论文部分内容阅读
自1962年Petri网模型被提出以来,Petri网理论已被广泛应用于离散时间动态系统、智能系统、通信协议以及任务规划和性能评价等诸多领域。随着应用领域的不断拓展,Petri网的局限性也日渐凸显,即库所的输入、输出只有“有”或“无”两种状态,导致了Petri网不能描述不精确的知识,而实际情况中存在大量复杂的难以用精确知识表示的问题,传统Petri网对这些问题是无能为力的。模糊Petri网是Petri网与模糊理论相结合的产物,有效的拓展了Petri网在知识表示和知识获取方面的能力,以适应各种模糊系统描述的要求。但自学习能力差、泛化能力弱是模糊Petri网的固有缺点,模糊产生式规则中的权值、阈值、确信度等参数的确定很大程度上依赖专家经验,难以精确获得。因此如何在没有先验知识的前提下寻找与已建模糊Petri网模型相适应的模糊推理算法并推导出其所有参数,是现阶段的研究重点。针对此问题,现阶段国内外可供参考的研究成果较少,人工智能领域的各类优秀算法如较成熟的遗传、蚁群算法等,在运用到模糊Petri网参数优化问题中来时都存在或多或少的缺陷。本文根据模糊Petri的实际特征,提出了一种改进的差分进化算法,并将其首次运用到模糊Petri网的参数优化过程中。该算法采用混沌策略产生初始种群,融合自适应变异因子及早熟惩罚策略来提高种群多样性,同时保证很强的收敛性与全局性。仿真实验表明,针对FPN模型的参数优化问题,改进的差分进化算法与传统算法相比较,相关参数收敛到理想值的速度提高了5倍。