本文针对传统的采用全部输入变量、指定模糊集合数、平均划分输入空间的栅格模糊建模方法的不足,提出了一种基于遗传算法的模糊分类系统构造方法,实现了输入变量的选择以及输入空间的动态划分,得到的模糊分类系统具有较高的分类精度、较少的输入变量和模糊规则。 该方法可分为三个阶段。第一阶段,将模糊分类系统的前件和输入变量编码为一个个体,实现了输入变量论域的动态划分和输入变量选择。以正确分类的样本数目衡量精确性,以所有模糊集合数的乘积衡量输入变量和模糊规则数目,即解释性,然后利用遗传算法实现初始模糊分类系统的构造。第二阶段,针对栅格划分产生的冗余规则,利用二进制编码的遗传算法实现了模糊规则的精选,得到精简的模糊分类系统。第三阶段,为了提高模糊分类系统的精度,并保留其解释性,利用约束实数编码的遗传算法对得到的模糊分类系统再次进行优化。 为验证本文方法的有效性,以Iris资料库和Wine资料库为例进行了仿真实验,并和相关文献中的结果进行了比较。从仿真结果可以看出,本文提出的方法能够以较高的分类精度、较少的输入变量和模糊规则实现模糊分类系统的建模,达到精确性与解释性较好的折衷。