随着科学技术的飞速发展,人民生活水平的显著提高,数据积累成倍增大,需要处理的 信息量迅速增加,要把大量的数据作为信息,从数据中提取出有用的知识,把知识变成指导 工作、生产、运营和销售的策略,等等这些已使一些传统的方法感到无能为力。 在模糊系统体系中,人类知识不得不以模糊规则的形式来表达。只有用模糊规则来描述 的知识才能被人类所利用。在实际应用中,模糊规则往往是由专家根据经验给出的,这就存 在着一定的问题,比如规则不够客观、专家经验难以获取等等。因此,如何简捷有效地提取 出模糊规则是一项很有意义的工作。对于模糊规则的获取,传统的方法是凭经验来确定,这 种方法复杂且难度大。 本文通过对模糊系统、遗传算法和神经网络的有关理论进行研究。提出了将遗传算法应 用于获取易于理解的模糊规则。采用遗传算法和神经网络的结合来优化和学习隶属度函数的 模糊划分和参数,从而生成客观的隶属度函数。在此基础上生成初始的模糊规则集。 在优化模糊规则的遗传算法设计中,提出了适应度评估函数,以及交叉概率和变异概率 的自适应变化公式。在适应度评估函数的设计中增加了模糊规则的可解释性的附加项,使得 所获取的模糊规则易于人类理解。 最后,对提出的自适应交叉概率和自适应变异概率利用遗传算法的公理化理论进行了收 敛性的证明。以表明所提出的公式是合理和有效的。 在编程实验上,利用Matlab实现了用遗传算法来优化模糊区域的划分。