近年来,模糊认知图由于其简洁的结构,良好的可解释性和快速的推理能力,已经引起了学术界的广泛关注,并且在现实生活中得到了充分的应用。为了将模糊认知图扩展到更多领域,如何通过学习算法得到高精度的模糊认知图成为了核心研究任务。高精度的模糊认知图主要有以下两个特点:高精度的模糊认知图具有很强的数值拟合能力;模糊认知图的模型应该尽量贴合现实模型,其中一个重要特征就是它们往往是稀疏的。目前很多算法都只将目光集中在提升模型的数值拟合能力上,而忽视了现实模型所应有的稀疏结构。除此之外,现实数据往往含有噪声,为了让所学习出的模糊认知图更加实际可用,高精度的模糊认知图也应尽可能地拥有抵抗噪声的能力。本文主要研究如何设计多种学习算法,使得算法在提升模糊认知图的数值拟合能力的同时也能够获得具有稀疏结构的模型。主要工作总结如下:基于烟花算法的稀疏模糊认知图学习方法:目前大多数用于学习模糊认知图的进化算法不够简洁和快速,而烟花算法作为一种新提出的快速简单的进化算法值得应用于该问题上。烟花算法已经应用在非负矩阵分解,图像识别和滤波器设计等方向,然而目前烟花算法还没有应用于模糊认知图的学习,也不能针对稀疏结构进行学习。为此本文提出了一种用于学习稀疏模糊认知图的稀疏烟花算法(SFWA-FCM)。SFWA-FCM运用了新的爆炸变异算子以达到使模型稀疏的效果。在基于人工合成数据以及真实数据的实验中,SFWA-FCM都展现出比较好的建模能力和数值拟合能力。与已有算法的实验结果对比显示出SFWA-FCM的高效和准确。基于密度控制的Memetic算法用于稀疏模糊认知图学习:目前大多数稀疏模糊认知图学习算法使用变异操作来控制模型的密度,而在大多数进化算法中,变异操作通常用来扩大种群多样性,频繁地使用变异操作会导致算法结果的不稳定。为此本文设计出一种基于密度控制的Memetic算法(DC-MA)。DC-MA以交叉算子作为控制密度的操作算子,较好地实现了我们预期的模型密度控制。该算法同样在人工数据和真实数据上进行了大量实验,结果表明DC-MA的数值拟合能力优于大多数稀疏学习算法,模型结构学习能力和数值拟合能力也都优于传统基于进化计算的模糊认知图学习算法,同时DC-MA的稳定性较其他基于进化计算的模糊认知图学习算法也有大幅提升。基于传递熵的两阶段Memetic学习算法用于稀疏模糊认知图学习:随着稀疏学习算法在模糊认知图上应用的不断加深,迫切需求一些更加快速和精确的算法。目前稀疏模糊认知图学习算法可以分为两类,一类是同时学习权重和控制密度的一阶段算法,这类算法的缺陷在于在学习的同时进行稀疏和优化的操作,这样算法需要对巨大的空间进行搜索,而面对越来越大的模糊认知图规模,已有的算法往往在时间上不能达到要求;另一类是先对时间序列预分析得到初始模型,然后再进行相应优化的两阶段学习算法,这类算法在确定初始结构时往往没有遵循模糊认知图模型的因果特性,从而破坏了模糊认知图的可解释性。除此之外,现实数据通常都带有噪声。针对已有算法的不足,本文提出了一种基于传递熵的两阶段Memetic学习算法。算法首先通过传递熵得到模型的初始结构,而传递熵能在一定程度上保证模型的因果性;其次带有修正算子的Memetic算法可以在一定程度上修正初始结构;最后,使用Huber损失函数作为评价函数,提高了模型的抗噪能力,使之更适用于带有噪声的现实数据。