算法。這種算法很好的集合了兩者的優點，能夠對大規模的模糊數據進行處理和求解。但是在實際使用的過程還是存在部分問題需要解決。

2 基于遺傳規則聚類的模糊神經網絡存在的問題

2.1 經典遺傳算法只能取實變量，無法取值模糊樣本

遺傳算法主要針對的問題是求解最優解，將局部的解轉換成在遺傳學中的對應的串，也就是我們常說的染色體和個體，簡單講就是將每個解都看成是一個個體，再利用遺傳定律進行選擇、交叉和變異。這些個體在經過一代代的雜交后，最后得到的最優性狀就是我們要求解的最優解對應的個體。

在這個算法計算的過程中，每個解對應一個個體，每個解都是確定的值，因為遺傳算法是解決實變量的問題，如果要將遺傳算法用在解決模糊變量的問題上，需要對算法進行改進，使之能夠適應模糊變量。

2.2 經典模糊算法的輸入輸出值也是實變量，無法進行模糊樣本的輸入輸出

模糊算法實際的作用其實并不模糊，他是一個慢慢逼近最優解的過程。比如設定判斷邏輯，＜1 就是小，＞5 就是大，那么怎么判斷3 呢，3 正好在1 和5 之間，屬于不大不小的中間位置，模糊算法就是不斷的通過這種大小的判斷去逼近那個最優解。

因此在經典的模糊神經網絡模型中，當計算的樣本很多時，那么規則也會有很多，這時候如果要減少這些規則數，那么就只能通過實變量減法聚類來進行規則分類，這樣的話，相當于又回到了實變量問題中去求解，因此經典的模糊算法不適用于大規模的模糊數據處理，如果要進行大規模的模糊數據處理需要優化算法。

3 通過優化算法解決基于遺傳規則聚類的模糊神經網絡存在的問題

3.1 優化經典遺傳算法，使之能夠取值模糊樣本

我們的目標是要在遺傳算法中挑選k 個有代表性的模糊樣本，因此我們要對算法這么優化。首先對N 個樣本進行系統聚類，得到一個系統聚類結果，根據這個結果確定k；然后在數據群中隨機生成M 個個體，這些個體就是遺傳算法中的初始種群，種群中的每個個體都由k 個類別組成；再計算N 個樣本到種群中的每個個體距離，根據計算的結果判斷這N 個樣本都是什么類別，并將每個個體的聚類進行更新；對更新后的種群需要再次進行遺傳定律選擇（選擇、交叉、變異），達到更新種群的目的；而在更新后的新種群中，取最優性狀即適應性最好的個體作為最優個體；再根據終止條件判斷算法是否終止，如果目前的最優解不能夠終止算法，就回到第二步重新開始，一直到滿足終止條件；對于種群中的每一個k，都會有一個最優解，然后利用檢驗樣本來檢驗每一個最優解的正確率，最終根據正確率排名選擇最靠前那個解來作為最終的k 條代表性規則。

經此優化后的遺傳算法能夠在模糊樣本中找到最優的解來作為規則，解決了經典遺傳算法只能計算實變量的不足。

3.2 優化經典模糊神經網絡算法，使之能夠進行模糊樣本的輸入和輸出

首先假設有這么一個模糊樣本庫，里面的模糊樣本為X，那么模糊樣本的輸入就是X，設輸出為Y；根據以上的模糊樣本，我們在上面的優化后的遺傳算法中可以得到這個模糊樣本的K 條代表性規則；然后再基于模糊樣本中的每個X，計算模糊神經網絡中每一天規則的綜合隸屬度；最后根據實際的模糊輸出和計算的期望模糊輸出的差值對模型進行修正。

經過如此計算之后，把模糊問題的樣本表示為模糊規則，最后再輸出模糊結果，解決了模糊問題的模糊輸出問題。使神經網絡算法不僅僅適用于實變量，也可以適用于模糊變量。

通過優化后的遺傳規則算法對模糊樣本進行聚類，再通過優化后的神經網絡算法改進了經典模糊神經網路模型對模糊問題的“實變量輸入-模糊轉換-線性逼近-實變量出”的弱點。在實際的計算過程中，可以通過把模糊問題的模糊樣本，表示為模糊規則，把模糊規則選優問題，轉換為K 均值聚類問題的K 聚類數和聚類結果的選優問題，簡化了算法規則和計算過程，降低了取值和輸入要求，能夠更好的解決實際模糊問題。