模糊认知图(Fuzzy Cognitive Maps,FCMs)作为一种结合了模糊逻辑理论和神经网络的智能软计算方法,被广泛地应用在复杂系统的建模与分析方面。我们可以通过学习模糊认知图来挖掘复杂系统内各个单元之间潜在的相互作用关系,并且通过加权图的形式对挖掘到的作用关系进行展示,从而来完成对复杂系统的建模与分析。近几年,许多学者研究并提出了基于进化计算学习模糊认知图的算法,基于进化计算的模糊认知图学习算法有两个明显的优势,第一个是在学习的过程中可以避免对专家先验知识的依赖,第二个是算法可以实现自动化地学习模糊认知图。针对学习模糊认知图的问题,本文主要从模糊认知图模型的设定、目标函数的设计和学习优化过程进行深入研究,从而提升模糊认知图的学习效率。下面是本文主要工作的总结:1.提出了基于集成学习方法和实数编码遗传算法的模糊认知图学习算法。我们将集成学习的思路引入到了模糊认知图学习中,提出了对于数据拟合能力更强的基于Boosting的模糊认知图模型,然后用实数编码遗传算法来学习基于Boosting的模糊认知图模型。在实验部分,我们用人工合成的时间序列数据来测试算法性能,同时我们将算法应用到了基因调控网络重建中,实验结果说明,该算法可以有效地解决模糊认知图学习问题。2.提出了基于收敛和多智能体进化算法的模糊认知图学习算法。我们针对模糊认知图学习问题提出了基于收敛现象的目标函数,并通过优化基于收敛现象的目标函数来学习模糊认知图。在实验部分,我们用人工合成的时间序列数据来验证算法学习模糊认知图的效果,结果说明,此算法对于解决模糊认知图学习问题是有效的。同时,我们将算法应用在基因标准数据集上,实验结果说明,此算法对于基因调控网络重建问题同样是有效的。3.提出了基于多模态优化和多智能体进化算法的模糊认知图学习算法。在提出的算法中,我们将多模态优化引入到了模糊认知图学习问题中,从而提高模糊认知图学习优化过程的效率。在实验部分,我们通过人工合成的时间序列数据验证了此算法学习模糊认知图的性能。同时,我们在基因调控网络重建标准数据集DREAM3和DREAM4上进行验证,结果说明此算法对基因调控网络重建问题是有效的,而且与现有的一些算法比较,此算法具有较好的性能。